P-TRAP:穗性状表型分析工具

背景

在作物中，花序的复杂性和种子的形状和大小是影响产量的最重要的特征。例如，水稻的穗在分枝的数量和顺序、轴的伸长以及种子的形状和大小方面有很大的差异。手工低通量表型分析方法耗时，且结果不可靠。然而，对水稻穗的定性和定量性状的高通量图像分析对于了解穗的多样性和育种计划是必不可少的。

结果

本文介绍了P-TRAP软件(穗性状表现型)，这是一个免费的开源应用程序，用于穗结构和种子相关性状的高通量测量。该软件是用Java编写的，可以在不同的平台上使用(用户友好的图形用户界面(GUI)使用Netbeans Platform 7.3)。该应用程序提供了三个主要工具:一个用于分析穗结构的工具、一个用于分析小穗/粒数的工具和一个用于分析种子形状的工具。这三种工具可以独立使用，也可以同时用于分析同一幅图像。然后以可扩展标记语言(XML)和逗号分隔值(CSV)文件格式报告结果。利用水稻穗部图像评价软件的效率和鲁棒性。与人工处理的数据相比，P-TRAP在更短的时间内获得了可靠的结果。此外，手工处理是不可重复的，因为干燥的圆锥花序很容易损坏。该软件非常实用，收集的数据比人工操作人员多得多。

结论

P-TRAP是一种新的开源软件，可以自动识别穗的结构和穗上种子的数字图像。该软件处理和量化了与穗型结构相关的几个性状，检测和计数籽粒，并测量其形状参数。简而言之，P-TRAP提供了高效的结果和用户友好的实验环境。实验结果表明，与现场操作、专家验证和知名学术方法相比，该方法具有很好的准确性。

水稻花序(或穗)的结构对水稻育种非常重要，因为它直接影响每穗的粒数，进而影响最终的水稻产量。水稻穗是一个复杂的分枝结构，由一个主轴(轴)承载着被称为主枝(Pb)的侧枝，它承载着所谓的次级枝(Sb)，从次级枝可以观察到更高阶的分枝(图)1)．初级，次级和高级分枝具有由颖片(苞片状器官)和小花组成的小穗。在水稻中，一个小穗包含一个可育小花和一对不育的外稃(也称为“空颖片”)，后面是一对高度减少的颖片，称为残颖片[1］．因此，每穗的小穗数(进而是粒数)与分枝的复杂性(分枝的数量和顺序)有关。穗枝分枝是一个高度复杂的过程，受遗传、激素和环境因素的影响(见[2]以回顾水稻产量的遗传和分子基础)。在亚洲水稻栽培品种中，已经发现了几个与分生组织形成或命运、激素生物合成或反应有关的基因，这些基因有助于穗部分枝的复杂性栽培稻从定量性状位点(QTL)定位群体和突变体分析[2，3.］．然而，穗部分枝复杂性的QTL定位表明，该性状受多种基因控制，尚待进一步鉴定[2］．此外，水稻品种表现出广泛的形态特征(包括穗复杂性)、生态生境和对非生物和生物胁迫的耐受性。属选用约有23种，其中只有两种是栽培种，o .漂白亚麻纤维卷而且o . glaberrima，分别产自亚洲和非洲[4］．

不同品种的水稻穗结构在分枝的数量、顺序、轴伸长等方面存在较大差异。形态性状的自然种间和种内变异在很大程度上是一种未开发的、非常有价值的遗传改良资源。为了高效地选择有利于育种的等位基因，需要在表型和分子遗传水平上对自然变异进行很好的表征。此外，自然变异的研究对于了解形态性状的演化及其分子遗传机制也具有重要意义。为了充分利用水稻穗类资源的多样性，需要对穗类形态性状进行鉴定和定量分析。植物表型分析包括筛选大量的资源，以促进新的有趣的性状的发现，并分析已知的表型数据，以确定与它们的多样性有关的基因，从而能够在植物育种中使用这些基因。为了收集这些数据，通常的程序包括辛苦的手工测量预定义的性状，如穗长、分枝数、分枝顺序、粒数和粒大小。根据穗的复杂程度，人工表型分析是耗时的，不可能评估和量化所有性状(如分枝和小穗在穗中的位置)，以获得准确的穗结构概述。此外，人工分型往往对植物具有破坏性，使其无法使用同一穗来测量其他性状。鉴于基因发现和作物改良的重要性，因此迫切需要将这些冗长而耗时的工作自动化。 The development of an easy high-throughput panicle phenotyping method should aim to standardize the measurement and extraction of panicle traits. In recent years, plant phenotyping research has led to the development of software for plant screening facilities. Recent image processing solutions, such as TraitMill and HTPheno, offer general analysis for the measurement of plant height, volume and colorimetry [5，6］．

