欧美杨对不同粒径氧化锌颗粒物的吸附与吸收能力

张罡; 安海龙; 史军娜; 刘超; 田菊; 郭惠红; 夏新莉; 尹伟伦

doi:10.13332/j.1000-1522.20160376

欧美杨对不同粒径氧化锌颗粒物的吸附与吸收能力

1.
北京林业大学生物科学与技术学院，林木育种国家工程实验室
2.
内蒙古和盛生态科技研究院

基金项目:

2014内蒙古自治区科技重大专项“内蒙古生态屏障建设林业关键技术集成与示范”

林业公益性行业科研专项 201304301

中国工程院咨询研究项目 2013-QTSHKJJH-01

“十三五”国家科技支撑计划课题 2015BAD07B01

详细信息

作者简介:
张罡。主要研究方向：植物抗逆生理生态学。Email：zhanggang@bjfu.edu.cn 地址：100083 北京市海淀区清华东路35号北京林业大学生物科学与技术学院

责任作者:
尹伟伦，教授，博士生导师。主要研究方向：植物抗逆生理及分子机制。Email: yinwl@bjfu.edu.cn 地址：同上

中图分类号: S718.43
计量
- 文章访问数: 2326
- HTML全文浏览量: 505
- PDF下载量: 27
出版历程
- 收稿日期: 2016-11-15
- 修回日期: 2017-01-16
- 发布日期: 2017-03-31

Deposition and absorption capacity of Populus deltoides × P. nigra to different size zinc oxide aerosol

1.
National Engineering Laboratory for Tree Breeding, College of Biological Sciences and Biotechnology, Beijing Forestry University, Beijing, 100083, P. R. China
2.
Hesheng Institute of Ecological Science and Technology, Hohhot, Inner Mongolia, 010000, P. R. China

摘要

摘要: 为揭示植物叶片对大气颗粒物的滞纳效应，本研究首次采用氧化锌(ZnO)纳米颗粒物模拟PM_2.5等颗粒物在欧美杨DN-2叶片表面的沉降、附着和滞留过程，利用水洗法和电感耦合等离子体质谱(ICP-MS)分别测定叶片表面和组织内的ZnO含量，通过扫描电子显微镜对叶表形貌进行观察和附着颗粒物数量统计，定量研究欧美杨对不同粒径颗粒物的吸附和吸收能力及其光合生理的响应特征。结果表明：粒径约为30 nm(NPs)、100 nm(BPs)和1 μm(MPs)的3种ZnO气溶胶处理16 d后，欧美杨叶片表面对MPs的吸附质量最大，高达653.03 mg/g，显著高于NPs。而通过Image J软件统计叶表面颗粒物的数量发现，NPs处理下叶面附着颗粒物数量最多，BPs次之，MPs最少，说明颗粒物的粒径越小，分布在叶片表面的数量越多，但其在叶面附着质量较低。此外，通过对植物叶表形貌观察发现，颗粒物对气孔和角质层产生了负面影响，气孔轮廓不清晰，角质层皱折不规则。在模拟颗粒物环境中，欧美杨对粒径小于1 μm颗粒物均有一定量的吸收。与吸附质量不同，欧美杨叶片对NPs的吸收量显著高于BPs和MPs，在处理16 d后高达1.17 mg/g，分别是BPs和MPs的2.59和2.89倍，这表明粒径越小的颗粒物越容易被植物吸收进入体内。NPs、BPs和MPs处理16 d后，欧美杨叶片净光合速率(P_n)分别降低了22%、44%和19%，这是由气孔和非气孔因素共同导致的。
- 欧美杨 /
- PM_2.5 /
- 氧化锌(ZnO)颗粒物 /
- 吸收 /
- 吸附 /
- 生理特性
Abstract: To investigate the deposition and absorption of particulate matters on leaves, this study firstly uses the zinc oxide (ZnO) nanoparticles to simulate sedimentation, attachment and retention of fine particulate matter (PM_2.5) on Populus deltoides × P. nigra leaves. The contents of ZnO on the leaf surface and in the leaf tissue were quantitatively determined by water-washing and inductively coupled plasma mass spectrometry (ICP-MS), respectively. Furthermore, ZnO particle number on the leaf surface and its microstructure were analyzed by an scan electron microscope (SEM)and the response characteristics of photosynthetic physiology was also investigated by the Li-COR 6400 portable photosynthesis system. The results showed that ZnO particles could be adhered by leaves which were treated with NPs (particles with a mean diameter of 30 nm), BPs (particles with a mean diameter of 100 nm) or MPs (particles with a mean diameter of 1 μm). The deposition capacity of Populus deltoides × P. nigra to different particles was mainly analyzed from two aspects of total quality and total particle number. The mass concentration of MPs on leaf surface was the highest after treated for 16 days, reaching 653.03 mg/g, which was significantly higher than NPs. Analyzed by Image J software, the number of particles on the foliar surface was the highest under NPs treatment, followed by BPs and MPs, indicating that the smaller the size of the particles were, the larger the number of particles distributed on the surface of the leaves, while the weight of the smaller particles was relatively lower. Moreover, P. deltoides × P. nigra could uptake particle less than 1 μm. Compared with weight of deposition, the uptake of NPs by leaves was higher, reaching 1.17 mg/g after 16 day treatment, which was 2.59 and 2.89 times of BPs and MPs, respectively. This indicated that the smaller size of particle was easily absorbed by plants. Phytotoxicity was tested for plants exposed to different size of ZnO aerosol. Leaf surface microstructure had obvious change, stomata was often filled with ZnO particles or was also clogged and injured cells, and slightly disturbed striations were also visible in the ZnO-treated leaves. Moreover, acute phytotoxicity was also observed in photosynthetic. After 16 days treatment of NPs, BPs and MPs, net photosynthetic rate (P_n) was reduced by 22%, 44% and 19%, respectively, which was caused by stomatal and non-stomatal factors.
- Populus deltoides × P. nigra /
- PM_2.5 /
- ZnO particle /
- absorption /
- deposition /
- physiological characteristics

HTML全文

在植物信息学领域，植物的分类与识别是一项重要的基础工作。随着数码相机和智能手机等移动图像获取终端的普及，采集花卉图像变得十分便捷，人们可通过计算机技术对花卉图像进行分析处理，从而识别植物种类。在分类识别领域，花卉种类识别逐渐成为植物自动识别的重要分支。

花卉种类识别属于精细图像分类的范畴，是当前分类识别的研究热点之一。在国内，柯逍等^[1]采用标注矩阵与RGB相结合的方法实现图像分割，并采用基于SVM分类器的多特征融合方法进行花卉图像的识别；周伟等^[2]将显著图融入到图像特征的提取过程中，采用SVM分类器进行花卉图像识别，并没有充分考虑花卉图像的形状特征；张娟等^[3]提取梅花的颜色、形状和纹理特征对11种梅花进行识别，对梅花的识别率较高，但对通用的花卉识别并不适用；白帆等^[4]提出基于花朵特征编码分类的植物种类近似识别方法，但没有考虑花蕊区域包含的特征信息，具有一定的局限性。在国外，Nilsback等^[5-6]采用视觉词袋来描述花冠的颜色、形状、纹理等方面的特征，在识别的过程中需要优化较多的参数以得到较好的识别率；Chai等^[7]提出基于同类花卉形状协同分布的分割算法，并通过提取密集的SIFT特征、兴趣点SIFT特征和整幅图片的Lab特征，计算相应的BoW特征向量，通过SVM分类器实现图像分类；Angelova等^[8]采用消除背景干扰信息的方法，在多个样本库的细粒度图像分类实验中都取得了不错的效果。

