基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

孙　俊　张跃春　毛罕平　武小红　陈　勇　翁褀鹏

(1.江苏大学电气信息工程学院， 镇江 212013； 2.江苏大学现代农业装备与技术教育部重点实验室， 镇江 212013)

0　引言

蔬菜生长在镉污染的土壤中或长期使用受镉污染的水浇灌会造成镉污染，受污染的生菜体内含有较高水平的镉积累，表现出生长受到严重抑制，各项生理指标和营养含量均有明显下降，制约其产业发展[1]。镉可在生物体内富集，通过食物链进入人体引起慢性中毒，严重影响人体健康[2-4]。传统的重金属检测方法虽然准确性好、灵敏度高，但也存在着样品消化时间长、试剂消耗量大、环境危害较大、仪器操作复杂等缺点[5-8]，无法满足现代农业的需求，不利于推广。因此，探索并建立快速检测蔬菜镉污染等级的方法，对生菜产业发展和人体健康均有重要意义。

目前，无损检测蔬菜中重金属含量的方法主要应用光谱技术。顾艳文等[9]利用光谱参数对小白菜叶片镉含量进行估算。高伟[10]利用高光谱技术对镉胁迫下两种叶类蔬菜的叶片高光谱特征及生理参数进行模拟。但是，光谱技术一般基于点源信息，信息较片面；高光谱图像技术涉及的信息量巨大，数据处理分析是一难题，且需昂贵的设备仪器。计算机视觉检测技术是指利用图像传感器将作物的一些特征转变为图像信息，并分析作物图像的颜色、形态、纹理、明度等信息，较光谱技术信息量更为全面，较高光谱图像技术信息更易处理分析。国内外已将计算机视觉技术用于农副产品品质检测，并取得了一定的成效[11-15]。黄东龙等[16]利用计算机视觉技术对水体突发性重金属污染下斑马鱼的行为反应进行分析。乐立强等[17]利用图像获取系统得到皮蛋表面斑点的整体颜色特征，采用计算机软件对皮蛋表面斑点进行量化处理得出蛋壳亮度值，以考察金属添加剂的种类和含量。以上文献均是利用计算机视觉技术对重金属的分析应用，表明利用计算机视觉技术检测农产品品质是可行的。但是，利用计算机视觉技术在蔬菜重金属污染检测方面的研究还未见报道。因此，本文选取比较容易被叶类蔬菜吸收的重金属镉为研究对象，利用计算机视觉技术对不同土壤镉胁迫梯度的生菜叶片污染响应进行分析，以期为生菜重金属污染的快速检测提供技术支持。

1　材料与方法

1.1　试验设计

本试验在江苏大学现代农业装备与技术省部共建重点实验室的Venlo型温室内进行。采用盆栽试验，试验品种为意大利耐抽薹生菜，试验土壤为未受污染的营养土，其中大量元素氮、磷、钾含量均大于5%，中微量元素锌、硼含量均大于0.3%。采用筛网将土壤筛去杂质呈细粒状，保持土壤干燥通风。根据GB15618—1995《土壤环境质量标准》土壤污染的3个标准，在土壤中分别加入0(CK)、0.2、0.6、1 mg/kg的镉。准确称取对应质量的CdCl2·2.5H2O分析纯试剂，以蒸馏水作溶剂，配置200 mL溶液。对应逐层喷洒在试验土壤中，充分翻土混合，3 d后放入口径17 cm、深15 cm的花盆中，每盆加土1 kg。每个处理水平设置8个平行组，等育苗盘里面的幼苗长至5～6片叶时移栽到花盆，每盆一株。

1.2　图像采集

当生菜生长到莲座期，摘取中间的生菜叶片，剔除新、老叶，进行图像采集。将生菜叶片置于一张A4白纸上方，用SONY DSC-HX30V型数码相机进行拍摄。相机垂直于A4纸，距离叶片50 cm处进行拍摄。相机曝光时间设置为0.01 s，最大光圈值为f/4，图像储存格式为JPG，分辨率为4 896像素×3 672像素。拍摄时间均为12:00—13:00之间，天气晴朗无云时进行。共采集生菜叶片图像200幅，其中4个镉胁迫水平各50幅。图像采用Matlab 2014a进行处理。