其他软件提供基于二维图像的半自动处理，用于叶片表型分型(Phenopsis或LAMINA)和根数据监测(GROWSCREEN) [7- - - - - -9］．已经开发了特定的基于水稻图像的解决方案，用于表型分型，并涉及参数的测量，如籽粒大小(长度、宽度和厚度)、穗长和分蘖数[10，11］．然而，这些方法不能适应水稻穗型结构表型，且需要昂贵的设备。Ikeda等［12]开发了一款名为PASTAR(水稻穗结构分析仪)和PASTA Viewer的软件，可以从扫描的穗图像中自动提取长度、分枝数和粒数的值。然而，该软件是有许可证的，因此限制了科学界的访问。最近，一个名为Smartgrain的程序被开发出来量化种子的形状和大小。然而，该软件不处理附着在穗上的粒，而只处理单个粒[13］．在这种情况下，开发一种基于二维图像处理的易于使用的免费开源软件对水稻穗型结构的分析非常重要。

在这里，我们提出了一个基于java的独立应用程序，名为P-TRAP(为穗性状表型)，以方便地量化二维穗性状。劳动密集型的处理是自动化的，但后处理选项允许用户使用他们的专家知识提高分析的质量。该管道有不同的工具:一个工具来分析穗结构，一个小穗/粒数和形状分析工具。该软件允许从由不同形态性状组成的扩散穗图像自动检测穗的结构，而这些性状是不容易通过人工表型分型获得的。小穗/粒数选项检测穗上的粒数，计数并量化不同的形状参数。P-TRAP的新颖之处在于在同一幅图像上同时分析穗型结构和粒数/形状。这些形状参数也可以从传播种子的图像中测量出来。该接口允许同时(或单独)执行两种分析，并以不同的输出格式(CSV和XML)提取不同的特征，以方便数据分析和访问OpenAlea平台设施[14］．在本研究中，我们利用该程序对不同品种的穗部结构进行了分析o .漂白亚麻纤维卷，o . glaberrima而且o . barthii并将测量结果与人工测量结果进行比较，以检验该软件的鲁棒性。

P-TRAP是用Java编写的，具有用户友好的GUI。GUI构建在Netbeans平台(版本7.3)之上，该平台为系统架构提供了模块化基础。该软件为用户提供了不同的功能来进行他们的实验，并编辑和收集最终的结果。它提供了一个编辑器的输入图像，穗结构和颗粒。用户交互主要是通过使用鼠标或键盘快捷键来完成的。此外，开发人员可以很容易地向应用程序添加新功能，因为它是非常模块化的。

穗性状计算管道

源图像

输入是一个扩散的圆锥的RGB图像，固定在白色背景的中心。金属销钉被用来固定在拍摄现场(图2一个)。

在P-TRAP中，用户首先必须创建一个项目。然后可以导入源图像，使用GUI进行处理。项目可以包含一个或多个图像。它们可以单独处理，也可以批处理，以支持不同的工作流规模。基本的预处理步骤可以应用到图像上。裁剪和缩放过程是可用的，可以使用GUI交互执行。

圆锥花序结构检测

穗性状的量化是基于对穗结构的检测，然后将骨架转换为数学图形(附加文件1)．将圆锥图像转换为图形的管道可以描述为:输入图像我转换为灰度，然后是核为size的高斯模糊滤波器kernelSize用于平滑图像。使用均值-c局部阈值方法对平滑后的图像进行局部阈值处理[15，生成二值图像。使用模糊滤波器来获得平滑的二值图像，从而得到包含较少不需要的小尖峰的骨架图像[16］．由于图像亮度的变化，二值图像中可能会保留小孔。除非这些孔被填满，否则相应的循环可能会出现在骨架中，这可能会在骨架分析任务期间导致一些问题(附加文件1)．为解决这一问题，采用面积≤的小孔minParticle被填充以产生“固体”二值图像，我_固体．

