利用图像特征分析茶树成熟叶表型的遗传多样性

陈琪予，马建强，陈杰丹，陈亮

利用图像特征分析茶树成熟叶表型的遗传多样性

陈琪予，马建强，陈杰丹*，陈亮*

中国农业科学院茶叶研究所，浙江 杭州 310008

明确我国茶树种质资源遗传多样性是对其有效利用的重要基础。以国家种质杭州茶树圃中的504份茶树资源为材料，对成熟叶的18个图像特征进行统计、主成分、相关性和聚类分析，以研究基于数字图像特征的我国茶树种质资源的遗传多样性。结果表明，其变异系数和遗传多样性指数分别为15.97%和1.98。不同省份之间，平均变异系数福建最大，为16.29%，江苏最小，为10.58%；平均遗传多样性指数浙江最大，为2.01，重庆最小，为1.67。主成分分析将18个图像特征降维成4个主成分，累计贡献率达到82.63%，并从18个图像特征中筛选出了12个显著差异的图像特征。根据图像特征进行聚类分析，将504份茶树种质资源聚成6类。研究结果为以数字图像技术深入评价和利用我国茶树种质资源提供了参考依据。

茶树；种质资源；成熟叶片；遗传多样性；图像特征

茶是目前世界最受欢迎的非酒精饮料之一，为全世界带来了健康、财富和就业机会[1-2]。中国是茶树的起源国，也是世界上茶树遗传多样性最为丰富的国家[3]。研究茶树种质资源的遗传多样性就是对种质之间的遗传变异进行分析，这对建立茶树核心种质、选择杂交育种的亲本等都具有重要意义[4]。

表型多样性是在植物形态水平上对遗传多样性进行研究的方法。叶片是茶树资源鉴定中的重要观测部位，在《农作物种质资源鉴定技术规程茶树》（NY/T 1312—2007）中，与叶片相关的有叶长、叶宽、叶片大小、叶形、叶色、叶尖、叶基等17个性状，可见茶树叶片性状不仅适于研究遗传多样性，还能起到资源鉴定的作用。蒋会兵等[5]对云南830份茶树资源主要表型性状进行遗传多样性分析，发现云南茶树种质资源的芽茸毛遗传多样性指数最大，叶基最小，叶面积变异系数较大。黄政等[6]对贵州低热河谷地带1 754份茶树种质资源的18个表型性状进行遗传多样性分析，发现叶片大小与叶色、叶面隆起度、叶齿深度及叶脉对数呈极显著正相关，叶片主要以披针形、深绿色、中叶为主。李华锋等[7]对连南县66份栽培型古茶树资源的24个叶片表型性状进行了研究，结果发现叶基的变异系数最大，侧脉与主脉交角最小，叶基多样性系数最大，叶面隆起性最小。潘宇婷等[8]对河南省113份地方茶树种质资源的15个叶片表型进行分析，发现叶片越长、越宽，叶面隆起性越强、叶齿深度越深、密度越稀。但以尺子测量为主的传统方法存在一定误差和主观性，而且耗时长，工作量巨大。因此需要一个客观快速且能够量化的方法去描述表型，而图像处理技术能够较好的弥补这一空缺[9]。

图像处理技术是随着计算机技术的不断发展而开拓出的一门研究，因其具有简单、快速、准确等优点，目前已在诸多领域都得到了广泛的应用。在茶叶研究领域中，研究人员利用图像处理技术对茶树鲜叶、病虫害叶、成品茶和茶汤等提取了纹理、形状、颜色等特征，不断对茶叶智能化生产开展研究[10-12]。刘自强[13]通过茶树鲜叶图像来对10种茶树品种进行识别，通过多轮末尾淘汰对纹理、形状、颜色特征进行了筛选，保留了23个特征参数；通过利用筛选过后的特征进行识别，识别率能达到90%左右。利用茶树成熟叶图像特征研究遗传多样性的工作还鲜有开展，本研究对504份茶树种质资源进行了图像特征的提取和遗传多样性分析，为茶树育种工作提供了工作基础和理论依据，同时提供了一种研究茶树资源遗传多样性的新思路。

