自动图像注册RGB,高光谱和叶绿素光成像数据的数据

科学领域:

• 植物科学 植物科学
• 农业技术 农业技术
• 生物物理学的生物物理.

背景情况:

• 早期检测非生物和生物压力对植物生产率至关重要.
• 光学成像提供了非破坏性的植物应激量化,但往往缺乏特异性.
• 多域传感器融合可以改善机器学习模型用于植物应激检测.

研究的目的:

• 开发和验证多模式图像注册管道,用于高通量植物表型化.
• 在像素层面上将RGB,高光谱 (HSI) 和叶绿素光 (ChlF) 数据融合在一起.
• 提高植物应激检测的特异性和准确性.

主要方法:

• 使用亲属变换的RGB,HSI和ChlF数据的像素级注册.
• 评估参考图像选择,注册方法和框架选择.
• 开发一种基于NCC的强大的图像注册方法.
• 应用对象分离的罚款登记以改善重叠.

主要成果:

• 成功地对*A. thaliana*和*Rosa × hybrida*进行了多模式图像注册.
• 实现了高重叠比率:98.0% (RGB-to-ChlF) 和96.6% (HSI-to-ChlF) 的A. thaliana*.
• 实现了高重叠比率:98.9% (RGB-to-ChlF) 和98.3% (HSI-to-ChlF) 的 *罗莎 × 混合动力*.

结论:

• 多模式成像管道可实现各种植物压力因素的高通量,高维的表型化.
• 这种方法有助于研究相关的多域数据关系.
• 通过多模态图像融合增强机器学习模型性能的潜力.