的我_固体图像由Zhang-Suen (ZS)减薄方法进行骨骼化[17］．这种方法的一个主要缺点是，最终的骨架可能会产生阶梯，在这种情况下，霍尔特阶梯去除法[18]。ZS方法的快速基于查找的实现可在[19］．为了定位图像中的圆锥骨架，需要搜索骨架图像中的所有成分。最大的被归还为圆锥花序骨架。骨架作为点的列表返回(skeletonList)，表示图像中骨架像素的位置。的xy-origin在图像的左上角。然后将该列表转换为一个图G然后进行清洗和精炼(G_精制)．清洗是基于去除长度小于阈值的终端边缘minSpike(默认值= 40像素，用户可修改)。如果一条边所连接的顶点中有且仅有一个相邻顶点，则该边为终端边。

圆锥花序结构量化

穗结构性状的计算是基于穗检测任务生成的数学图。量化包括两个主要步骤:顶点分类和图量化。

顶点分类

使用不同的类来区分图顶点的类型3.．顶点的分类如图所示4．用户标识生成顶点的开始和结束(图中的黄色圆圈)3.)，然后，将图的每个顶点分配给一个类。该软件将所有其他顶点分类为终端(红圈)或未分类。使用广度优先分解方法对未分类的顶点进行分类。顶点分类基于图的权重。我们将图的权值定义为顶点数量及其边(链接)长度的乘积。长度是用欧氏距离度量计算出来的。

首先，通过将开始生成顶点(图的主根)处的图分解为一组子图来识别主顶点(白圆)。因此，主根的每个邻居都是子图的一个根。在子图的根中，属于“最重”子图的根被选为“胜者”顶点，然后被分类为主顶点(如图4b, c)。其他根归为次生根(即。低一个级别)。类似地，最重的子图在根处被分解为子图，新的赢家被分类为主图，以此类推，直到到达结束生成点(如图4d-f)。

其余未分类顶点的分类方法与主要顶点相同。在每个次要顶点(有一个未分类的邻居)上，对其父子图进行分解，并将获胜顶点分类为次要顶点。其他丢失的顶点被分类为三级顶点等等(图4g).当图中的所有顶点都被分类后，分类就结束了4h).图术语定义如下:主轴(PA)为圆锥的主轴(即。穗轴)，副轴(SA)是直接附着于主枝(即。三轴(TA)是附在次轴(即。对应于圆锥花序的一个次级分枝);第四轴(QA)是附在第三轴(即。对应于圆锥花序的第三支)。

图量化

一旦对图中的每个顶点进行分类，就可以对穗的特征进行量化。量化任务如图所示5．该任务基于与前面描述的相同的广度优先图分解方法。一组更小的子图是通过对分类图的根进行分解而生成的。每个子图都有分解父图的根顶点的副本、一组边和一组顶点，其级别类低于根顶点。在这种情况下，如果我们将每个主顶点上的主图分解为一组子图，每个子图将有一个主类顶点和一个辅助轴。这个轴的长度是通过主顶点、辅助顶点和终端顶点的长度之和，终端顶点是最后一个辅助顶点的邻居，并且在其他终端邻居中拥有最长的边(图5c).类似地，我们可以通过将子图的每个次顶点分解为一组更小的子图，并计算每个子图中主路径的长度，来找到子图中第三轴的长度。该方法用于从生成的图中量化穗的结构特征。这些特征列于表中1．

最后，圆锥直径或主轴直径(PA_diameter的欧几里得距离图(EDM)得到我_固体使用在[中描述的有效算法的二值图像20.］．在EDM图像中，每个像素都有一个值来定义最大球的半径(该像素到图像背景的最大距离)。以开始生成点为圆心的半径较小的圆被定义为搜索区域。的PA_diameterValue然后估计为这个预定义搜索区域中最大像素值的平方根的两倍。