1 材料与方法

1.1 试验材料

试验材料来源于国家种质杭州茶树圃，基于兼顾地理位置和表型差异的原则收集了18个省份中具有代表性的野生茶树、地方品种和无性系资源共504份，分别有厚轴茶（Chang）、大厂茶（F. C. Zhang）、大理茶[(W. W. Smith) Melchior]、秃房茶（Chang）、茶[(L.) O. Kuntze]、阿萨姆茶[var.(Masters) Kitamura]和白毛茶（var.Chang）等茶组植物的种和变种。树龄和栽培管理措施基本一致。于2020年12月根据农业行业标准《农作物种质资源鉴定技术规程茶树》的方法采集当年夏天修剪后萌发枝条中部发育完整的成熟叶，每份资源重复5次。

1.2 图像采集

将采摘得到的成熟叶均匀平铺到扫描仪载物台上，依次对每份茶树资源成熟叶进行扫描，并图像采集。扫描仪型号为CanoScanLiDE 400，扫描分辨率为300 dpi，采集的图片大小均为2 550×3 507，保存格式为PNG格式。

1.3 提取图像特征

本研究利用Python语言的opencv库和numpy库，先对收集到的茶树成熟叶图像进行预处理，获得二值化图像和灰度图像，再对图像进行特征提取，得到形态特征、纹理特征与颜色特征（图1和表1）。

提取的形态特征包括周长、面积、叶长、叶宽、长宽比、范围、坚实度、等效直径、圆形度[14-15]；纹理特征是灰度共生矩阵在步长为1，角度为0°下计算的对比度、非相似性、同质性、相关性、角二阶矩、熵[16]。在众多颜色模型中，常用的RGB颜色模型的分量与人对颜色的感知并没有直接的联系，而HSV颜色模型是人类对色彩感知的最好的颜色模型，所以本研究提取的颜色特征为HSV颜色模型下H均值、S均值和V均值[17]。

1.4 数据统计与分析

本试验采用Excel 2019进行数据处理，并统计图像特征的平均值、标准差、变异系数。利用Python语言numpy库计算Shannon-Wiener多样性指数（），其计算公式：

图1 图像处理过程图

表1 图像特征描述符

式中，P为某一图像特征第级试验材料份数占总份数的百分比，ln为自然对数。在计算前，先对图像特征进行质量化处理，即将每个图像特征进行10级分类，1级＜－2，10级≥＋2，中间每级相差0.5，分别为某一图像特征的均值和标准差[18]。利用R语言的corrplot包和ggcorrplot包进行图像特征相关性分析，eclust包对提取的18个图像特征采用Ward方法进行聚类分析，用欧氏距离绘制聚类结果的树状图，在欧式距离26处可将504份资源分为6类。利用SPSS 25.0中的因子分析进行主成分分析，根据主成分特征值大于1的原则对主成分进行保留[19]。

2 结果与分析

2.1 图像特征的遗传多样性分析

为了研究504份茶树资源的叶片表型遗传多样性，对成熟叶的18个图像特征进行统计分析。从表2可知，18个图像特征中有5个变异程度较小，都小于5.5%，分别为范围、坚实度、同质性、相关性和熵，其余13个均表现出不同程度的变异。供试材料成熟叶图像特征的变异系数介于0.81%～43.09%，平均值为15.97%，其中面积的变异系数最大（43.09%），其次为对比度和S分量均值的变异系数，分别为31.43%和30.91%，相关性的变异系数最小（0.81%）。18个图像特征的多样性指数为1.81～2.07，平均为1.98，其中范围的多样性指数最大（2.07），面积的多样性指数最小（1.81）。

2.2 不同省份茶树的图像特征分析

本研究收集了18个省份的茶树种质资源，旨在通过分析不同省份茶树种质资源的遗传多样性及不同省份茶树资源间的遗传差异，为加强不同省份茶树种质资源的保护和有效利用提供依据。同时为了保证分析结果具有可靠性，选取分析省份的资源数应达到一定水平。对资源样本数在8份以上的省份进行分析，分别为安徽、重庆、福建、广东、广西、贵州、海南、湖南、江苏、江西、四川、云南、浙江共13个省份。