本文针对花卉色彩丰富、形态各异、特征提取难度较大的实际情况，在提取花卉图像中花冠颜色和形状特征的基础上，创新性地提取花蕊区域的颜色和形状特征，对花卉图像的特征提取和种类识别进行研究，建立特征向量后通过基于SVM算法的分类器进行花卉种类识别。实验结果表明，本文提出的基于多特征融合的识别方法对自建花卉样本库的识别率可以达到92.50%，对通用花卉样本库的识别率为80%，识别效果较好，具有一定的实际应用价值。

1. 花卉图像预处理

在进行图像识别时，背景干扰信息对识别率影响极大，因此需要对花卉图像进行预处理以提高识别率^[9]。花卉形状的确定主要依赖于边缘位置的分割效果^[10]，本文选取基于显著性检测的Grab Cut花卉图像分割算法，主要步骤是：1)图像超像素区域划分。采用基于简单线性迭代聚类超像素(简称SLIC)算法^[11]对原始图像进行超像素区域划分。2)进行显著性检测。采用Yang在2013年提出的基于图的流形排序显著性^[12]计算思想，将步骤1)中得到的超像素区域划分块作为相应节点构建连通图，利用流形排序算法对图中的所有节点相关度进行排序，得到原始图像的显著图。3)针对图像的显著性区域，训练花卉图像前景和背景分类的通用模型，利用K-Means算法将图像前景和背景集合分别聚为NF类和NB类，进一步得到均值和协方差；通过最大图-最小割的思想，利用混合高斯参数，得到Gibbs能量函数，实现最优图像分割；迭代使得整个能量函数收敛到最小^[13]。通过观察可知，前景花卉颜色相对简单，可将高斯数设为4；背景颜色较前景更加复杂，可将高斯数设为6。图 1为朱槿(Hibiscus rosa-sinensis)的图像分割过程图。

图 1 图像分割过程

Figure 1. Process of image segmentation

下载: 全尺寸图片幻灯片

2. 花卉图像特征提取

特征提取是花卉种类识别的关键步骤，特征提取质量直接关系到最终的识别效果。目前常用的花卉特征主要是颜色和形状特征，纹理特征对图像的像素要求较高，使用相对较少。对大多数花卉来说，花冠颜色与花蕊颜色是不同的，因此花蕊区域也包含识别性很强的特征。为了提高花卉种类识别的准确率，本文将花蕊区域特征考虑在内，对花冠颜色、花冠形状、花蕊区域颜色和形状3个方面的特征进行提取。

2.1 花冠颜色特征提取

颜色特征是花卉图像最显著的特征之一，具有形状和方向无关性，适合作为花卉种类识别的依据。由于在进行颜色特征提取时，主要利用图像中主要颜色所占的比例这一特征，颜色所处的位置对特征提取没有影响，因此本文采用具有位置无关性的颜色直方图描述方法进行颜色特征提取^[14]。

2.1.1 色彩模型选择

彩色图像有多种颜色空间，RGB色彩空间中亮度信息和颜色信息难以区分，而在HSV(H为色调，S为饱和度，V为亮度)空间中亮度信息和颜色信息彼此独立，对颜色值的采样不受亮度影响。因此需要对原始图像进行颜色空间转换，将RGB颜色空间转换为HSV色彩空间^[15]。

2.1.2 HS量化特征提取

由于大部分花卉的花冠颜色相对比较规范，不存在复杂的颜色组合，因此可以提取花冠的主要颜色信息作为颜色特征，确定适合本文图像颜色特征提取的色调饱和度区间划分。在H方向上，分为12个区间；在S方向上，分成10个区间(图 2)。

图 2 12×10的HS空间划分

Figure 2. Separating HS color space into 12×10 color cells

下载: 全尺寸图片幻灯片

然后，分别将花卉图像的H通道和S通道按照HS颜色空间的分布进行量化。对H通道，将中的色盘表示的整个圆周等分为12份，从X轴正方向沿圆周逆时针对每一等份从0开始按序标号，h为量化后的图像色调值，其序号用 $h=\left\lfloor \frac{H}{30} \right\rfloor$ , H∈[0, 360]表示；对S通道，将中的色盘表示的整个圆从圆心开始，按照等差半径画出10个圆周，沿圆心向圆周方向对每一圆周间部分从0开始按序标号，s为量化后的图像饱和度值，其序号用 $s=\left\lfloor 10\times S \right\rfloor$ , S∈[0, 1]表示。

包含像素个数最多的区间代表了该区域的主颜色成分，选择分布最多的前3个区域，分别称为第1大区域DC(1)、第2大区域DC(2)和第3大区域DC(3)。根据图像区域各像素的色调值、饱和度值确定其所在的单元，提取区域对应的坐标和所占的比例共9个特征作为参与计算的特征值。这9个特征为：CF₁，DC(1)对应的H；CF₂，DC(1)对应的S；CF₃，DC(1)像素所占的比例(P₁)；CF₄，DC(2)对应的H；CF₅，DC(2)对应的S；CF₆，DC(2)像素所占的比例(P₂)；CF₇，DC(3)对应的H；CF₈，DC(3)对应的S；CF₉，DC(3)像素所占的比例(P₃)。

2.2 花冠形状特征提取

不同种类的花卉因为花瓣的形状和分布不同而呈现不同的形态，因此花冠的形状是识别花卉种类的另一个显著特征。为提取花冠的形状特征，首先定义整个花冠区域的质心G(g_x, g_y)为花冠的中心，其坐标计算公式为：

${{g}_{x}}=\frac{1}{N}\sum\limits_{i=1}^{N}{{{x}_{i}}}$

(1)

${{g}_{y}}=\frac{1}{N}\sum\limits_{i=1}^{N}{{{y}_{i}}}$

(2)

式中：N为花冠边界像素个数，x_i为第i个像素的x坐标值，y_i为第i个像素的y坐标值。那么花冠中心到每个边界像素的距离计算公式为：

$\begin{align} & {{d}_{i}}=\sqrt{{{({{x}_{i}}-{{g}_{x}})}^{2}}+{{({{y}_{i}}-{{g}_{y}})}^{2}}} \\ & \ \ \ \ \ \ \ 1\le i\le N \\ \end{align}$

(3)

不失一般性，将求得的距离按照升序排列，即d_i≤d_i+1, 1≤i≤N-1，本文用来描述花冠形状特征的3个特征为花冠锐度SF₁，归一化的边界中心距SF₂和圆形性SF₃。