1.3　土壤镉胁迫梯度与生菜叶片镉污染程度的正相关性

将图像采集后的生菜叶片根据GB 5009.15—2014 《食品安全国家标准食品中镉的测定》中的石墨炉原子吸收光谱测定方法测定生菜叶片中镉的含量，结果如表1所示。

表1　生菜叶片中镉含量的数据统计结果Tab.1　Data of cadmium in leaves of lettuce　mg/kg

从生菜叶片镉含量平均值可以看出，随着土壤镉胁迫梯度的增加，生菜叶片的镉含量也逐渐增加。表明土壤的镉胁迫梯度与生菜叶片的镉污染程度呈正相关性。

1.4　图像分割

图像分割是为了有效地进行图像描述和分析，将原始图像中的生菜叶片区域与背景区域分割开来，分割出的生菜叶片区域可以作为后续特征提取的目标对象。本文使用K-means算法对生菜叶片图像进行分割。K-means算法以聚类数K为参数，把样本空间n个像素点分为K类，使类内具有较高的相似度，而类间的相似度较低[18]。以欧氏距离作为相似度测度，并采用误差平方和准则函数作为聚类准则函数。

1.5　图像特征提取

图像特征提取是进行图像识别的关键步骤，图像特征提取的效果影响图像识别的效果，目前常用的图像特征包括颜色、纹理和形状等[19]。

1.5.1颜色特征提取

在图像识别中，颜色是描述图像最直接的特征，它与图像中所包含的物体十分相关，相比于其它的视觉特征，颜色特征对图像本身的尺寸、方向、视角的依赖性相对较小，具有较强的鲁棒性。当生菜受到镉胁迫时，Cd2+会破坏叶绿体结构，干扰Mg与原卟啉原结合，使叶绿素a和叶绿素b含量发生变化[20]。在宏观上的表现是叶片颜色呈现灰白色，边缘干枯[21]。因此，颜色是描述生菜叶片是否受到镉胁迫的一个重要外观特征。RGB是易于硬件使用的颜色空间，HSV是最符合人的视觉机理的颜色空间，将两者结合来描述生菜叶片镉胁迫水平的颜色特征。本文提取了R、G、B、H、S、V6个颜色特征值的平均值(Mean)、方差(Variance)、偏斜度(Skewness)和峰度(Kurtosis)，共24个颜色特征值。

1.5.2纹理特征提取

纹理是对图像细节的描述，反映了像素灰度空间的图像特征。当生菜受到镉胁迫时，蔬菜的生长趋势会受到一定的影响，会出现叶片边缘失水、失绿，叶面呈灰白色等症状，这些症状导致叶片的纹理特性发生变化[22]。因此，纹理特征也是表征镉胁迫水平的重要特征。灰度梯度共生矩阵[23](Gray-gradient co-occurrence matrix, GGCM)纹理特征分析是用灰度和梯度的综合信息提取纹理特征。将图像的梯度信息加入到灰度共生矩阵中，使共生矩阵包含图像的纹理基元及其排列信息。基于规范化的GGCM，提取得到15个纹理特征参数[24]：小梯度优势(WSga)、大梯度优势(WLga)、灰度分布不均匀性(WGyd)、梯度分布不均匀性(WGdd)、能量(WEn)、灰度均方差(WGys)、梯度均方差(WGds)、相关性(WCo)、灰度熵(WGye)、梯度熵(WGde)、混合熵(WHe)、惯性矩(WMi)、逆差矩(WIdm)、梯度均值(Wadm)和灰度均值(Waym)。