从表3中可知，成熟叶各个图像特征的平均值在13个省份茶树种质资源间存在差异。海南和云南种质在周长、面积、叶长、叶宽具有较大值；安徽、浙江、江苏和福建种质的面积相对较小；广西种质的长宽比最小，重庆种质的最大；贵州、重庆种质圆形度较大；重庆、贵州和云南种质的颜色比较相似，H分量均值约120，S分量均值约19，V分量均值约23。在13个省份中，有些省份的个别图像特征变异系数较大，如，重庆种质的面积（40.06%）；海南种质的长宽比（15.48%）；贵州种质的圆形度（22.44%），福建种质颜色特征的每个分量均值（H分量24.07%、S分量36.68%和V分量24.37%）。

采用各个图像特征变异系数的平均值可用于评价不同省份茶树资源的均度，在13个省份中茶树资源成熟叶的图像特征变异系数在10.58%～16.29%，且福建（16.29%）>安徽（15.98%）>贵州（15.58%）>海南（14.2%）>重庆（14.05%）>云南（13.97%）>广东（13.32%）>广西（13.28%）>湖南（12.72%）>四川（11.92%）>江西（11.42%）>浙江（12.58%）>江苏（10.58%）。

采用各个图像特征遗传多样性指数的平均值可用于评价不同省份茶树资源的遗传多样性，在13个省份中茶树资源成熟叶的图像特征遗传多样性指数在1.67～2.01，且浙江（2.01）>云南（1.99）>福建（1.88）>广西（1.87）>贵州、四川（1.83）>广东、安徽（1.82）>湖南（1.77）>江苏、江西（1.71）>海南（1.70）>重庆（1.67）。

2.3 主成分分析

为了揭示茶树种质资源各个性状间起主导作用的综合指标，对茶树种质资源提取的18个图像特征进行了主成分分析。结果表明，按照特征值大于1的提取原则，18个图像特征被分为4个主成分（PC1、PC2、PC3、PC4），累积贡献率为82.63%，包含了原始变量的大部分信息（表4）。

PC1特征值最大，为5.68，贡献率为31.54%；特征向量绝对值较高的图像特征有周长、面积、叶长、叶宽和等效直径，特征向量分别为0.81、0.91、0.81、0.92和0.93，这些特征主要反映叶片大小的特征。PC2的特征值为4.11，贡献率为22.81%；特征向量绝对值较高的图像特征有对比度、非相似性、同质性和相关性，特征向量分别为–0.73、–0.82、0.85和0.60，说明第二主成分主要与叶片的纹理特征有关。PC3的特征值为3.15，贡献率为17.52%；特征向量较高的特征有长宽比、范围、坚实度和圆形度，其特征向量分别为0.51、–0.58、–0.49和0.61，这些性状主要与叶片的形状有关。PC4的特征值为1.94，贡献率为10.76%。特征向量绝对值高的图像特征有H分量均值、S分量均值和V分量均值，特征向量分别为–0.69、0.65和0.73，这些图像特征主要是与叶片颜色有关。

结合统计分析和主成分分析，得出重要的图像特征有周长、面积、叶长、叶宽、长宽比、等效直径、圆形度、对比度、非相似性、H分量均值、S分量均值和V分量均值共12个，这些图像特征是造成该茶树自然群体表型性状差异的主要因素，后续研究可以根据以上图像特征来收集、保存和鉴定茶树种质资源，并为今后杂交育种的亲本选择提供参考依据。

2.4 相关性分析

从图2可看出，部分图像特征之间存在一定联系，其中周长、叶长、叶宽、面积、等效直径之间互相呈极显著正相关；角二阶矩与周长、叶长、叶宽、面积、等效直径、非相似性、范围、坚实度呈极显著负相关，与长宽比、圆形度、同质性呈极显著正相关；圆形度与长宽比呈极显著正相关，与范围、坚实度呈极显著负相关；同质性与相关性呈极显著正相关，与对比度、非相似性、熵呈极显著负相关；对比度与非相似性呈极显著正相关；坚实度和范围、熵为极显著正相关；H分量均值与S分量均值、V分量均值相关呈极显著负相关；S分量均值与V分量均值呈极显著正相关。