2.2.1 花冠锐度SF₁

花冠锐度可根据花冠边界点到中心的距离的比率得出，计算公式为：

$\text{S}{{\text{F}}_{\text{1}}}=\frac{{{R}_{10}}}{{{R}_{90}}}$

(4)

式中：R₁₀和R₉₀分别为所有有序距离集合中前10%的d_i和后10%的d_i的平均值，计算公式为：

${{R}_{10}}=\frac{1}{0.1N}\sum\limits_{i=1}^{0.1N}{{{d}_{i}}}$

(5)

${{R}_{90}}=\frac{1}{0.1N}\sum\limits_{i=0}^{0.1N-1}{{{d}_{N-i}}}$

(6)

从中可知，特征SF₁在花冠残缺或者图像从不同方向获取时变化不会很大。

2.2.2 归一化的边界中心距SF₂

该特征为归一化后的所有花冠边界点到中心距离的平均值，计算公式为：

$\text{S}{{\text{F}}_{\text{2}}}=\frac{1}{N}\sum\limits_{i=1}^{N}{{{D}_{i}}}$

(7)

归一化的距离定义为：

${{D}_{i}}=\left\{ \begin{matrix} 1,\ \ \ \ {{d}_{i}}\ge {{R}_{90}} \\ \frac{{{d}_{i}}-{{R}_{10}}}{{{R}_{90}}-{{R}_{10}}},{{R}_{10}}<{{d}_{i}}<{{R}_{90}} \\ 0,\ \ {{d}_{i}}\le {{R}_{10}}\ \\ \end{matrix} \right.$

(8)

从特征SF₂的定义可知归一化后距离大小不会随图像的大小而改变。

2.2.3 圆形性SF₃

该特征表征花冠形状的似圆度，计算公式为：

$\text{S}{{\text{F}}_{\text{3}}}=\frac{4\pi S'}{{{L}^{2}}}$

(9)

式中：L为花冠边界的长度，S′为整个花冠区域的面积。当花冠形状接近于圆形时，SF₃接近于1。该特征具有缩放、平移和旋转不变性。

至此花冠区域的颜色特征和形状特征提取完毕，花冠区域的特征向量表达式为：

${{F}_{\text{花冠}}}={{\left[ \text{C}{{\text{F}}_{1}}\ \ \ \text{C}{{\text{F}}_{2}}\ \ \ \cdots \ \ \ \text{C}{{\text{F}}_{9}}\ \ \ \text{S}{{\text{F}}_{\text{1}}}\ \ \ \text{S}{{\text{F}}_{2}}\ \ \ \text{S}{{\text{F}}_{\text{3}}} \right]}^{\text{T}}}$

(10)

2.3 花蕊区域特征提取

绝大多数花卉的花蕊位于花朵的中间位置且颜色与花冠有一定差别，因此本文提取花蕊区域特征基于两个基本假设：一是花卉的花蕊区域位于花朵的中央；二是花蕊的主颜色成分与花冠的主颜色成分不同。

为准确提取花蕊区域的识别特征，首先定义一个初始花蕊区域，假设该初始花蕊区域为一个正方形，其中心为花朵的中心，边长为2/3的花瓣长，其中花瓣长度为式(6)定义的R₉₀。假设PDC(1)代表初始花蕊区域的主颜色成分，该颜色应不同于花冠区域的主颜色成分，即DC(1)的颜色。那么我们可以根据PDC(1)定义一个更加准确的花蕊区域：在边长为4/3花瓣长的正方形区域内，所有与PDC(1)颜色相同的区域为准确花蕊区域。与花冠区域颜色和形状特征提取类似，本文将花蕊区域主颜色成分及其所占比例作为花蕊区域的颜色特征，花蕊区域中所有像素到花朵中心点距离的平均值、标准差和三阶中心矩作为花蕊区域的形状特征。

2.3.1 花蕊区域颜色特征提取

与2.1.2中花冠颜色特征提取方法相同，花蕊区域的颜色特征包括：PCF₁，最大区域对应的H；PCF₂，最大区域对应的S；PCF₃，最大区域像素所占的比例(PP₁)。

2.3.2 花蕊区域形状特征提取

假设花蕊区域包含M个像素，M个像素的坐标为(p_{x_i}, p_{y_i})，1≤i≤M。首先定义花蕊区域质心PG (g_{p_x}, g_{p_y})，其坐标计算公式为：

${{g}_{{{p}_{x}}}}=\frac{1}{M}\sum\limits_{i=1}^{M}{{{p}_{{{x}_{i}}}}}$

(11)

${{g}_{{{p}_{y}}}}=\frac{1}{M}\sum\limits_{i=1}^{M}{{{p}_{{{y}_{i}}}}}$

(12)

那么花蕊区域质心到区域内每个像素的距离的计算公式为：

$\begin{align} & {{p}_{{{d}_{i}}}}=\sqrt{{{({{p}_{{{x}_{i}}}}-{{g}_{{{p}_{x}}}})}^{2}}+{{({{p}_{{{y}_{i}}}}-{{g}_{{{p}_{y}}}})}^{2}}} \\ & \ \ \ \ \ \ \ \ 1\le i\le M \\ \end{align}$

(13)

不失一般性，将求得的距离按照升序排列，即p_{d_i}≤p_{d_i+1}, 1≤i≤M-1。对距离通过等式(14)进行归一化。归一化后可确保形状特征不会随图像的大小而改变。

$\text{P}{{\text{D}}_{i}}=\left\{ \begin{matrix} 1, \ \ \ \ {{p}_{{{d}_{i}}}}\ge {{P}_{{{R}_{90}}}} \\ \frac{{{p}_{{{d}_{i}}}}-{{P}_{{{R}_{10}}}}}{{{P}_{{{R}_{90}}}}-{{P}_{{{R}_{10}}}}}, {{P}_{{{R}_{10}}}}<{{p}_{{{d}_{i}}}}<{{P}_{{{R}_{90}}}} \\ 0, \ \ \ \ {{p}_{{{d}_{i}}}}\le {{P}_{{{R}_{10}}}} \\ \end{matrix} \right.$

(14)

式中：P_R10和P_R90分别为所有有序距离集合中前10%的p_{d_i}和后10%的p_{d_i}的平均值，其计算公式为：

${{P}_{{{R}_{10}}}}=\frac{1}{0.1M}\sum\limits_{i=1}^{0.1M}{{{p}_{{{d}_{i}}}}}$

(15)

${{P}_{{{R}_{90}}}}=\frac{1}{0.1M}\sum\limits_{i=0}^{0.1M-1}{{{p}_{{{d}_{M-i}}}}}$

(16)

本文用来描述花蕊区域形状特征的3个特征为归一化的距离平均值PSF₁，其计算公式为式(17)；归一化的距离标准差PSF₂，其计算公式为式(18)；归一化的距离三阶中心矩PSF₃，其计算公式为式(19)。

$\text{PS}{{\text{F}}_{1}}={{\mu }_{\text{PD}}}=\frac{1}{M}\sum\limits_{i=1}^{M}{\text{P}{{\text{D}}_{i}}}$

(17)