1.5.3形状特征提取

对于生菜叶片形状特征，由于同一镉胁迫水平的生菜叶片大小也会出现较大的差异，所以绝对性形状参数(长、宽、面积和周长)不适合用作定性依据。Hu不变矩(Hu invariant distance)是对目标区域内所有像素集合的描述，具有不随目标物在图像中的位置、大小和角度变化而变化的特点，属于RST(Rotation scale translation)不变形的无量纲几何特征参数。根据叶片的二值图像计算得到Hu不变矩[25-26]。

对于二维离散图像f(x,y)的(p+q)阶矩mpq和中心距μpq定义为

(1)

(2)

式中M、N——图像的行数和列数

x、y——图像像素点的坐标值

根据二阶和三阶中心距推导了7个不变矩组，分别为

1.6　特征选择

综合以上特征提取结果可以得出，颜色信息共24个特征数据，纹理特征共15个特征数据，形状特征共7个特征数据，因此共提取46个生菜镉胁迫图像特征用于后续分析。使用SPSS软件中的t检验检测数据中的异常值，剔除异常值，更换正常数据。

图像中提取的特征数据包含了噪声和无用信息。对提取的特征数据降维可以减少或去除噪声信息的影响[27]。对原始数据进行特征选择，减少数据量，降低无用数据影响，使建立的模型更简便、准确。本文使用竞争性自适应重加权算法和基于变量组合的变量重要性分析对图像特征数据进行特征选择。

竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)[28]是一种新型变量选择方法。此算法将每个波长作为一个个体，在波长选择过程中，每次利用指数衰减函数 (Exponentially decreasing function, EDF) 和自适应重加权采样技术(Adaptive reweighted sampling, ARS) 挑选出PLS模型中回归系数绝对值较大的个体，从而获得多个波长变量子集。根据交叉验证法从中筛选出交互验证均方根误差 (RMSECV) 最小的子集，该子集所包含的变量即为最优波长组合。

基于变量组合的变量重要性分析(Variable importance analysis based on random variable combination, VIAVC)[29-30]是基于模型集群分析思路对每个变量进行重要性分析的方法。VIAVC的框架主要包括3部分：①采用二进制矩阵重采样(Binary matrix resampling, BMR)，可以保证每个变量以相同的概率被选择，并产生不同的变量组合。②使用偏最小二乘法判别分析(Partial least squares discriminant analysis, PLS-DA)构建模型，评估出每个变量的重要性。③迭代地保留并输出最佳变量组合。其流程图如图1所示。

1.7　模型选取

本文选取了2种分类模型，分别为PLS-DA和随机森林(Random forest, RF)。通过比较这两类模型对特征数据的建模效果，来选取最优分类模型。其中，训练集和预测集样本数比例为3∶1。所有建模程序都在Matlab 2014a软件环境中运行。

图1　基于变量组合的变量重要性分析算法流程图Fig.1　Algorithmic flow chart of variable importance analysis based on random variable combination

2　结果分析

2.1　图像处理及数据提取

采集得到的生菜叶片图像背景部分过大，为了减少计算量，手动截取外接矩形。对截取得到的生菜图像，通过计算每个像素点的R、G、B分量，进行K-means聚类。K-means聚类分割是根据不同目标物体之间色彩平均值的差异来实现分割的。因背景白纸和生菜叶片的颜色差异较大，进行图像分割时，根据两者的颜色不同，令K值为2，即聚为两类。本文聚类准则采用最小距离原则。其分割效果如图2所示。

颜色特征是从彩色目标图像(图2b)中提取的，形态特征和纹理特征分别从二值化图像和灰度图像中获取。将K-means分割出的生菜叶片(图2b)利用Matlab转换为二值化图像和灰度图像，结果如图3所示。

分别从分割出的生菜叶片(图2b)、生菜叶片二值化图像(图3a)和生菜叶片灰度图像(图3b)提取颜色特征、形状特征和纹理特征，将提取的特征数据用于建模分析。

2.2　特征数据建模

为了探索最佳的特征数据组合模型，本文组合了7种不同特征数据：颜色特征、形状特征、纹理特征、颜色与形状融合特征、颜色与纹理融合特征、形状与纹理融合特征、颜色形状纹理融合特征。将7种不同的特征数据组合代入PLS-DA和RF建立分类模型。所有特征数据组合建立的模型结果如表2所示。