表3 不同来源地茶树资源的图像特征比较

注：周长、叶长、叶宽的单位为cm，面积单位为cm2

Note: Unit of perimeter, length, width of tea leaf is cm. Unit of tea leaf area is cm2

续表3

省份Province参数Parameter非相似性Dissimilarity同质性Homogeneity相关性Correlation角二阶矩ASM熵EntropyH分量均值Mean of HcomponentS分量均值Mean of ScomponentV分量均值Mean of Vcomponent平均值Average 安徽AnhuiMean±SD2.55±0.400.47±0.030.98±0.010.03±0.008.52±0.3393.03±14.9523.18±9.6326.37±4.35— CV/%15.856.350.6314.553.9016.0741.5316.5115.98 H'1.891.811.721.931.871.931.721.581.82 重庆ChongqingMean±SD2.47±0.300.48±0.020.98±0.010.03±0.008.39±0.32120.14±26.2019.41±4.4122.74±2.13— CV/%12.204.280.6312.353.8721.8022.709.3614.05 H'1.741.521.681.681.741.741.581.521.67 福建FujianMean±SD2.43±0.360.48±0.030.98±0.010.02±0.008.44±0.23103.57±24.9320.01±7.3425.59±6.24— CV/%14.685.340.6713.692.7824.0736.6824.3716.29 H'2.061.951.892.021.862.041.821.361.88 广东GuangdongMean±SD2.52±0.450.48±0.030.98±0.010.03±0.008.51±0.25107.12±20.1219.69±4.9824.99±2.50— CV/%17.936.100.8113.492.9818.7825.2810.0213.32 H'1.751.881.411.901.991.931.931.931.82 广西GuangxiMean±SD2.51±0.470.48±0.020.98±0.010.03±0.008.47±0.18105.6±15.8519.75±3.7224.56±2.03— CV/%18.544.710.838.982.1515.0118.848.2713.28 H'1.641.771.631.941.931.921.861.901.87 贵州GuizhouMean±SD2.57±0.450.48±0.030.98±0.010.03±0.008.39±0.31117.2±21.5519.17±5.7523.68±3.11— CV/%17.715.680.9614.213.7418.3930.0013.1515.58 H'1.851.921.651.891.941.961.611.591.83 海南HainanMean±SD2.7±0.430.47±0.020.98±0.010.03±0.008.58±0.20132.58±25.0816.65±3.8521.89±1.76— CV/%16.073.741.0110.672.2918.9223.128.0214.20 H'1.471.851.721.771.671.551.771.551.70 湖南HunanMean±SD2.5±0.400.48±0.030.98±0.010.02±0.008.57±0.27102.03±14.7321.29±4.7824.96±3.05— CV/%15.985.440.6411.163.1614.4322.4412.212.72 H'1.671.811.531.991.861.861.661.621.77 江苏JiangsuMean±SD2.32±0.270.48±0.020.99±0.000.02±0.008.44±0.2294.88±13.5720.22±2.9225.34±2.41— CV/%11.534.230.3812.482.6414.314.449.5010.85 H'1.711.711.521.671.931.881.671.311.71 江西JiangxiMean±SD2.55±0.650.47±0.030.98±0.010.02±0.008.54±0.2196.85±2.2620.33±2.8325.16±1.10— CV/%25.376.560.916.432.422.3413.944.3711.42 H'1.591.771.261.541.971.971.641.541.71 四川SichuanMean±SD2.34±0.280.48±0.020.98±0.000.03±0.008.43±0.22104.15±17.8317.65±3.2523.32±1.67— CV/%11.864.110.512.972.5817.1218.427.1711.91 H'1.731.761.911.871.871.731.731.871.83 云南YunnanMean±SD2.69±0.420.46±0.020.98±0.010.02±0.008.66±0.21117.99±18.8319.28±3.723.27±2.55— CV/%15.484.970.8211.372.4415.9619.2010.9513.97 H'2.061.961.922.011.991.992.071.801.99 浙江ZhejiangMean±SD2.70±0.390.47±0.030.98±0.010.03±0.008.39±0.23100.45±18.1916.00±5.4324.92±2.25— CV/%14.545.430.8113.032.7018.1133.949.0412.58 H'2.072222.022.031.991.992.01