$\text{PS}{{\text{F}}_{2}}={{\sigma }_{\text{PD}}}{{(\frac{1}{M}\sum\limits_{i=1}^{M}{{{\text{(P}{{\text{D}}_{i}}-{{\mu }_{\text{PD}}})}^{2}}})}^{\frac{1}{2}}}$

(18)

$\text{PS}{{\text{F}}_{3}}={{m}_{3}}={{(\frac{1}{M}\sum\limits_{i=1}^{M}{{{\text{(P}{{\text{D}}_{i}}-{{\sigma }_{\text{PD}}})}^{3}}})}^{\frac{1}{3}}}$

(19)

由此可知花蕊区域的3个形状特征均具有缩放、平移和旋转不变性。至此花蕊区域的颜色特征和形状特征提取完毕，花蕊区域的特征向量表达式为：

${{F}_{\text{花蕊}}}={{\left[ \text{PC}{{\text{F}}_{1}}\ \ \ \text{PC}{{\text{F}}_{2}}\ \ \ \text{PC}{{\text{F}}_{3}}\ \ \ \text{PS}{{\text{F}}_{1}}\ \ \ \text{PS}{{\text{F}}_{2}}\ \ \ \text{PS}{{\text{F}}_{3}} \right]}^{\text{T}}}$

(20)

则整个花卉的特征向量表达式为：

$\begin{align} & F=[\text{C}{{\text{F}}_{1}}\ \ \ \text{C}{{\text{F}}_{2}}\ \ \ \cdots \ \ \ \text{C}{{\text{F}}_{9}}\ \ \ \text{S}{{\text{F}}_{\text{1}}}\ \ \ \text{S}{{\text{F}}_{2}}\ \ \ \text{S}{{\text{F}}_{\text{3}}}\ \ \\ & \text{PC}{{\text{F}}_{1}}\ \ \ \text{PC}{{\text{F}}_{2}}\ \ \ \text{PC}{{\text{F}}_{3}}\ \ \ \text{PS}{{\text{F}}_{1}}\ \ \ \text{PS}{{\text{F}}_{2}}\ \ \ \text{PS}{{\text{F}}_{3}}{{]}^{\text{T}}} \\ \end{align}$

(21)

3. 分类器设计与参数选择

SVM算法^[16]是一种依赖核函数的机器学习分类算法，该算法在解决小样本、非线性以及高维模式识别问题中优势明显，在进行识别实验时受到各种采集条件的影响，难以同时采集到大量所有种类的花卉图像样本，因此本文基于SVM算法建立分类器。

利用SVM算法进行分类时，核函数及其参数的选择是关键步骤，两者的选择情况直接影响到该算法的分类性能。首先通过实验确定核函数，不同核函数的识别率如表 1所示。

表 1 不同核函数下的识别率

Table 1. Recognition rate of different kernel functions

训练样本 Training sample	测试样本 Test sample	核函数 Kernel function	识别率 Recognition rate/%
240	120	线性核函数Linear kernel function	84.17
240	120	多项式核函数Polynomial kernel function	82.50
240	120	Sigmoid核函数Sigmoid kernel function	83.33
240	120	径向基核函数Radial basis kernel function	85.83

下载: 导出CSV

| 显示表格

由表 1可以看出核函数为径向基函数时识别率相对较高。然后通过交叉验证(cross validation，CV)选择最佳参数。实验中当交叉验证的精度为97.32%时，惩罚系数C=10.628 7，径向基核函数本身参数σ=0.804 361，对自建花卉样本库的识别率从85.83%提高到92.50%。

4. 基于多特征融合的花卉种类识别模型

本文将花冠颜色特征、花冠形状特征和花蕊区域特征相融合，基于多特征融合的花卉种类识别模型如图 3所示。

图 3 基于多特征融合的花卉种类识别模型

Figure 3. Flower image recognition model based on fusion of multiple features

下载: 全尺寸图片幻灯片

主要步骤分为4个部分：1)图像预处理，将图像中的花朵从复杂背景中分割出来；2)特征提取，对花冠颜色特征、花冠形状特征、花蕊区域特征进行提取；3)特征融合，将步骤2)中提取的特征进行组合，将组合后的的特征向量放入分类器训练和学习；4)分类器识别。

在训练阶段，对得到的多张花卉图像(训练样本)进行图像预处理和特征提取后，形成训练样本综合的特征向量，放入分类器训练学习后形成成熟的训练结果。在测试阶段，对测试样本进行图像预处理和特征提取，将得到的特征值输入分类器识别便可输出花卉类别。

5. 实验与分析

5.1 自建花卉样本库实验与分析

自建花卉样本库采自北京植物园、华南植物园和昆明植物园，通过数码相机等数字图像采集设备有针对性地采集24类花卉图像，每类图像15幅，样本图像的花朵器官有视觉差异且均为正摄图像。首先利用图像处理软件处理成为300×400分辨率的图像，然后经过图像预处理后构建24类花卉图像的数据库。实验中采用了图 4中24类花卉共计360幅图像作为实验样本，每类花卉总样本图像的2/3为训练样本，1/3为测试样本。

图 4 24类花卉样本

Figure 4. 24 species of flower samples used in experiments

下载: 全尺寸图片幻灯片

对实验样本分别采用K最近邻(KNN)、BP神经网络和SVM算法进行识别，并分别统计其在不同特征组合下的识别率(表 2)。

表 2 不同特征组合基于不同分类器的识别率

Table 2. Recognition rate of three different classifiers under different combination of features

分类算法Classifying method	CF	SF	PCF	PSF	CF+SF	PCF+PSF	CF+SF+PCF	CF+SF+PSF	CF+SF+PCF+PSF
KNN	44.17	78.33	37.50	34.17	81.67	51.67	82.50	84.17	85.00
BP神经网络BP neutral network	52.50	80.83	43.33	36.67	83.33	57.50	85.83	86.67	87.50
SVM	58.33	85.00	46.67	40.83	86.67	63.33	88.33	89.17	92.50
注：CF代表花冠颜色特征，SF代表花冠形状特征，PCF代表花蕊区域颜色特征，PSF代表花蕊区域形状特征。Notes: CF represents corolla color feature, SF represents corolla shape feature, PCF represents color feature in pistil area, PSF represents shape feature in pistil area.

下载: 导出CSV

| 显示表格

从表 2可知：与KNN和BP神经网络算法相比，SVM算法识别率更高，充分说明了SVM算法在花卉种类识别中具有良好的实用性；在花卉种类识别中，花冠形状特征是进行识别的最主要依据；将特征进行组合后，识别率将有很大的提升；在利用花冠颜色特征和花冠形状特征的基础上，加入花蕊区域特征后识别率有了较大程度的提高。基于花冠颜色特征和花冠形状特征与基于花冠颜色特征、花冠形状特征和花蕊区域特征两种不同方法对每类花卉的识别率如表 3所示。

表 3 不同方法对每类花卉的识别率

Table 3. Recognition rate for each class of flower based on different methods

类别 Flower species	识别率1 Recognition rate 1/%	识别率2 Recognition rate 2/%
1	100	100
2	100	100
3	80	80
4	80	80
5	80	100
6	100	100
7	60	80
8	100	100
9	60	80
10	100	100
11	80	80
12	80	100
13	100	100
14	100	100
15	80	80
16	80	100
17	100	100
18	100	100
19	80	80
20	40	80
21	100	100
22	100	100
23	100	100
24	80	80
注：识别率1，基于花冠颜色特征与花冠形状特征的识别率；识别率2，基于花冠颜色特征、花冠形状特征和花蕊区域特征的识别率。Notes: recognition rate 1, recognition rate based on color and shape features of corolla region; recognition rate 2, recognition rate based on color and shape features of corolla region and pistil area.