从表2中单一特征建立的模型来看，基于颜色特征所建立的模型性能优于基于形状特征和纹理特征所建立的模型，分类正确率达到82%。基于形状特征所建立的模型分类正确率最低，最优的模型分类正确率只有58%。经过分析，这可能是因为镉胁迫导致生菜叶片中色素含量变化，使得颜色特征与镉胁迫程度相关性高，所以基于颜色特征的模型就会有较好的分类结果。而镉胁迫对形状特征的影响较小，并且同一胁迫水平下，不同叶子之间也存在形状的差异，不能仅仅用形状特征来区分不同胁迫程度。基于纹理特征所建立模型的分类正确率为72%，这说明基于纹理特征的模型对不同程度镉胁迫的识别是有效的。这是因为镉胁迫使得叶片表面出现病变症状，这些症状导致叶片的纹理特性发生变化。

图2　生菜图像的K-means分割结果Fig.2　K-means segmentation results of lettuce images

图3　生菜叶片二值化图像和灰度图像Fig.3　Lettuce binarized image and grayscale image

特征PLSDA测试集RF测试集颜色特征6882形状特征3458纹理特征6472颜色与形状融合特征7074颜色与纹理融合特征7688形状与纹理融合特征5666颜色形状纹理融合特征7892

从表2可以看出，颜色与纹理融合特征和颜色形状纹理融合特征所建立模型的分类正确率要高于单一特征所建立的模型。这一结果表明，特征组合可以产生更好的效果，这也为利用特征组合来区分不同程度的镉胁迫提供了重要的解释。而颜色与形状融合特征和形状与纹理融合特征所建立模型的分类正确率却低于单一模型所建立的模型，这是因为单一的形状特征与镉胁迫程度相关性较差，组合形状特征就等于增加一些冗余信息，因此组合形状特征模型性能反而变差了。在所有组合特征模型中，颜色形状纹理融合特征所建立的模型给出了最优结果，分类正确率为92%，所以本文选取颜色形状纹理融合特征用于降维及建模。

2.3　特征提取和模型构建

颜色形状纹理融合特征维数为46，高维数据带来了较大的计算资源浪费，计算识别速度较慢，不利于实际应用。本文使用VIAVC对图像特征进行降维，对控制参数进行大量实验测试，采样次数k=1 000，交互检验次数为10。经过5次迭代后，VIAVC保留了15个变量，对这15个变量进行排序，利用10折双层交互检验按照排序向前选择，找出最佳的变量组合。

由图4可以看出，当变量数为5时，他们的交互检验正确率为90%，与全部变量的交互验证正确率78%相比，选择变量大大提高了预测能力，所选的5个变量分别是H分量的平均值(HM)、R分量的平均值(RM)、H分量的峰度(HK)、相关性(WCo)、惯性矩(WMi)。从选择的变量可以看出，镉胁迫对颜色特征和纹理特征的影响较大，对形状特征的影响较小。

图4　利用交互检验按照排序选择变量组合曲线Fig.4　Curves of using interactive check to select combination of variables in descending order

使用CARS对图像特征进行降维，其中设置MC采样次数为50，采用5折交叉验证方式。得到16个变量分别是：不变矩的φ5和φ7、灰度分布不均匀性(WGyd)、相关性(WCo)、灰度熵(WGye)、梯度熵(WGym)、惯性矩(WMi)、逆差矩(WIdm)、R分量的平均值(RM)、R分量的峰度(Rk)、G分量的偏斜度(GS)、B分量的偏斜度(BS)、B分量的峰度(Bk)、H分量的平均值(HM)、H分量的峰度(HK)、S分量的平均值(SM)。将2种特征选择方法选取的变量代入到PLS-DA和RF模型中建立分类模型，结果如表3所示。