2.5 聚类分析

利用R语言对504份茶树种质资源的18个图像特征进行聚类分析，以欧氏距离为遗传距离，聚类方法采用Ward法。在欧式距离26处可将504份资源分为6大类群，分类结果见图3。从表5可得，第Ⅰ类群包含90份种质资源，主要特点为叶片大小为中叶；第Ⅱ类群包含127份种质资源，主要性状表现为叶片大小为中叶，对比度较小；第Ⅲ类群包含86份种质资源，以浙江和福建的茶树种质资源为主，主要性状表现为叶片大小为小叶，圆形度和长宽比较小，叶片颜色为中绿，包含较多黄化和白化品种；第Ⅳ类群包含24份种质资源，多为云南的茶树种质资源，主要性状表现为叶片大小为大叶，叶片颜色为深绿；第Ⅴ类群96份种质资源，其中主要以浙江的培育品种为主，含有部分黄化和紫化资源，其主要性状为叶片纹理对比度较大；第Ⅵ类群包含81份种质资源，该类群里有较多黄化资源和部分紫化资源，主要表现为叶片大小为小叶，叶片圆形度和长宽比较大，叶片颜色为浅绿。

表4 504份茶树种质资源18个图像特征的主成分分析

注：*表示相关性具有显著性（0.01

图3 504份茶树种质资源基于18个图像特征的聚类图

表5 类群间的图像特征变异

3 讨论

3.1 茶树种质资源图像特征的遗传分化

图像特征是茶树资源表型性状的一种表现形式，可以对茶树资源进行鉴定和描述。本研究选取了504份茶树种质资源，图像特征的变异系数和遗传多样性指数分别为15.97%和1.98，高于之前研究得出的国内茶树资源平均值（=1.89）[20]，说明所选种质资源的成熟叶性状较为丰富，存在较高的遗传多样性。

通过对18个图像特征进行相关性分析，发现周长、面积、叶长、叶宽相互之间相关性很高，呈显著正相关，这与之前的研究结果一致[21-22]。根据相关性可以推测有一系列连锁基因控制叶片的生长发育。

纹理特征虽然不能直接与茶树表型性状相对应，但是针对不同种质资源的茶树成熟叶还是表现出一定程度的变异，具有区分不同茶树资源的能力。林丽慧[23]利用纹理特征对黄观音、瑞香、丹桂和白芽奇兰4个品种的茶鲜叶进行识别，其识别的准确率在80%左右，说明利用纹理特征识别茶树品种是一个有效的方法。本研究结果中，大部分纹理特征的变异系数和遗传多样性指数都比较高，说明纹理特征将来有潜力大规模应用于茶树品种识别领域。

依据18个图像特征进行聚类分析，将具有相似图像特征的茶树资源进行聚类，将504份供试材料分为6个类群。在叶面积较大的第Ⅳ类群中，来自云南的茶树种质资源较多，这与云南茶树资源叶片面积大的特点相符合，这为研究叶片大小相关的基因提供了试验材料。第Ⅴ类群中，对比度普遍较大，这为研究茶树叶片纹理特征相关基因提供了试验材料，可进一步根据发掘到基因的作用判断叶片纹理特征与何种表型相关联。聚类结果显示，部分原产地相同的材料没有被聚在一起，而不同来源地的材料聚在了同一类群，说明各个省份的茶树表型性状差异较大，遗传多样性丰富，使得聚类结果与供试材料的原产地关系较小。部分类群之间的图像特征存在显著的遗传变异，后续的研究工作中可以结合表型和分子标记，进一步解释中国茶树种质资源的遗传变异，为茶树育种工作提供基础。