下载: 导出CSV

| 显示表格

从表 3可知：基于多特征融合的识别方法比基于花冠颜色特征和花冠形状特征的识别方法识别率要高，充分证明了本文所提处的方法的有效性。在实验中发现加入花蕊区域特征前错分率较高的是软枝黄蝉(Allamanda cathartica, 种类7)、朱槿(种类9)和云南黄馨(Jasminum mesnyi, 种类20)，3类花卉的对比图如图 5所示。从图中可以看出3类花卉的花冠颜色特征和花冠形状特征相似，单独基于花冠颜色特征和花冠形状特征进行识别，测试样本识别率为66.67%，加入花蕊区域特征后，测试样本识别率为80%。

图 5 种类7、9、20对比图

Figure 5. Comparison in species 7, species 9 and species 20

下载: 全尺寸图片幻灯片

5.2 通用花卉样本库实验与分析

为测试本文所提出方法的通用性，从牛津大学视觉几何实验室所创建的Oxford 17 flower中选取部分图片作为实验样本。该样本库共有17类，每类80幅，共计1 360幅花卉图片，图片视角变化大，既有近景拍摄也有远景拍摄，且拍摄角度随机。图 6为玛格丽特花(Chrysanthemum frutescens)在不同拍摄角度下的图片。

图 6 不同拍摄角度下的玛格丽特花

Figure 6. Marguerite flowers from different camera angles

下载: 全尺寸图片幻灯片

每类图片选择20张作为训练样本，10张作为测试样本。提取花冠形状特征、花冠颜色特征和花蕊区域特征后，采用SVM分类器进行识别，可得到80%的识别率，明显低于自建样本的识别率，说明本文方法对随机拍摄的不同角度图像识别具有一定的局限性，花冠和花蕊的形状特征受拍摄角度影响较大，造成了识别率的下降。基于Oxford 17 flower样本库，本文方法与已有文献方法的识别率对比结果见表 4。

表 4 基于不同方法的花卉识别率

Table 4. Recognition rate based on different methods

%
采用方法Method	识别率Recognition rate
本文方法Method proposed	80.0
文献[5] Literature [5]	72.8
文献[6] Literature [6]	76.3
文献[7] Literature [7]	79.4
文献[8] Literature [8]	80.7

下载: 导出CSV

| 显示表格

从表 4可知：本文提出的基于多特征融合的方法识别率略低于文献[8]中方法，高于其他文献所用方法，能够较好地表征花卉特征，花卉种类识别率比较高，具有较强的实用性。

6. 结论与讨论

本文从实际问题出发，针对当前花卉种类识别率低的实际，提出更加适合花卉特征的描述方法，对花卉图像进行预处理后，分别从花冠颜色和花冠形状两个方面提取12个特征，并创新性地提取花蕊区域的6个特征。选择支持向量机算法作为本文的分类算法对花卉进行种类识别，并与传统的K最近邻(KNN)和BP神经网络算法进行比较。实验结果证明基于多特征融合的花卉种类识别方法提高了花卉特征描述的准确性，具有较高的鲁棒性，对自建花卉样本库和通用花卉样本库的花卉种类识别均取得了较好的效果。

本文方法仍存在一定的局限性：1)对花蕊区域的定义和描述还有较大的改进空间；2)在样本选择时，自建花卉样本库中的图像的花朵器官有明显的视觉差异且均为正摄图像，训练出的特征模型代表性不强；3)从通用花卉样本库的实验结果来看本文方法对于颜色形状差异较小、拍摄角度随机的图像的识别率还比较低。不断丰富识别器官，寻找更加准确的特征描述，构建高效稳定的识别模型将是下一步花卉种类识别的3个研究重点。

图 1 欧美杨叶片表面对不同粒径ZnO颗粒物的吸附

a.未经ZnO处理；b.NPs处理；c.BPs处理；d.MPs处理。图像拍摄倍数均为500×。

Figure 1. Adhesion of ZnO particles on the adaxial surfaces of poplar leaves exposed to different size ZnO aerosol

a, untreated with ZnO; b, NPs treated; c, BPs treated; d, MPs treated. Image magnification was 500×.

下载: 全尺寸图片幻灯片

图 2 不同处理时间下欧美杨叶片对不同粒径氧化锌颗粒物的吸附含量

Figure 2. Deposition of different size particles on poplar leaves exposed to different size ZnO aerosol

下载: 全尺寸图片幻灯片

图 3 不同处理时间下欧美杨叶片对不同粒径氧化锌颗粒物的吸收含量

Figure 3. Absorption of different size particles in poplar leaves exposed to different size ZnO aerosol

下载: 全尺寸图片幻灯片

图 4 不同处理时间下欧美杨对不同粒径颗粒物的吸收量与吸附量比值

Figure 4. Proportion between particle absorption and deposition on poplar leaves under different treating time

下载: 全尺寸图片幻灯片

图 5 不同粒径氧化锌颗粒物对欧美杨叶片光合参数的影响

Figure 5. Impacts of different size ZnO particles on photosynthetic characteristics of poplar leaves

下载: 全尺寸图片幻灯片

表 1 欧美杨叶片表面吸附颗粒物的粒径分布

Table 1 Size distribution of the particles on the leaf surface of P. deltoides × P. nigra

颗粒物粒径 Particle size/μm	NPs			BPs			MPs
颗粒物粒径 Particle size/μm	4 d	16 d	增长率 Increasing rate	4 d	16 d	增长率 Increasing rate	4 d	16 d	增长率 Increasing rate
0.1~0.5	418.35±68.62	737.28±125.39	1.76	290.88±63.15	534.52±196.32	1.83	45.03±21.32	143.2±63.59	3.18
0.5~1.0	66.72±15.30	176.49±23.65	2.63	60.55±23.01	182±72.30	3.01	115.63±32.56	433.23±145.20	3.74
1.0~2.5	22.23±6.33	151.68±69.35	6.8	54.83±20.36	36.12±12.68	0.65	51.52±15.9	128.1±8.66	2.51
>2.5	2.03±0.32	2.86±0.63	1.43	5.6±0.95	2.60±0.32	0.464	2.84±0.67	4.25±0.32	1.40
总个数 Total number	509.3	1 067.82	2.09	411.87	755.24	1.83	224.99	708.56	3.14
注：NPs为粒径约30 nm的颗粒物; BPs为粒径约100 nm的颗粒物; MPs为粒径约1.0 μm的颗粒物。下同。数值为12个视野的平均值±SD，500×。Notes：NPs, particle average diameter about 30 nm; BPs, particle average diameter about 100 nm; MPs, particle average diameter about 1.0 μm. Same as below. Value was an average of 12 fields of view ±SD, 500×.

