叶脉网络的几何形状可以预测在不同空间尺度上运作的资源运输、防御和机械支持水平。然而,由于从图像中分割网络和从后续网络图表示中提取多尺度统计信息的困难,跨尺度量化网络架构具有挑战性。牛津大学的Hao Xu团队开发了使用卷积神经网络(cnn)自动分割叶脉网络的深度学习算法。在来自50个东南亚植物科的>700片叶子中人工定义的真实区域的上进行训练。训练的cnn从较大的叶区域分割网络。使用分层环分解对分段网络进行分析,以提取一系列描述静脉和晕孔几何结构中尺度过渡的统计信息。
1.数据集与标注
从马来西亚婆罗洲沙巴州的八块永久林地采集了一组校准树叶,这些林地是龙胆草低地混交林。共采集标本727份,隶属于50科295种。从椎板中央切下1厘米的样本,经过化学清除,染色,并按照标准方案载玻片安装。每个样品使用具有脱色物镜和奥林巴斯SC100彩色相机(3840×2748像素分辨率)的复合显微镜成像。
图1 显微镜下的染色叶脉图
使用数字化平板电脑和图像处理软件对每个图像的约700×700像素的多边形感兴趣区(ROI)内的所有静脉进行全宽手动追踪。此外,在完整图像中宽度>200μm的全部静脉都被标注。图片中的每个ROI掩膜由一个人绘制,然后由二到三人审阅随后编辑,最终得到一组727个掩膜图像。
图2 人工标注的掩膜图
2.网络训练与预测
使用U-Net模型来训练图片,U-Net使用一组卷积核,在每个尺度上提取图像中的不同特征,然后在每个网络层中汇集和组合,最终产生像素级分类。深度神经网络的学习是通过反向传播算法进行的,该算法通过将输出结果与标注真值图进行损失比较来优化网络的权重。
图3 Unet模型结构
在每次训练迭代中,受每个图形处理单元(GPU)的内存限制的限制,对8个256×256块的小批次进行采样并依次馈送到网络。对于整个图片区域的静脉预测,图像被处理为重叠的256×256像素块。在每个随机抽样一个小批次的8个补丁,并且补丁之间有少量重叠。结果被组合回原始图像大小,以给出预测值的概率图。
图4预测值概率图
3.结果分析
通过精确召回曲线(P-R)分析来证明CNN分类的性能。将CNN预测概率图的P-R曲线得分与MidGrey、NiBlack、Bernsen和 Sauvola等局部自适应阈值算法和Vesselness, MFATλ、MFATp、FeatureType和Bowler Hat等多尺度脊增强方法来进行对比。CNN深度学习算法比其余算法有着更好的表现。
图5 P-R曲线对比图
图6 P-R得分对比图
5.结论
CNN为叶脉网络的高精度分割提供了一种替代方法,通过使用像素分类的P-R分析和人工标注以及一组网络度量来判断。与其他目前可用的网络提取算法相比,CNN还可以从许多不同物种和叶脉结构的田间采集的叶片中提供一致更好的叶脉网络分割。此外,CNN的概率图对静脉进行了平滑、全宽的分割,即使在存在差异清除、气泡或毛状体等图像伪影的情况下也是如此。这反过来又提高了图形提取、静脉宽度估计和随后的定量指标的稳健性、精确度和准确度。CNN网络使得叶脉分割任务得到了更好的完成与实现,人工智能技术在植物表型的广阔前景值得我们不断地探索和发现。
联系客服