从表3可以看出，VIAVC的降维效果优于CARS，变量数更为精简。基于VIAVC特征选择的模型训练集和预测集分类正确率都高于基于CARS特征选择的模型。RF分类模型的效果比PLS-DA模型更优。综上，基于VIAVC的RF模型性能最好，训练集分类正确率为98.0%，预测集分类正确率为96.0%。

表3　基于2种特征选择方法的PLS-DA和RF模型分类正确率Tab.3　Classification accuracy of PLS - DA and RF models based on two feature selection methods　%

3　结论

(1)以易被叶类蔬菜吸收的重金属镉为对象，根据国家标准设置4个梯度(0、0.2、0.6、1 mg/kg)对生菜进行镉胁迫试验。利用数码相机获取4个梯度的生菜叶片图像，使用K-means聚类算法从背景中分割出生菜叶片；提取目标图像的颜色、形状和纹理特征；组合不同特征构建PLS-DA和RF模型，识别不同程度镉胁迫的生菜叶片；采用VIAVC和CARS算法对46个图像特征进行降维，构建新的PLS-DA和RF模型。

(2)在7个组合特征模型中，颜色形状纹理融合特征所建立模型得到了最优结果，测试集分类正确率为92%，所以本文选取颜色形状纹理融合特征用于降维及建模。

(3)利用VIAVC和CARS进行特征选择，VIAVC的降维效果要优于CARS。将2种特征选择算法得到的变量代入PLS-DA和RF 2个模型中，建立分类模型，RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA。其中，基于VIAVC的RF模型性能最好，训练集和预测集分类正确率分别为98.0%和96.0%。可见，基于VIAVC的RF模型在降低了特征维数的前提下，能够较好地对不同镉胁迫程度的生菜叶片进行识别，可为实际应用提供技术支持和参考。

1韩承华, 江解增. 重金属污染对蔬菜生产的危害以及缓解重金属污染措施的研究进展[J]. 中国蔬菜, 2014, 1(4):7-13.

HAN Chenghua, JIANG Jiezeng. Research progress on effects of heavy metal on vegetable production and measures for releasing heavy metal stress [J].China Vegetables, 2014, 1(4):7-13. (in Chinese)

2张丙春, 王磊, 范丽霞,等. 铅、镉在蔬菜中的累积特性及对蔬菜生长的影响[J]. 生态学杂志, 2015, 34(10):2873-2878.

ZHANG Bingchun, WANG Lei, FAN Lixia, et al. Accumulation characteristics of lead and cadmium in vegetables and their effects on the growth of vegetables [J].Chinese Journal of Ecology, 2015, 34(10):2873-2878. (in Chinese)

3CHANG C Y, YU H Y, CHEN J J, et al. Accumulation of heavy metals in leaf vegetables from agricultural soils and associated potential health risks in the Pearl River Delta, South China [J]. Environmental Monitoring & Assessment, 2014, 186(3):1547-1560.

4余娜, 钟志勇, 唐小江,等. 镉引起肾脏毒性的细胞凋亡通路[J]. 生态毒理学报, 2014, 9(3):407-412.

YU Na, ZHONG Zhiyong, TANG Xiaojiang, et al. Apoptotic pathways for cadmium-induced renal toxicity [J]. Asian Journal of Ecotoxicology, 2014, 9(3):407-412. (in Chinese)

5范宝磊, 张健, 吴仲珍. 原子吸收和原子荧光光谱法测定茶园土壤中的微量元素[J]. 分子科学学报, 2010, 26(1):62-65.

FAN Baolei, ZHANG Jian, WU Zhongzhen. Determination of trace elements in soil on tea garden by FAAS and FAFS [J]. Journal of Molecular Science, 2010, 26(1):62-65. (in Chinese)

6万婕, 刘成梅, 刘伟,等. 电感耦合等离子体原子发射光谱法分析不同产地大豆中的矿物元素含量[J]. 光谱学与光谱分析, 2010, 30(2):543-545.