下载: 导出CSV

参考文献(43)

[1]	LI Z Q, NIU F, FAN J W, et al. Long-term impacts of aerosols on the vertical development of clouds and precipitation[J]. Nature Geoscience, 2011, 4(12): 888-894. doi: 10.1038/ngeo1313
[2]	POSFAI M, BUSECK P R. Nature and climate effects of individual tropospheric aerosol particles[J]. Annual Review of Earth and Planetary Sciences, 2010, 38(1): 17-43. doi: 10.1146/annurev.earth.031208.100032
[3]	WANG Y, WAN Q, MENG W, et al. Long-term impacts of aerosols on precipitation and lightning over the pearl river delta megacity area in China[J]. Atmospheric Chemistry and Physics, 2011, 11(23): 12421-12436. doi: 10.5194/acp-11-12421-2011
[4]	DING X, WANG M, CHU H, et al. Global gene expression profiling of human bronchial epithelial cells exposed to airborne fine particulate matter collected from Wuhan, China[J]. Toxicology Letters, 2014, 228(1): 25-33. doi: 10.1016/j.toxlet.2014.04.010
[5]	YU H, KAUFMAN Y J, CHIN M, et al. A review of measurement-based assessments of the aerosol direct radiative effect and forcing[J]. Atmospheric Chemistry and Physics, 2006, 6: 613-666. doi: 10.5194/acp-6-613-2006
[6]	MORGENSTERN V, ZUTAVERN A, CYRYS J, et al. Respiratory health and individual estimated exposure to traffic-related air pollutants in a cohort of young children[J]. Occupational and Environmental Medicine, 2007, 64(1): 8-16. http://d.old.wanfangdata.com.cn/OAPaper/oai_pubmedcentral.nih.gov_2092590
[7]	ARNOLD C. Disease burdens associated with PM_2.5 exposure how a new model provided global estimates[J]. Environmental Health Perspectives, 2014, 122(4): 111-116. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=94e90f9ebb63eb6ba27225396c6b8b9c
[8]	NGUYEN T, YU X, ZHANG Z, et al. Relationship between types of urban forest and PM2. 5 capture at three growth stages of leaves[J]. Journal of Environmental Sciences-China, 2015, 27: 33-41. doi: 10.1016/j.jes.2014.04.019
[9]	刘庆倩, 石婕, 安海龙, 等.应用¹⁵N示踪研究欧美杨对PM_2.5无机成分NH₄⁺和NO₃^-的吸收与分配[J].生态学报, 2015, 35(19): 1-10. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=stxb201519032 LIU Q Q, SHI J, AN H L, et al. Absorption and distribution of NH₄⁺ and NO₃^- in PM_2.5 in Populus euramericana Neva. by ¹⁵N Tracing[J]. Acta Ecologica Sinica, 2015, 35(19): 1-10. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=stxb201519032
[10]	HU Y, FERNANDEZ V, MA L, et al. Nitrate transporters in leaves and their potential roles in foliar uptake of nitrogen dioxide[J]. Frontiers in Plant Science, 2014, 5: 360. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=Doaj000004618335
[11]	安海龙, 刘庆倩, 曹学慧, 等.不同PM_2.5污染区常见树种叶片对PAHs的吸收特征分析[J].北京林业大学学报, 2016, 38(1): 59-66. doi: 10.13332/j.1000--1522.20150164 AN H L, LIU Q Q, CAO X H, et al. Absorption features of PAHs in leaves of common tree species at different PM_2.5 polluted places[J]. Journal of Beijing Forestry University, 2016, 38(1): 59-66. doi: 10.13332/j.1000--1522.20150164
[12]	曹学慧, 安海龙, 刘庆倩, 等.欧美杨对PM_2.5中重金属铅的吸附、吸收及适应性变化[J].生态学杂志, 2015, 34(12): 1-9. http://d.old.wanfangdata.com.cn/Periodical/stxzz201512015 CAO X H, AN H L, LIU Q Q, et al. Adhesion and absorption of Pb in PM_2.5 and adaptative changes in Populous euramericana[J]. Chinese Journal of Ecology, 2015, 34(12): 1-9. http://d.old.wanfangdata.com.cn/Periodical/stxzz201512015
[13]	谢滨泽, 王会霞, 杨佳, 等.北京常见阔叶绿化植物滞留PM_2.5能力与叶面微结构的关系[J].西北植物学报, 2014, 34(12): 2432-2438. doi: 10.7606/j.issn.1000-4025.2014.12.2432 XIE B Z, WANG H X, YANG J, et al. Retention capability of PM_2.5 and explanation by leaf surface microstructure of commom bread leaves plant species in Beijing[J]. Acta Botanica Borealioccidentalia Sinica, 2014, 34(12): 2432-2438. doi: 10.7606/j.issn.1000-4025.2014.12.2432
[14]	SONG Y S, MAHER B A, LI F, et al. Particulate matter deposited on leaf of five evergreen species in Beijing, China: source identification and size distribution[J]. Atmospheric Environment, 2015, 105: 53-60. doi: 10.1016/j.atmosenv.2015.01.032
[15]	NOWAK D J, HIRABAYASHI S, BODINE A, et al. Modeled PM_2.5 removal by trees in ten USA cities and associated health effects[J]. Environmental Pollution, 2013, 178: 395-402. doi: 10.1016/j.envpol.2013.03.050
[16]	HWANG H J, YOOK S J, AHN K H. Experimental investigation of submicron and ultrafine soot particle removal by tree leaves[J]. Atmospheric Environment, 2011, 45(38): 6987-6994. doi: 10.1016/j.atmosenv.2011.09.019
[17]	梁丹, 王彬, 王云琦, 等.北京市典型绿化灌木阻滞吸附PM_2.5能力研究[J].环境科学, 2014, 35(9): 3605-3611. http://d.old.wanfangdata.com.cn/Periodical/hjkx201409055 LIANG D, WANG B, WANG Y Q, et al. Ability of typical greenery shrubs of Beijing to adsorb and arrest PM_2.5[J]. Environmental Science, 2014, 35(9): 3605-3611. http://d.old.wanfangdata.com.cn/Periodical/hjkx201409055
[18]	GUO S, HU M, ZAMORA M L, et al. Elucidating severe urban haze formation in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2014, 111(49): 17373-17378. doi: 10.1073/pnas.1419604111
[19]	MIRALLES P, CHURCH T L, HARRIS A T. Toxicity, uptake, and translocation of engineered nanomaterials in vascular plants[J]. Environmental Science and Technology, 2012, 46(17): 9224-9239. doi: 10.1021/es202995d
[20]	王晴晴, 马永亮, 谭吉华, 等.北京市冬季PM_2.5中水溶性重金属污染特征[J].中国环境科学, 2014, 34(9): 2204-2210. http://d.old.wanfangdata.com.cn/Periodical/zghjkx201409006 WANG Q Q, MA Y L, TAN J H, et al. Characterization of water-soluble heavy metals of PM_2.5 during winter in Beijing[J]. China Environmental Science, 2014, 34(9): 2204-2210. http://d.old.wanfangdata.com.cn/Periodical/zghjkx201409006
[21]	于扬, 岑况, Stefan Norra, 等.北京市PM_2.5中主要重金属元素污染特征及季节变化分析[J].现代地质, 2012, 26(5): 975-982. doi: 10.3969/j.issn.1000-8527.2012.05.018 YU Y, CEN K, NORRA S, et al. Concentration characteristics and seasonal trend of main heavy metal elements of PM_2.5 in Beijing[J]. Geoscience, 2012, 26(5): 975-982. doi: 10.3969/j.issn.1000-8527.2012.05.018
[22]	HONG J, PERALTAVIDEA J R, RICO C, et al. Evidence of translocation and physiological impacts of foliar applied CeO₂ nanoparticles on cucumber (Cucumis sativus) plants[J]. Environment Science and Technology, 2014, 48(8): 4376-4385. doi: 10.1021/es404931g
[23]	OTTELE M, BOHEMEN H D V, FRAAIJ A L A. Quantifying the deposition of particulate matter on climber vegetation on living walls[J]. Ecological Engineering, 2010, 36(2): 154-162. doi: 10.1016/j.ecoleng.2009.02.007
