​

方法示意圖

在數字圖像中精確地分割背景中的植物，是表型分析的基礎和挑戰。傳統方法在均勻環境下的表現令人滿意，然而當應用于動態田間環境中的圖像時，性能卻有所下降。

根據這一背景，本文提出了一種多特征學習方法來量化室外條件下的植被生長， 并將該技術與目前最新的數字圖像技術和其他學習方法進行比較。用不同的環境條件和以下標準對所有方法進行比較和評價： （1）與地面真實圖像比較，（2）隨著環境光照一天中的變化，（3）與手動測量的比較，（4） 小麥冠層整個生命周期的性能評估。

不同光照條件下前景（FG）和背景（BG）示例圖像

測試圖像示例及相應原始圖像

實驗結果表明，所描述的方法能夠應對在現場條件下面臨的環境挑戰，具有較高的適應性，并且不需要調整每個數字圖像的閾值。所提出的方法也是在田間獲得整個作物生長過程中表型信息時間序列的理想方法。此外，該方法的優點在于它不僅限于生長測量，而且還可以用于識別雜草、疾病、脅迫等。

Keywords:Field phenotyping、Learning-based segmentation、Fractional cover、Field Scanalyzer、RGB images

來源：

Plant Methods.21 November 2017.

Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping

Pouria Sadeghi-Tehran,Nicolas Virlet, Kasra Sabermanesh and Malcolm J. Hawkesford.