谷物的检测和定量

在水稻穗中，籽粒聚集在分枝中，大小可能不同，也可能重叠。这些特征可以防止图像上的种子被检测到。因此，我们使用了颗粒测量法[21］-［23)来寻找“完美”的颗粒尺寸，然后将其他颗粒与这个模型进行比较。同样的方法也用于检测展开穗上的种子以及展开穗上的种子。RGB图像转换为二值图像的方法与穗结构检测一节中描述的相同。颗粒测量学通过估计正确的磁盘大小所属的范围，通过预先定义的步长参数迭代增加打开磁盘的大小，并计算原始图像和打开图像之间的差异，确定数学形态学打开磁盘的完美大小。在这项工作中，进行了两个层次的形态开放。正式,让我_二进制是通过低通灰度版晶粒图像，应用均值-c局部阈值法得到的二值图像。此外,让d_最小值≤d_米≤d_马克斯为用户定义范围的磁盘大小。形态学上打开的版本我_二进制通过结构元素d_米可按粒子定义为:

在哪里P粒子集是通过打开获得的吗我_二进制通过d_米,n_P是他们的数量。为了得到最佳的圆盘尺寸，从而得到晶粒尺寸，目标函数定义为:

在哪里σ（我_二进制∘d_米为粒子面积的标准差(STD)。

通过对范围内的所有磁盘应用蛮力算法[d_最小值，d_马克斯当step参数为1时，该范围内Θ最大值为最优磁盘。(2)如果n_P<n_最小值,在那里n_最小值是一个小整数，不考虑Θ。Θ是最大化的，当n_P又大又σ较小，这意味着磁盘大小适当，因此是适当的粒度。一旦确定了适当的磁盘大小，完美的晶粒大小就是以该磁盘大小打开的二值图像中粒子的中位数。之所以选择中位数，是因为它具有良好的粗错容忍率和50%的分解点[24］．此时，第一个数学开口水平就完成了，具有完美的晶粒尺寸$\stackrel{̂}{p}$以及最佳磁盘大小${\stackrel{̂}{d}}_1$识别。

在第二级，磁盘的大小比第一级小${\stackrel{̂}{d}}_1$．这确保了打开过程只移除穗的薄部分，而保留分枝中的颗粒完好无损。在这个级别上，通过应用具有磁盘大小的形态开口，在每个分支中检测到较大的颗粒${\stackrel{̂}{d}}_2＝\frac{{\stackrel{̂}{d}}_1}{2}+C$,在那里C是一个小常数(C= 3在这个工作)。此外，每个粒子的凹点是通过检查粒子轮廓的凹度来计算的，如[25］．在这种方法中，半径为圆r与周边l以粒子轮廓的每一点为中心。让Ω(p_我)为粒子的轮廓点集合p_我．轮廓点的凹度ω_j∈Ω(p_我),j≤|Ω(p_我)|，以:

在哪里p_我是粒子和${\text{弧}}_{\text{在}（p_{我}）}$弧的长度在里面吗p_我．在这项工作中，一个轮廓点被称为凹，如果它的凹度≥0.6。

粮食量化

表格1列出不同的谷物性状。本节解释如何计算它们。给定完美谷物的面积($\text{区域}（\stackrel{̂}{p}）$)，面积(area(p_我))和凹点数目|凹(p_我)|p_我，每个粒子的最终颗粒数计算为:

在哪里α∈[0,1]是用户定义的参数。在实际应用中，颗粒面积比凹点数更能准确地估计出颗粒中的颗粒数。由于这个原因,α被设置为α= 0.7。基于始端晶粒检测管道的晶粒计数方法如图所示6．

籽粒性状计算

前面描述的晶粒检测方法设计用于检测分散的和聚集的晶粒。然而，分散的颗粒没有穗可以检测所有的计算所涉及的方法。在这个上下文中，我们使用了一个更简单的管道(类似于[中使用的管道)。13)，只是为了检测扩散的颗粒。基本上，给定一个二值图像我_二进制在美国，一个带有预先定义的小圆盘核的数学开口可以用来去除种子上的突起，并使晶粒的轮廓平滑。表中列出的籽粒性状1发现如下:

• 长度:等高线中任意两点之间的最长直线的长度。

  $$\mathit{\text{长度}}（p_{我}）＝\text{马克斯}\mathrm{\Delta }（{\omega }_j，{\omega }_k），\forall {\omega }_j，{\omega }_k\in \mathrm{\Omega }（p_{我}）\text{而且}j\ne k$$