WAN Jie, LIU Chengmei,LIU Wei, et al. Determination of mineral elements in soybean from different producing areas by ICP-AES [J]. Spectroscopy and Spectral Analysis, 2010, 30(2):543-545. (in Chinese)

7刘洋, 张晓倩, 李梦婷,等. 原子吸收光谱法测定蔬菜中的锌、钙、铜、铅和镉[J]. 食品研究与开发, 2015, 36(17):52-54.

LIU Yang, ZHANG Xiaoqian, LI Mengting, et al.Determination of Zn,Ca, Cu, Pb and Cd in vegetables by atomic absorption spectrometry [J]. Food Research and Development, 2015, 36(17):52-54. (in Chinese)

8汪学英, 殷晓俊. 微波消解样品-石墨炉原子吸收光谱法测定双黄连口服液及其药材中重金属元素[J]. 理化检验:化学分册, 2012(1):87-89.

WANG Xueying, YIN Xiaojun. GF-AAS Determination of heavy metal elements in shuanghuanglian oral liquor and its raw medicines with microwave assisted sample digestion [J].Physical Testing and Chemical Analysis Part B: Chemical Analysis, 2012(1):87-89. (in Chinese)

9顾艳文, 李帅, 高伟,等. 基于光谱参数对小白菜叶片镉含量的高光谱估算[J]. 生态学报, 2015, 35(13):4445-4453.

GU Yanwen, LI Shuai, GAO Wei, et al.Hyperspectral estimation of the cadmium content in leaves of brassica rapachinesis based on the spectral parameters [J].Acta Ecologica Sinica, 2015, 35(13):4445-4453. (in Chinese)

10高伟. 镉胁迫下两种叶菜类蔬菜的叶片高光谱特征及生理参数模拟[D]. 重庆：西南大学, 2012.

GAO Wei.Hyperspectral characteristics and simulation ofsome physiological parameters of leafy vegetables under Cd stress [D].Chongqing:Southwest University,2012.(in Chinese)

11温芝元, 曹乐平. 基于补偿模糊神经网络的脐橙不同病虫害图像识别[J]. 农业工程学报, 2012, 28 (11):152-157.

WEN Zhiyuan, CAO Leping. Image recognition of navel orange diseases and insect pests based on compensatory fuzzy neural networks [J]. Transactions of the CSAE, 2012, 28 (11):152-157. (in Chinese)

12TI S, SETH N. Fungus/disease analysis in tomato crop using image processing techniques [J]. International Journal of Computer Trends & Technology, 2014, 13(2):61-63.

13MANNINEN H, PAAKKI M, HOPIA A, et al. Measuring the green color of vegetables from digital images using image analysis[J]. LWT-Food Science and Technology, 2015, 63(2):1184-1190.

14李鸿强, 孙红, 李民赞. 基于机器视觉的结球甘蓝形状鉴别方法[J/OL]. 农业机械学报, 2015,46(增刊):141-146.http:∥www.jcsam.org/jcsam/ch/reader/view_abstract.aspx?file_no=2015S024&flag=1.DOI:10.6041/j.issn.1000-1298.2015.S0.024.

LI Hongqiang, SUN Hong, LI Minzan. Identification of cabbage ball shape based on machine vision [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(Supp.):141-146. (in Chinese)

15潘磊庆, 王振杰, 孙柯,等. 基于计算机视觉的稻谷霉变程度检测[J]. 农业工程学报, 2017, 33(3):272-280.

PAN Leiqing, WANG Zhenjie, SUN Ke, et al.Detection of paddy mildew degree based on computer vision [J].Transactions of the CSAE, 2017, 33(3):272-280. (in Chinese)

16黄东龙，周勤.水体突发性重金属污染胁迫下斑马鱼的行为反应分析[J]. 环境监测管理与技术，2011，23(4)：27-31.

HUANG D L, ZHOU Q. Behavior response analysis of zebrafish danio reriounder sudden heavy metal stress [J]. Administration & Technique of Environmental Monitoring, 2011,23(4):27-31.(in Chinese)

17乐立强, 吴玲, 孙静,等. 基于机器视觉的皮蛋斑点检测和最佳生产配方研究[J]. 食品科学, 2012, 33(6):203-208.

