为推进富含花青素的紫苏品种选育,指导逆境胁迫下的紫苏生产管理,以紫苏为研究对象,采集田间叶片并使用数码相机拍照,结合红绿蓝色彩空间(red green blue color space,RGB)和CIELab色彩空间(CIELab color space)2种图像色彩分析手段处...为推进富含花青素的紫苏品种选育,指导逆境胁迫下的紫苏生产管理,以紫苏为研究对象,采集田间叶片并使用数码相机拍照,结合红绿蓝色彩空间(red green blue color space,RGB)和CIELab色彩空间(CIELab color space)2种图像色彩分析手段处理图片,与叶片花青素含量进行相关性和显著性分析,筛选出相关系数较高的色彩参数,建立单变量回归反演模型,最终综合建模得到预测效果最优的紫苏叶片花青素含量预测模型。结果表明,在RGB色彩空间中,红光标准化值(normalized redness intensity,NRI)、绿光标准化值(normalized greenness intensity,NGI)与花青素含量呈极显著相关,其中NGI的相关系数大于NRI。当叶片正反面色彩贡献比为2∶1时,NGI与花青素含量的相关性最大,相关系数为0.8532。对比不同模型发现,以NGI为自变量建立的指数模型拟合效果最好,相关系数为0.8381,决定系数(R^(2))达0.7550。在CIELab色彩空间中,红度(a^(*))与花青素含量的相关性最好,且相关系数同样在叶片正反面色彩贡献比为2∶1时达最大,为0.7356。基于a^(*)建立的幂模型拟合效果最好,相关系数和R^(2)分别为0.7438和0.6798。分别使用NGI模型和a^(*)模型对叶片花青素含量进行估测,验证后发现a^(*)模型的预测效果更好,准确性和稳定性更高,因此以a^(*)模型为预测紫苏叶片花青素含量的最优模型。展开更多
文摘为推进富含花青素的紫苏品种选育,指导逆境胁迫下的紫苏生产管理,以紫苏为研究对象,采集田间叶片并使用数码相机拍照,结合红绿蓝色彩空间(red green blue color space,RGB)和CIELab色彩空间(CIELab color space)2种图像色彩分析手段处理图片,与叶片花青素含量进行相关性和显著性分析,筛选出相关系数较高的色彩参数,建立单变量回归反演模型,最终综合建模得到预测效果最优的紫苏叶片花青素含量预测模型。结果表明,在RGB色彩空间中,红光标准化值(normalized redness intensity,NRI)、绿光标准化值(normalized greenness intensity,NGI)与花青素含量呈极显著相关,其中NGI的相关系数大于NRI。当叶片正反面色彩贡献比为2∶1时,NGI与花青素含量的相关性最大,相关系数为0.8532。对比不同模型发现,以NGI为自变量建立的指数模型拟合效果最好,相关系数为0.8381,决定系数(R^(2))达0.7550。在CIELab色彩空间中,红度(a^(*))与花青素含量的相关性最好,且相关系数同样在叶片正反面色彩贡献比为2∶1时达最大,为0.7356。基于a^(*)建立的幂模型拟合效果最好,相关系数和R^(2)分别为0.7438和0.6798。分别使用NGI模型和a^(*)模型对叶片花青素含量进行估测,验证后发现a^(*)模型的预测效果更好,准确性和稳定性更高,因此以a^(*)模型为预测紫苏叶片花青素含量的最优模型。