3.2 不同省份间茶树资源图像特征的遗传差异

13个省份的茶树种质资源变异水平分析结果显示，云南、福建的种质资源表现为高变异水平和丰富的遗传多样性，江苏、江西的变异和遗传多样性水平较低；浙江、海南的变异水平和遗传多样性相差较大。比较结果显示，变异系数虽然能一定程度上反映资源的多样性，但是并不能完全替代遗传多样性指数对资源的多样性评价。浙江省茶树种质资源的遗传多样性较大且高于云南省，可能是因为浙江茶树种质资源中含有选育品种，其父本母本来自于其他省份，这加大了浙江省的变异系数和遗传多样性。

在结果中可见，重庆茶树资源的长宽比最大，圆形度较大，可以推测重庆茶树资源的叶片形状大多数为长椭圆形，这为研究茶树叶片形状的基因提供了研究材料，同时也为地理环境对叶片形状影响的研究提供了启发。

3.3 茶树图像特征发展展望

本研究是对茶树遗传多样性新思路进行的一次尝试，结果表明，基于图像特征对遗传多样性的研究具有可行性和研究潜力。但目前图像特征分析还存在部分问题需进一步解决，具体为部分提取的图像特征和茶树种质资源描述符无法匹配，如纹理特征；部分茶树种质资源描述符不能用图像特征来描述，如叶齿、叶基、叶尖等。而且目前针对图像收集流程没有标准的规定，这让相关研究的结果缺乏可比性。所以今后图像特征的种类还需要深入研究，争取在图像特征和茶树种质资源描述符之间构成完整的对应关系。同时还需要研究制定图像收集流程，将图像收集标准化，减少在图像特征提取过程中产生的误差，争取在未来建立一个更加客观准确的茶树种质资源描述体系。

[1] Opuwari C, Monsees T. Green tea consumption increases sperm concentration and viability in male rats and is safe for reproductive, liver and kidney health [J]. Scientific Reports, 2020, 10(1): 15269. doi: 10.1038/s41598-020-72319-6.

[2] Qiao Q, Zhu M. Development strategies of tea culture tourism in the age of experience economy [J]. Journal of Landscape Research, 2010, 2(12): 97-99.

[3] Meegahakumbura M K, Wambulwa M C, Thapa K K, et al. Indications for three independent domestication events for the tea plant ((L.) O. Kuntze) and new insights into the origin of tea germplasm in China and India revealed by nuclear microsatellites [J]. PloS ONE, 2016, 11(5): e0155369. doi: 10.1371/journal.pone.0155369.

[4] 冯夏莲, 何承忠, 张志毅, 等. 植物遗传多样性研究方法概述[J]. 西南林学院学报, 2006, 26(1): 69-74, 79.

Feng X L, He C Z, Zhang Z Y, et al. Summarization on research methods of plant genetic diversity [J]. Journal of Southwest Forestry College, 2006, 26(1): 69-74, 79.

[5] 蒋会兵, 宋维希, 矣兵, 等. 云南茶树种质资源的表型遗传多样性[J]. 作物学报, 2013, 39(11): 2000-2008.

Jiang H B, Song W X, Yi B, et al. Genetic diversity of tea germplasm resources in Yunnan province based on phenotypic characteristics [J]. Acta Agronomica Sinica, 2013, 39(11): 2000-2008.

[6] 黄政, 李芳, 尹杰, 等. 贵州低热河谷地方茶树种质资源基于表型性状的遗传多样性分析[J/OL]. 分子植物育种, 2021: 1-28 [2022-01-13]. http://kns.cnki.net/kcms/detail/46.1068.s.20210702.1115.004.html.Huang Z, Li F, Yin J, et al. Analysis of genetic diversity based on phenotypic traits of local tea germplasm resources in low heat valley of Guizhou province [J/OL]. Molecular Plant Breeding, 2021: 1-28 [2022-01-13]. http://kns.cnki.net/kcms/detail/46.1068.s.20210702.1115.004.html.