LE Liqiang, WU Ling, SUN Jing, et al.Detection of spots on surface of preserved egg and optimal preserved formula based on machine vision [J].Food Science, 2012, 33(6):203-208. (in Chinese)

18CHITADE A Z, KATIYAR D S K. Colour based image segmentation using K-means clustering [J]. International Journal of Engineering Science & Technology, 2010, 2(10):5319-5325.

19刘双喜,张馨,郑文秀,等. 棉花异性纤维图像特征提取[J]. 农业机械学报,2010,41(3):158-162.

LIU Shuangxi, ZHANG Xin, ZHENG Xiuwen, et al.Image feature extraction of cotton foreign fibre [J]. Transactions of the Chinese Society for Agricultural Machinery, 2010,41(3):158-162. (in Chinese)

20PARMAR P, KUMARI N, SHARMA V. Structural and functional alterations in photosynthetic apparatus of plants under cadmium stress [J]. Botanical Studies, 2013, 54(1):1-6.

21孔维萍, 程鸿. 镉胁迫对蔬菜生长影响及蔬菜抗镉育种研究进展[J]. 北方园艺, 2013,37(23):190-193.

KONG Weiping, CHENG Hong. Research advances on the effect of cadmium on vegetables growth and vegetable cadmium-resistance breeding [J]. Northern Horticulture, 2013,37(23):190-193. (in Chinese)

22SRIDHAR B B M, DIEHL S V, HAN F X, et al. Anatomical changes due to uptake and accumulation of Zn and Cd in Indian mustard (Brassicajuncea)[J]. Environmental & Experimental Botany, 2005, 54(2):131-141.

23CHEN H, WENDA X U, HAO X. Detection of rail track surface defects based on gray level-gradient co-occurrence matrix [J]. Journal of Beijing Jiaotong University, 2015, 39(2):7-12.

24冯兵, 李芝棠, 花广路. 基于灰度-梯度共生矩阵的图像型垃圾邮件识别方法[J]. 通信学报, 2013,34(增刊2):1-4.

FENG Bing, LI Zhitang, HUA Guanglu. Image spam identification method based on gray-gradient co-occurrence matrix [J]. Journal on Communications, 2013,34(Supp.2):1-4. (in Chinese)

25杨舒, 王玉德. 基于Contourlet变换和Hu不变矩的图像检索算法[J]. 红外与激光工程, 2014, 43(1):306-310.

YANG Shu, WANG Yude. Image retrieval algorithm based on Contourlet transform and Hu invariant moments [J].Infrared and Laser Engineering, 2014, 43(1):306-310. (in Chinese)

26ZHANG R, WANG L. An image matching evolutionary algorithm based on Hu invariant moments[C]∥2011 International Conference on Image Analysis and Signal Processing. IEEE, 2011:113-117.

27徐立新, 梁娟, 查金水,等. 基于颜色常量的图像特征提取及其降维方法[J]. 计算机工程与设计, 2007, 28(3):602-604.

XU Lixin, LIANG Juan, ZHA Jinshui, et al.Novel method for image feature retrieval based on color constant and its dimensionality reduction [J]. Computer Engineering and Design, 2007, 28(3):602-604. (in Chinese)

28LI H, LIANG Y, XU Q, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta, 2009, 648(1):77-84.

29YUN Y H, FU L, DENG B C, et al. Erratum to: informative metabolites identification by variable importance analysis based on random variable combination[J]. Metabolomics, 2016, 12(2):1.

30云永欢, 邓百川, 梁逸曾. 化学建模与模型集群分析[J]. 分析化学, 2015,43(11):1638-1647.

YUN Yonghuan, DENG Baichuan, LIANG Yizeng. Progress of chemical modeling and model population analysis [J].Chinese Journal of Analytical Chemistry, 2015, 43(11):1638-1647. (in Chinese)