[24]	JANHALL S. Review on urban vegetation and particle air pollution deposition and dispersion[J]. Atmospheric Environment, 2015, 105: 130-137. doi: 10.1016/j.atmosenv.2015.01.052
[25]	王晓磊, 王成.城市森林调控空气颗粒物功能研究进展[J].生态学报, 2014, 34(8): 1910-1921. http://d.old.wanfangdata.com.cn/Periodical/stxb201408002 WANG X L, WANG C. Research status and prospects on functions of urban forests in regulating the air particulate matter[J]. Acta Ecologica Sinica, 2014, 34(8): 1910-1921. http://d.old.wanfangdata.com.cn/Periodical/stxb201408002
[26]	杨佳, 王会霞, 谢滨泽, 等.北京9个树种叶片滞尘量及叶面微形态解释[J].环境科学研究, 2015, 28(3): 384-392. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=664064541 YANG J, WANG H X, XIE Z B, et al. Accumulation of particulate matter on leaves of nine urban greening plant species with different micromorphological structures in Beijing[J]. Research of Environmental Sciences, 2015, 28(3): 384-392. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=664064541
[27]	陈波, 鲁绍伟, 李少宁, 等.北京城市森林不同天气状况下PM_2.5浓度变化[J].生态学报, 2016, 36(5): 1391-1399. http://d.old.wanfangdata.com.cn/Periodical/stxb201605023 CHEN B, LU S W, LI S N, et al. Dynamic analysis of PM_2.5 concentration in urban forests in Beijing for various weather conditions[J]. Acta Ecologica Sinica, 2016, 36(5): 1391-1399. http://d.old.wanfangdata.com.cn/Periodical/stxb201605023
[28]	戴斯迪, 马克明, 宝乐, 等.北京城区公园及其邻近道路国槐叶面尘分布与重金属污染特征[J].环境科学学报, 2013, 33(1): 154-162. http://d.old.wanfangdata.com.cn/Periodical/hjkxxb201301022 DAI S D, MA K M, BAO L, et al. Distribution of particle matters and contamination of heavy metals in the foliar dust of Sophora japonica in parks and their neighboring roads in Beijing[J]. Acta Scientiae Circumstantiae, 2013, 33(1): 154-162. http://d.old.wanfangdata.com.cn/Periodical/hjkxxb201301022
[29]	杨柳, 吴烨, 宋少洁, 等.不同交通状况下道路边大气颗粒物数浓度粒径分布特征[J].环境科学, 2012, 33(3): 694-700. http://d.old.wanfangdata.com.cn/Periodical/hjkx201203004 YANG L, WU Y, SONG S J, et al. Particle number size distribution near a major road with different traffic conditions[J]. Environmental Science, 2012, 33(3): 694-700. http://d.old.wanfangdata.com.cn/Periodical/hjkx201203004
[30]	赵松婷, 李新宇, 李延明.园林植物滞留不同粒径大气颗粒物的特征及规律[J].生态环境学报, 2014, 23(2): 271-276. doi: 10.3969/j.issn.1674-5906.2014.02.014 ZHAO S T, LI X Y, LI Y M. The characteristics of deposition of airborne particulate matters with different size on certain plants[J]. Ecology and Environmental Sciences, 2014, 23(2): 271-276. doi: 10.3969/j.issn.1674-5906.2014.02.014
[31]	TERZAGHI E, WILD E, ZACCHELLO G, et al. Forest filter effect: role of leaves in capturing/releasing air particulate matter and its associated PAHs[J]. Atmospheric Environment, 2013, 74(2): 378-384. https://www.sciencedirect.com/science/article/pii/S1352231013002586
[32]	TEPER E. Dust-particle migration around flotation tailings ponds: pine needles as passive samplers[J]. Environmental Monitoring and Assessment, 2009, 154(1-4): 383-391. doi: 10.1007/s10661-008-0405-4
[33]	王慧, 刘庆倩, 安海龙, 等.城市环境中毛白杨和油松叶片表面颗粒污染物的观察[J].北京林业大学学报, 2016, 38(8): 28-35. doi: 10.13332/j.1000-1522.20160065 WANG H, LIU Q Q, AN H L, et al. Observation of particulate pollutants retained on Populus tomentosa and Pinus tabulaeformis leaves in urban environment[J]. Journal of Beijing Forestry University, 2016, 38(8): 28-35. doi: 10.13332/j.1000-1522.20160065
[34]	史军娜, 张罡, 安海龙, 等.北京市16种树木吸附大气颗粒物的差异及颗粒物研究[J].北京林业大学学报, 2016, 38(12): 84-91. doi: 10.13332/j.1000-1522.20160053 SHI J N, ZHANG G, AN H L, et al. Differences in atmospheric particle accumulation on leaf surface in sixteen tree species in Beijing and characteristics of particles[J]. Journal of Beijing Forestry University, 2016, 38(12): 84-91. doi: 10.13332/j.1000-1522.20160053
[35]	EICHERT T, KURTZ A, STEINER U, et al. Size exclusion limits and lateral heterogeneity of the stomatal foliar uptake pathway for aqueous solutes and water-suspended nanoparticles[J]. Physiologia Plantarum, 2008, 134(1): 151-160. doi: 10.1111/j.1399-3054.2008.01135.x
[36]	XIONG T T, LEVEQUE T, AUSTRUY A, et al. Foliar uptake and metal(loid) bioaccessibility in vegetables exposed to particulate matter[J]. Environmental Geochemistry and Health, 2014, 36(5): 897-909. doi: 10.1007/s10653-014-9607-6
[37]	陈世宝, 孙聪, 魏威, 等.根细胞壁及其组分差异对植物吸附、转运Zn的影响[J].中国环境科学, 2012, 32(9): 1670-1676. doi: 10.3969/j.issn.1000-6923.2012.09.019 CHEN S B, SUN C, WEI W, et al. Difference in cell wall components of roots and its effect on the transfer factor of Zn by plant species[J]. China Environmental Science, 2012, 32(9): 1670-1676. doi: 10.3969/j.issn.1000-6923.2012.09.019
[38]	PRAJAPATI S K, TRIPATHI B D. Seasonal variation of leaf dust accumulation and pigment content in plant species exposed to urban particulates pollution[J]. Journal of Environmental Quality, 2008, 37(3): 865-870. doi: 10.2134/jeq2006.0511
[39]	FERNANDEZ V, EICHERT T. Uptake of hydrophilic solutes through plant leaves: current state of knowledge and perspectives of foliar fertilization[J]. Critical Reviews in Plant Sciences, 2009, 28(1): 36-68. doi: 10.1080/07352680902743069?journalCode=bpts20
[40]	李威, 黄进, 李其昌, 等.纳米颗粒对植物光合作用影响机制的研究[J].生物学杂志, 2015(5): 63-66. doi: 10.3969/j.issn.2095-1736.2015.05.063 LI W, HUANG J, LI Q C, et al. Effect of nanoparticles on plant photosynthesis mechanism[J]. Journal of Biology, 2015(5): 63-66. doi: 10.3969/j.issn.2095-1736.2015.05.063
[41]	许大全.光合作用气孔限制分析中的一些问题[J].植物生理学报, 1997, 33(4): 241-244. doi: 10.1063-1.1913612/ XU D Q. Some problem in stomatal limitation analysis of photosynthesis[J]. Plant Physiology Communication, 1997, 33(4): 241-244. doi: 10.1063-1.1913612/
[42]	宋丽莉, 赵华强, 朱小倩, 等.高温胁迫对水稻光合作用和叶绿素荧光特性的影响[J].安徽农业科学, 2011, 39(22): 13348-13353. doi: 10.3969/j.issn.0517-6611.2011.22.035 SONG L L, ZHAO H Q, ZHU X Q, et al. Effect of high temperature stress on photosynthesis and chlorophyll fluorescence of rice[J]. Journal of Anhui Agriculture Science, 2011, 39(22): 13348-13353. doi: 10.3969/j.issn.0517-6611.2011.22.035
[43]	裴斌, 张光灿, 张淑勇, 等.土壤干旱胁迫对沙棘叶片光合作用和抗氧化酶活性的影响[J].生态学报, 2013, 33(5): 1386-1396. http://d.old.wanfangdata.com.cn/Periodical/stxb201305006 PEI B, ZHANG G C, ZHANG S Y, et al. Effects of soil drought stress on photosynthetic characteristics and antioxidant enzyme activities in Hippophae rhamnoides seedings[J]. Acta Ecologica Sinica, 2013, 33(5): 1386-1396. http://d.old.wanfangdata.com.cn/Periodical/stxb201305006