[7] 李华锋, 滕杰, 杨家干, 等. 连南栽培型古茶树资源叶片表型性状遗传多样性及聚类分析[J]. 中国农学通报, 2016, 32(36): 109-114.

Li H F, Teng J, Yang J G, et al. Genetic diversity and cluster analysis of leaf phenotypic traits of Liannan cultivated ancient tea [J]. Chinese Agricultural Science Bulletin, 2016, 32(36): 109-114.

[8] 潘宇婷, 袁正仿, 袁红雨, 等. 河南省地方茶树种质资源表型性状遗传多样性研究[J]. 信阳师范学院学报(自然科学版), 2018, 31(4): 578-585.

Pan Y T, Yuan Z F, Yuan H Y, et al. Diversity analysis of phenotypic characteristics for Henan local tea germplasm resources [J]. Journal of Xinyang Normal University (Natural Science Edition), 2018, 31(4): 578-585.

[9] 张慧春, 周宏平, 郑加强, 等. 植物表型平台与图像分析技术研究进展与展望[J]. 农业机械学报, 2020, 51(3): 1-17.

Zhang H C, Zhou H P, Zheng J Q, et al. Research progress and prospect in plant phenotyping platform and image analysis technology [J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(3): 1-17.

[10] Dong C W, Zhu H K, Zhao J W, et al. Sensory quality evaluation for appearance of needle-shaped green tea based on computer vision and nonlinear tools [J]. Journal of Zhejiang University-SCIENCE B, 2017, 18(6): 544-548.

[11] Xu M, Wang J, Gu S. Rapid identification of tea quality by E-nose and computer vision combining with a synergetic data fusion strategy [J]. Journal of Food Engineering, 2019, 241: 10-17.

[12] 王文明, 肖宏儒, 陈巧敏, 等. 基于图像处理的茶叶智能识别与检测技术研究进展分析[J]. 中国农机化学报, 2020, 41(7): 178-184.

Wang W M, Xiao H R, Chen Q M, et al. Research progress analysis of tea intelligent recognition and detection technology based on image processing [J]. Journal of Chinese Agricultural Mechanization, 2020, 41(7): 178-184.

[13] 刘自强. 鲜茶叶图像特征提取及在茶树品种识别中的应用研究[D]. 长沙: 湖南农业大学, 2014.

Liu Z Q. Features extraction of fresh tea images and its application on the recognition of tea varieties [D]. Changsha: Hunan Agricultural University, 2014.

[14] 王键, 梁春娇, 郭俊先, 等. 基于OpenCV确定植物叶片面积[J]. 分子植物育种, 2020, 18(6): 2023-2027.

Wang J, Liang C J, Guo J X, et al. Measurement of plant leaf area based on OpenCV [J]. Molecular Plant Breeding, 2020, 18(6): 2023-2027.

[15] 王红军, 熊俊涛, 黎邹邹, 等. 基于机器视觉图像特征参数的马铃薯质量和形状分级方法[J]. 农业工程学报, 2016, 32(8): 272-277.

Wang H J, Xiong J T, Li Z Z, et al. Potato grading method of weight and shape based on imaging characteristics parameters in machine vision system [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(8): 272-277.

[16] 高程程, 惠晓威. 基于灰度共生矩阵的纹理特征提取[J]. 计算机系统应用, 2010, 19(6): 195-198.

Gao C C, Hui X W. GLCM-based texture feature extraction [J]. Computer Systems & Applications, 2010, 19(6): 195-198.

[17] 毕智健, 张若宇, 齐妍杰, 等. 基于机器视觉的番茄成熟度颜色判别[J]. 食品与机械, 2016, 32(12): 133-136.

Bi Z J, Zhang R Y, Qi Y J, et al. Tomato maturity color discrimination based on machine vision [J]. Food & Machinery, 2016, 32(12): 133-136.

[18] 王述民, 曹永生, Redden R J, 等. 我国小豆种质资源形态多样性鉴定与分类研究[J]. 作物学报, 2002, 28(6): 727-733.

Wang S M, Cao Y S, Redden R J, et al. The morphological diversity and classification of adzuki bean [(Willd) Ohwi & Ohashi] germplasm resources in China [J]. Acta Agronomica Sinica, 2002, 28(6): 727-733.