  （5）

其中Δ(.，.)为欧氏距离度规。

• 宽度:对于等高线上的任意两点，宽度为垂直于长度线的最长直线的长度。

• 区域:二值图像中纹理的像素数:

  $$\mathit{\text{区域}}（p_{我}）＝|p_{我}|$$

  (6）

• 密实度:颗粒的面积与其轮廓(周长)的关系[26］，［27］．规范化的精确紧致度度量可定义为[28]:

  $$\mathit{\text{密实度}}（p_{我}）＝\frac{1}{2\pi }\times \frac{{\mu }_{0，0}}{{\mu }_{2，0}+{\mu }_{0，2}}$$

  (7）

在哪里μ_,,。是指定顺序的中心力矩。

• 椭圆率:测量晶粒的椭圆度[27］．

  $$\mathit{\text{椭圆率}}（p_{我}）＝\left\{\begin{array}{rcl}16{\pi }^2\frac{{\mu }_{2，0}{\mu }_{0，2}-{\mu }_{1，1}^2}{{\mu }_{0，0}^4}& \text{如果}\frac{{\mu }_{2，0}{\mu }_{0，2}-{\mu }_{1，1}^2}{{\mu }_{0，0}^4}& \le \frac{1}{16{\pi }^2}\\ \frac{1}{16{\pi }^2\frac{{\mu }_{2，0}{\mu }_{0，2}-{\mu }_{1，1}^2}{{\mu }_{0，0}^4}}& \text{否则}\end{array}\right.$$

  （8）

• 基于“增大化现实”技术:长宽比是指晶粒的长(长)轴和小(宽)轴之间的关系。

  $$\mathit{\text{基于“增大化现实”技术}}（p_{我}）＝\frac{\mathit{\text{长度}}（p_{我}）}{\mathit{\text{宽度}}（p_{我}）}$$

  （9)

P-TRAP架构和GUI

该系统由表中列出的11个主要模块组成2．数字7演示了不同模块和用户界面之间的处理管道交互。主GUI窗口有一组区域:项目经理，命令,工作空间(图8)．在项目经理，用户可以找到项目文件夹，其中包括源和处理过的图像和结果子文件夹。的命令区域由菜单和工具栏组成，这增加了可访问性，使查找特定的命令变得容易。在工作空间，可以同时显示多个不同的浮动窗口。在此区域，用户可以在结构编辑器．相同的按钮用于在所有窗口中执行相同的任务。例如，用户可以在纹理编辑器中查看和编辑纹理的结果，并使用保存按钮(软盘图标)保存更改(附加文件2)．相同的按钮可用于在结构编辑器中保存结构的校正结果，或在图像编辑器中保存裁剪后的图像。此外，每个编辑器都提供了上下文菜单、键盘驱动和鼠标驱动的命令。用户可以在结构编辑器中通过移动、删除或连接顶点来纠正顶点。此外，顶点的类可以更改，应用程序将尝试适应更改，或在检测到附加文件时显示错误提示2．

P-TRAP输出文件

从处理过的图像中收集的数据以两种不同的格式导出:XML和CSV。XML格式用于存储穗结构和颗粒颗粒，并可在转换为MTG(多尺度树图)格式后导出用于其他应用程序，如OpenAlea [14］．每次分析运行都会产生两个文件:.ricepr而且.ricegr分别为结构和晶粒。有关输出文件结构的更多信息，请参见附加文件2．系统亦会生成一个CSV文件，以方便将结果直接显示，并轻松转移至电子表格软件(如。Microsoft Excel)。穗和粒的量化结果存储在两个不同细节级别的文件中。这些CSV文件是:

• MainTraits.csv:包含穗部的主要通用数据。

• GrainsTraits.csv:包含谷物所有性状数据的平均值。

• AllTraits.csv:包含各分支特征的详细数据。

除了GrainsTraits.csv，每个图像都有一个结果文件，该文件分别描述了每个纹理特征粒子的文件夹．

为了评估P-TRAP的准确性，我们选取了来自o .漂白亚麻纤维卷，o . glaberrima而且o . barthii在结构和颗粒计数任务中进行了测试。使用数码相机(索尼DSC-W55)捕捉图像，并保存为JPEG格式(联合摄影专家组)。图像大小为2592 × 1944, 72 dpi(见附加文件)3.对于这个作品中测试的26张图片)。

对于籽粒检测和定量，既可以使用展开穗的RGB图像，也可以使用没有穗的展开种子图像2)．已使用数码相机(佳能PowerShot G12)捕捉到传播ou种子的特定图像，尺寸为3648 × 2048, 180 dpi, JPEG格式(见附加文件)4对于在这个工作中测试的图像)。