施引文献(22)

期刊类型引用(11)

1.	李鑫磊，杨传颖，石宝，敖乐根. 基于深度哈希与注意力机制的花卉图像检索. 计算机仿真. 2024(02): 207-211+532 . 百度学术
2.	陈泽伟，乔印虎，周玉蝶. 基于机器视觉的白芍药材双面品质检测系统. 常州工学院学报. 2024(02): 1-7 . 百度学术
3.	崔艳荣，卞珍怡，高英宁. 基于生成对抗网络的花卉识别方法. 江苏农业科学. 2022(22): 200-208 . 百度学术
4.	何进荣，任维鑫，石延新，白宗文. 基于卷积神经网络的牡丹花品种识别. 系统仿真技术. 2021(02): 128-133 . 百度学术
5.	吴丽娜，王林山. 改进的LeNet-5模型在花卉识别中的应用. 计算机工程与设计. 2020(03): 850-855 . 百度学术
6.	黄清梅，杨晓洪，侯瑶，刘艳芳，吕宏斌. 显色图像分析技术在水稻叶耳花青甙显色目测分级中的应用. 食品安全质量检测学报. 2020(07): 2050-2056 . 百度学术
7.	任意平，夏国强，李俊丽. 基于花蕊区域定位的花卉识别方法. 电子测量技术. 2020(07): 97-102 . 百度学术
8.	李晓红，吴仲华，刘海秋，马慧敏. 基于卷积神经网络模型的多肉植物种类识别. 贵州师范学院学报. 2020(03): 9-15 . 百度学术
9.	刘嘉政. 基于深度迁移学习模型的花卉种类识别. 江苏农业科学. 2019(20): 231-236 . 百度学术
10.	刘文定，李安琪，张军国，谢将剑，鲍伟东. 基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别. 北京林业大学学报. 2018(08): 123-131 . 本站查看
11.	张彤，刘志，庄新卿. 基于开发者平台和深度学习的智能识花与护花系统. 工业控制计算机. 2018(01): 90-92 . 百度学术

其他类型引用(11)

资源附件(0)

图(5) / 表(1)

计量

文章访问数: 2326
HTML全文浏览量: 505
PDF下载量: 27
被引次数: 22

1. 花卉图像预处理
2. 花卉图像特征提取
2.1 花冠颜色特征提取
2.1.1 色彩模型选择
2.1.2 HS量化特征提取
2.2 花冠形状特征提取
2.2.1 花冠锐度SF1
2.2.2 归一化的边界中心距SF2
2.2.3 圆形性SF3
2.3 花蕊区域特征提取
2.3.1 花蕊区域颜色特征提取
2.3.2 花蕊区域形状特征提取
3. 分类器设计与参数选择
4. 基于多特征融合的花卉种类识别模型
5. 实验与分析
5.1 自建花卉样本库实验与分析
5.2 通用花卉样本库实验与分析
6. 结论与讨论

1. 花卉图像预处理
2. 花卉图像特征提取
2.1 花冠颜色特征提取
2.1.1 色彩模型选择
2.1.2 HS量化特征提取
2.2 花冠形状特征提取
2.2.1 花冠锐度SF₁
2.2.2 归一化的边界中心距SF₂
2.2.3 圆形性SF₃
2.3 花蕊区域特征提取
2.3.1 花蕊区域颜色特征提取
2.3.2 花蕊区域形状特征提取
3. 分类器设计与参数选择
4. 基于多特征融合的花卉种类识别模型
5. 实验与分析
5.1 自建花卉样本库实验与分析
5.2 通用花卉样本库实验与分析
6. 结论与讨论

参考文献(43)

施引文献(22)

资源附件(0)

欧美杨对不同粒径氧化锌颗粒物的吸附与吸收能力

作者简介: 张罡。主要研究方向：植物抗逆生理生态学。Email：zhanggang@bjfu.edu.cn 地址：100083 北京市海淀区清华东路35号北京林业大学生物科学与技术学院

责任作者: 尹伟伦，教授，博士生导师。主要研究方向：植物抗逆生理及分子机制。Email: yinwl@bjfu.edu.cn 地址：同上

计量

出版历程