Root Quantify：用 Python 交互式预处理根系图像

RhizoVision Explorer、WinRHIZO 等根系性状软件从二值图像计算根长、直径和根系构型，结果的好坏取决于这张二值图像。原始根系照片中有托盘、标签、不均匀光照、阴影和土壤颗粒，全自动阈值分割要么丢失细小侧根，要么保留杂质。

Root Quantify 是我为这一预处理环节编写的 OpenCV 桌面工具，将自动校正与有针对性的人工复核结合起来：用户圈定根系区域，工具校正不均匀光照并进行阈值分割，用户再用画笔修正剩余错误。输出为干净的二值根系图像，可直接导入根系性状软件。

处理流程

阶段	操作	结果
文件夹扫描	查找 JPG、JPEG、PNG、BMP、TIF 和 TIFF 文件	待处理图像队列
ROI 选择	用多边形圈定有效根系区域	掩膜后的裁剪图
预处理	估计背景、校正不均匀光照、阈值分割并反相	浅色背景上的深色根系
人工修正	用可调画笔补画或擦除像素	经复核的二值图像
导出	保存校正后的图像，并将原图移入归档文件夹	下次运行不会重复处理

校正后的图像在 RhizoVision Explorer、WinRHIZO、ImageJ 或实验室自有流程中进行测量。

安装

源代码见 Root Quantify GitHub 仓库。

git clone https://github.com/smiler488/RootQuantify.git
cd RootQuantify

python -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

Windows 下用以下命令激活环境：

.venv\Scripts\activate

程序需要图形桌面环境；在无显示的服务器或 notebook 中，OpenCV 选择窗口无法显示。

运行前将 RootImager.py 中的 folder_path 设为图像所在目录。处理完成的原图会被移入 processed_original，因此请另行备份原始图像。

运行

python RootImager.py

程序使用两个窗口：一个始终显示原图，另一个用于 ROI 选择和修正。

键盘操作

按键	阶段	功能
c	ROI 选择	确认多边形（至少三个顶点）
r	ROI 选择	重置多边形
d	人工修正	补画深色根系像素
e	人工修正	擦除为浅色背景
+ / -	人工修正	增大或减小画笔
u	人工修正	撤销上一笔
q	人工修正	完成当前图像

确认多边形后仔细检查自动阈值结果，只修正明显的分割错误；人工修改越多，可重复性越低，修改情况应记入实验记录。

输入与输出

校正后的图像写入 output 目录，文件名带 processed- 前缀；每张处理完成的原图移入 processed_original。

为保证可复现，与输出一并保存：

• 原始图像（单独存放的只读备份）；
• Root Quantify 的提交哈希；
• 脚本中的预处理参数；
• 操作者和修正日期；
• 对困难图像或剔除图像的说明。

质量控制清单

• 根系与背景的灰度差异明显；
• ROI 已排除标签、标尺、盆沿和无关物体；
• 阈值分割后细小侧根得以保留；
• 阴影未被误判为根系；
• 人工修正尽量少且有记录；
• 用于发表的测量，由第二人抽查样本；
• 下游测量已用已知尺寸物体或人工参考数据检验。

适用范围与局限

阈值分割对阴影、反光、基质和重叠根系敏感，这正是工具保留人工修正环节的原因；而人工修正会引入操作者差异，因此修改应尽量少并留有记录。二值输出不保留颜色和灰度信息。交互式设计面向实验规模图像集的精细处理，而非无人值守的高通量处理；性状测量本身在下游软件中完成。

实验室中另有浏览器版本：根系图像预处理器（教程）。