专家利用获得的图形和GUI选项对P-TRAP使用的结构发现进行了评估和调整，并与现场操作员创建结果(FO)获得的结果进行了比较。将颗粒计数方法与实验室计数(LC)和FO两种学术方法进行了比较。用于测试的参数值(以像素为单位)为minSpike= 40,kernelSize= 3 × 3和minParticle= 1000表示图像到图形的转换。颗粒计数,d_最小值而且d_马克斯分别设置为5和14像素。

圆锥花序结构

对于穗型结构的评价，只使用人工测量的主要性状(主轴长度、节点数、次轴和三轴的数量和长度)与P-TRAP得到的值进行比较。表格3.首先，通过比较专家评价前后的数据，总结了P-TRAP与人工测量结果之间的差异;其次，修正后的P-TRAP结果之间的差异(即。专家评价后的P-TRAP数据)和FO(现场操作员)获得的结果。

综合所有被测性状，P-TRAP自动结果与经专家评价的校正结果的平均偏差为2.68%，偏差范围为0.25% ~ 6.09%(表1)3.)．总的来说，这些值表明P-TRAP提供了强大的穗结构性状检测和量化，用户只需要少量的后处理。校正后的P-TRAP结果与FO的平均偏差为6.27%(偏差范围为2.06% ~ 12.14%)。较大的偏差是由节点数和三轴数(表中分别为节点nb和节点TA nb)引起的3.)．的值中观察到的大偏差TA_nb专家评估后，与FO相比，可能是由于圆锥有时没有适当地展开和分支重叠(如附加文件所示)5)．这个问题可以通过更好地将圆锥展开来解决。此外，圆锥图像被金属钉固定在背景上。在某些情况下，针脚伪造了树枝的伸长率。校正后的P-TRAP值和FO之间观察到的节点数的差异可能与软件和现场操作员对这一特征的评价不同有关。在软件中，每个辅助轴由一个单独的节点生成。然而，在某些访问中，辅助轴是由相同的节点产生的，字段操作符将它们视为单个节点。

与FO相比，原始P-TRAP结果的正确率超过90%，这对于这个难题来说是可以接受的。这些比较表明，只要穗在背景下适当展开，P-TRAP就能提供可靠的穗性状量化。

粒数和粒性状

颗粒计数评价中P-TRAP、FO、LC和学术方法的结果见表4．这些学术方法包括分水岭转换(WS) [29]和中心支持分割(CSS) [30.)方法(表4)．由于不适合将这些方法直接应用于原始的二进制图像(图6a)，它们被应用于从第二级数学开口获得的图像，其中圆锥的薄部分被删除，只保留颗粒簇(图6c)。

原始P-TRAP结果与FO之间的平均偏差为7.44%(偏差范围从0.86%到30.88%，取决于图像的标准偏差为6.21%和正偏差符号)。结果与LC的偏差为6.84%(偏差范围为1.80% ~ 26.1%，标准差为4.37%，为正偏差符号)。相比之下，WS方法的平均偏差为11.11%(偏差范围为1.85% ~ 39.29%，标准差为8.87%，为正偏差)。LC中WS的平均偏差为10.84%(偏差范围为1.53% ~ 36.84%，标准差为7.60%，负偏差号)。CSS方法的平均偏差为10.76%(偏差范围为0% ~ 32.35%，标准差为9.13%，偏差号为负)。CSS与LC的比较平均偏差为10.32%(偏差范围为0.48% ~ 26.09%，标准差为7.71%，偏差号为正)。P-TRAP方法优于其他所有方法，产生的偏差和标准差最小。从而保证了对不同粒型的不同穗进行测试时的稳定性和准确性。众所周知，WS方法在分割重叠的圆形方面非常有效[30.]，但重叠比高时，椭圆会被分割[31］．此外，当轮廓有噪声时，分水岭过分割问题可以清楚地观察到(附加文件6)．虽然CSS方法略优于WS方法，但在这种情况下，很难为颗粒设置一个重叠阈值，以应对颗粒的变化。该方法使用的参数为samplingFactor= 3,saddleHeight= 2,overlappingFactor= 0.7。

