[论文解读] ColourQuant: a high-throughput technique to extract and quantify colour phenotypes from plant images

Mao Li, Margaret H. Frank+1 more|arXiv (Cornell University)|Mar 5, 2019

Leaf Properties and Growth Measurement参考文献 16被引用 4

一句话总结

ColourQuant 是一种高通量流程，通过使用平均像素值、Lab 色彩空间高斯密度估计和圆形形变分析，实现从图像中自动提取和量化植物颜色表型，以评估与形状无关的颜色模式。该方法可实现精确、可扩展的植物表型分析，适用于植物育种和生态学研究。

ABSTRACT

Colour patterning contributes to important plant traits that influence ecological interactions, horticultural breeding, and agricultural performance. High-throughput phenotyping of colour is valuable for understanding plant biology and selecting for traits related to colour during plant breeding. Here we present ColourQuant, an automated high-throughput pipeline that allows users to extract colour phenotypes from images. This pipeline includes methods for colour phenotyping using mean pixel values, Gaussian density estimator of Lab colour, and the analysis of shape-independent colour patterning by circular deformation.

研究动机与目标

• 解决在高通量植物育种和生态学研究中对可扩展、自动化植物颜色特征表型分析的需求。
• 克服现有方法在标准化、可重复性方面不足，或无法将颜色特征与形状特征分离的局限性。
• 开发一种稳健的开源流程，量化植物图像中的平均颜色和复杂颜色模式。
• 实现在多种植物物种和成像条件下精确、可重复的颜色表型分析。
• 通过提供基于图像的定量颜色度量，支持遗传学和生态学研究中的性状分析。

提出的方法

• 该流程结合使用 RGB 和 Lab 色彩空间中的平均像素值提取，对基本颜色进行量化。
• 应用高斯密度估计器对 Lab 色彩值的分布进行建模，从而实现对颜色变异的稳健表征。
• 采用圆形形变分析方法，通过评估与均匀圆形颜色分布的偏离程度，量化与形状无关的颜色模式。
• 整合图像预处理步骤（如分割和归一化），以确保在多种成像条件下的一致性。
• 该流程使用 Python 实现，支持批量处理，可对大规模图像数据集进行高通量分析。
• 按植物器官（如叶片、花朵）提取颜色度量，并以结构化输出存储，便于后续统计分析。

实验结果

研究问题

• RQ1 如何在多种成像条件下，以高通量和可重复的方式量化植物颜色表型？
• RQ2 在植物图像中，颜色模式在多大程度上可以与形状特征分离，以实现准确的表型分析？
• RQ3 与仅使用平均像素值相比，Lab 色彩空间的高斯密度估计是否能提升颜色表型提取的鲁棒性？
• RQ4 圆形形变方法如何检测并量化与目标几何形状无关的复杂颜色模式？
• RQ5 该流程是否可在不同植物物种和发育阶段中可靠应用，且用户干预最少？

主要发现

• ColourQuant 在多种成像条件下均能以高可重复性从植物图像中提取平均颜色值和颜色分布模式。
• Lab 色彩空间中的高斯密度估计器相较于仅使用平均像素值，能提供更细致且稳健的颜色变异表征。
• 圆形形变分析有效捕捉了复杂颜色模式，且不受植物器官几何形状的影响。
• 该流程可实现每小时处理数百张图像的高通量处理，适用于大规模育种和筛选应用。
• 通过合成图像和真实植物图像的验证，证实 ColourQuant 能准确区分具有生物学意义的颜色表型。
• 该方法表现出优异的可重复性和可扩展性，适用于集成到自动化表型平台中。