[19] 张羽翔, 朱志雄, 陈石泉, 等. 海南八门湾红树林保护区海水富营养化评价及其主成分分析[J]. 海洋湖沼通报, 2021, 43(5): 159-168.

Zhang Y X, Zhu Z X, Chen S Q, et al. Eutrophication assessment and principal component analysis of Bamen mangrove natural reserve of Hainan [J]. Transactions of Oceanology and Limnology, 2021, 43(5): 159-168.

[20] 乔婷婷. 茶树资源遗传多样性及其表型性状关联EST-SSR位点的初步鉴定[D]. 北京: 中国农业科学院, 2010.

Qiao T T. Genetic diversity of tea ((L.) O. Kuntze) and association analysis of phenotypic traits with EST-SSR markers [D]. Beijing: Chinese Academy of Agricultural Sciences, 2010.

[21] 丁帅涛, 程晓梅, 张亚, 等. 陕西古茶树种质资源表型性状遗传多样性研究[J]. 广东农业科学, 2018, 45(2): 52-60.

Ding S T, Chen X M, Zhang Y, et al. The research on phenotypic traits genetic diversity of the ancient tea germplasm resources in Shaanxi province [J]. Guangdong Agricultural Sciences, 2018, 45(2): 52-60.

[22] 陶萍, 宋燚, 张晴晖, 等. 云南普洱茶种古茶树资源表型性状数据分析研究[J]. 西部林业科学, 2020, 49(6): 144-151, 157.

Tao P, Song Y, Zhang Q H, et al. Data analysis of phenotypic characteristics of ancient tea resources of Yunnan Pu’er tea species [J]. Journal of West China Forestry Science, 2020, 49(6): 144-151, 157.

[23] 林丽惠. 基于纹理特征的武夷岩茶叶片分类方法[J]. 武夷学院学报, 2019, 38(12): 14-17.

Lin L H. Research on leaf classification for Wuyi rock tea based on textural features [J]. Journal of Wuyi University, 2019, 38(12): 14-17.

Genetic Diversity of Mature Leaves of Tea Germplasms Based on Image Features

CHEN Qiyu, MA Jianqiang, CHEN Jiedan*, CHEN Liang*

Tea Research Institute, Chinese Academy of Agricultural Sciences, Hangzhou 310008, China

The genetic diversity of tea germplasm in China is an important basis for its effective utilization. In this study, the genetic diversity of tea germplasm in China was elucidated by statistical analysis, principal component analysis, correlation analysis and cluster analysis of 18 image features of mature leaves from 504 tea germplasm accessions preserved in China National Germplasm Hangzhou Tea Repository. The results show that the coefficient of variation and genetic diversity index of this population were 15.97% and 1.98, respectively. Among different provinces, the average coefficient of variation was the largest in Fujian province, which was 16.29%. The data of Jiangsu province was on the bottom, accounting for 10.58%. Zhejiang province had the highest average genetic diversity index at 2.01. The average genetic diversity index of Chongqing municipality reached the lowest point, occupying 1.67. The dimension of 18 image features were streamlined by principal component analysis and characterized into 4 principal components, with a cumulative contribution rate of 82.63%, and 12 image features were screened out from 18 image features with significant differences. According to the image features, the tea germplasms were clustered into 6 groups. The results provided a theoretical basis and reference for further exploration and utilization of tea germplasm in China.

tea plant, germplasm, mature leaves, genetic diversity, image characteristics

S571.1；S126

A

1000-369X(2022)05-649-12

2022-01-14

2022-03-29

中国农业科学院科技创新工程（CAAS-ASTIP-2021-TRICAAS）、财政部与农业农村部：国家现代农业产业技术体系专项资金（CARS-19）资助、浙江省农业新品种选育重大科技专项（2021C02067）、浙江省自然科学基金（LQ20C160010）

陈琪予，男，硕士研究生，主要从事茶树资源育种与遗传改良研究。*通信作者：chenjd@tricaas.com；liangchen@tricaas.com