总的来说，P-TRAP方法可以很好地估计测试图像上的颗粒数量。它在寻找数学开口的“最佳”磁盘大小方面是有效的。P-TRAP和FO之间的差异可能是晶粒重叠的结果，这使得很难估计晶粒的确切数量(附加文件5)．然而，与其他方法或应用相比，该方法具有直接在穗形图像上检测和计数颗粒的优点。此外，P-TRAP具有不同的选项，可用于处理彩色和灰度图像(附加文件2)．

最后是籽粒性状(表1)使用同一组展开的圆锥花序图像和21张展开的种子图像(见附加文件)进行测量4)．额外的文件6给出了用P-TRAP从两种类型的图像中检测纹理特征的两个不同的例子。输出文件中种子性状的平均值来自于单个种子(即。从展开的圆锥花序或展开的种子的种子簇不被考虑为分析)。P-TRAP能够直接检测和量化展开的穗上的种子，这使得分析与它们在穗上位置有关的种子形状性状成为可能。在这种情况下，与唯一可用的闭源应用程序(Smartgrain)相比，P-TRAP和Smartgrain都各有优缺点。Smartgrain有两种分割方法，颜色和灰度。颜色分割方法需要用户定义纹理和背景颜色。灰度分割方法存在一个问题。它对亮度的变化非常敏感6)．如果源图像是灰度的，且光照变化很小，这些缺点就会成为障碍。相比之下，检测晶粒性状是P-TRAP提供的三个主要任务之一。在分割方面，P-TRAP对灰度图像采用了一种局部自适应阈值法(mean-c)。对于彩色图像，P-TRAP也提供了一个选项，像Smartgrain一样，要求用户选择纹理和背景颜色。但是，如前所述，P-TRAP的主要优势是可以检测到树枝上的晶粒性状，而Smartgrain不具备这一功能。

P-TRAP健壮性和可扩展性

P-TRAP的一些要求是用户友好性、多平台支持、可扩展性和与其他具有类似结构的植物花序的兼容性。P-TRAP还使用了一些用于图像处理的通用方法。检测结构的挑战是将圆锥转化为图形，并对其进行量化。研究表明，细化步骤对二值图像中目标结构的获取是非常重要的。许多应用程序依赖于骨骼化过程来最小化要处理的数据量，如。淬火功能(21]，提取精确的特征进行图像匹配[32]，以执行图像扭曲[33]，或分析植物的根结构[34］．

骨架能有效地揭示穗的结构，但不足以准确地量化穗的数量。因此，将穗骨转化为数学图形，更加灵活。图表和等高线对于处理骨架非常有效[35］-［37］．在许多情况下，骨架含有细小的不重要的分支，必须进行清洗，以清洁骨架，同时保持其结构。不同的穗修剪方法是可用的，例如距离变换[38，最大盘的数量和分布[39，分支长度[40等等。在这项工作中，骨架最初被转换为一个图，然后通过删除所有短于阈值的峰值来清理图minSpike(P-TRAP选项中的可编辑参数)。此外，穗上的单粒分枝不显著，必须去除。框架处理、图形处理和量化方法在独立的模块中实现，因此可以很容易地对这些过程进行任何改进或扩展。此外，这些模块可以在其他项目中重用。关于籽粒的检测和定量，挑战是直接检测重叠籽粒和大小变化的穗粒。检测方法、粒子分析和中心力矩尽可能模块化地实现，以允许未来的扩展和可重用性。

P-TRAP是一种用于加工厂圆锥花序的免费应用程序。该工具对于开发水稻多样性资源和根据花序表型对水稻进行不同类群分类非常有用。该工具可用于结构分析(不同形态性状之间的关系)，用于遗传学分析(正向和反向方法)和育种计划。此外，P-TRAP能够直接检测和量化展开的穗上的种子，这使得分析与它们在穗上位置相关的种子形状性状成为可能(即。顶端基部轴，主要分枝vs。其他分支)。

水稻花序的分枝结构和种子形状在不同品种和品种之间差异很大。开发能够自动提取穗结构和种子性状定量值的软件，将有助于这些形态性状的表型分型。本文提出了一个完整的水稻穗部图像分析框架。该应用程序为输入图像、检测到的结构和纹理提供了几个编辑器。将该结构量化方法与人工创建的地面真相进行了比较，结果显示其准确性约为90%。将颗粒检测和计数方法与两种学术方法以及地面真相进行了比较，P-TRAP优于其他方法。然而，这种应用，特别是检测圆锥骨架并将其转换为图形的方法有一个主要的缺点。它可能不能正确地检测到重叠的分支，在某些情况下，这可能需要一些人工后期处理来纠正结构。然而，这个问题可以通过小心地展开背景上的圆锥花序来最小化。另一方面，P-TRAP可以有效地处理不同的水稻穗，无论其大小和复杂性。 Finally, the P-TRAP processing pipeline is implemented in a highly modular environment and developers can easily improve the application. A further important feature of P-TRAP is that the data are stored in XML files, which can be used in other applications such as OpenAlea, a platform dedicated to plant architecture.

除了P-TRAP功能齐全的GUI之外，还有其他一些功能:

• 免费开源应用程序

• 独立于平台

• 在一个著名的模块化平台(Netbeans平台)上编写

• 友好的用户界面

• 允许用户保存处理过的图像。

该应用程序自带不同的安装程序，可在应用程序的网站上获得。源代码和示例项目可以在附加文件中找到7而且8,分别。关于GUI特性的详细信息，读者应该参考附加文件中的用户手册2．

项目名称:P-TRAP

项目主页:http://bioinfo.mpl.ird.fr/index.php?option=com_content&view=article&id=102&Itemid=2.在这个网址上可以找到一些视频教程。

操作系统:平台无关的

编程语言:Java

其他要求:JRE≥1.6运行应用程序。为了编译源代码，需要Netbeans Platform≥V.7.3 IDE、Java Matrix Package (JAMA)≥V.1.0.2和Java Advanced Imaging (JAI)≥V.1.3库。

许可:GPL V3

非学术人士使用的限制:由GPL V3许可证指定。

CSV:

逗号分隔值

XML:

可扩展标记语言

MTG:

多尺度树图

CSS:

中心支持分割

:

场算符的结果

P-TRAP:

圆锥花序性状表现型

PASTAR:

水稻穗结构分析仪

PA:

主要的斧子

铅:

主要分支

山:

二次斧

某人:

二次枝梗

Sp:

小穗

助教:

三级斧

结核病:

三级分支

质量保证:

第四纪分支

《美国医学会杂志》:

Java矩阵包

洁:

Java先进的成像。

HR Shahbazkia要感谢D Fontenille(位于法国蒙皮利埃IRD的UMR MIVEGEC负责人)提供的接待设施。作者要感谢Joe Tohme (CIAT, Cali, Colombia)提供的田间显型设施和展开的穗形图像。感谢哈罗德·克里斯汀传播种子图像。这项工作得到了IRD机构资助、GRiSP资助(MENERGEP项目)、Agropolis基金会和Cariplo基金会联合资助(FIRST/EVOREPRICE 2011)的支持。

从属关系

1. dei - fct大学，阿尔加维，法罗，8005-139，葡萄牙

   Faroq AL-Tam和Hamid Reza Shahbazkia

2. IRD, UMR DIADE，水稻群体的基因组与发育，911大道Agropolis，蒙彼利埃，34394，法国

   Helene Adam, Mathias Lorieux, Pierre Larmande, Alain Ghesquière & Stefan Jouannic

3. 农业生物多样性和生物技术项目，哥伦比亚卡利

   马赛厄斯Lorieux

4. DCT, ISMAT -高等曼manuel Teixeira Gomes学院，Portimão, 8500-508，葡萄牙

   安东尼奥dos Anjos

5. CCMAR-CIMAR Laboratório阿尔加维联合大学，法罗，8005-139，葡萄牙

   安东尼奥dos Anjos

相应的作者

对应到海琳亚当或哈米德Reza Shahbazkia．

相互竞争的利益

作者声明他们没有竞争利益。

作者的贡献

所有作者都为P-TRAP HA的发展做出了贡献，HRS和SJ管理和组织了该项目。HA、SJ、AG、ML在开发过程中提供了生物背景、测试样品和测试结果。FA和HA，设计和实现算法，并测试软件。PL对当地P-TRAP软件的安装、维护和评估做出了贡献。所有的作者都阅读并认可了最终的手稿。

开放获取本文由BioMed Central Ltd.授权发布。这是一篇开放获取文章，根据创作共用授权协议(https://creativecommons.org/licenses/by/2.0)，它允许在任何媒体上不受限制地使用、分发和复制，只要原著被恰当地引用。

再版和权限