数据归一化的旋转不变性可以通过比例因子来评估。
比例因子的均值和标准分别为1.949和3.452×10−33.452×10−3，分别针对112张生菜叶图像，表明数据归一化获得了高度一致的叶子图像结果。
计算每片叶子的旋转图像的平均值和标准，然后进行统计分析。这些叶片的最小和最大比例因子分别为0.933和4.283，所有测试图像的比例因子标准差分布均小于0.03。
不同比例因子的归一化图像存在面积偏差。
781个语义分量的平均面积偏差分别为812.779、015.657、497.645、293.523、569.222、495.7像素。
这表明数据规范化可以将叶子调整到相同的方向，并且对每个语义组件的面积影响很小。
静脉角度可以根据一级层计算。
每个薄片的轮廓被简化为多边形链，使用基于道格拉斯-皮克算法的较少点。
近似多边形保留了原始轮廓形状，并且使用较少的节点来消除角度计算中的模糊性。
简化面具有原始等值线点的子集。由于归一化叶子，默认公差可以应用于几乎所有叶片。
在多边形节点中，选择离叶底和中叶最近的点作为适当的附着点。使用面的两个相邻线段计算每个连接点的相应脉角。
莴苣叶片的复杂形状和结构，如叶褶皱、扭曲脉、多个主脉等，对叶片表型提出了挑战。
对于这些特定的叶子情况，很难通过图像技术准确地提取叶子语义成分。
表型流水线只能应用于符合数据标注规范的叶类型，并非适用于所有叶子类型。
因此，需要手动筛选生菜叶图像以确保其有效性。
此外，莴苣叶的正面图像和背面图像之间总是存在相似的语义成分。
因此，正背图像不仅可以用于验证表型方法的可靠性，还可以用于分析正背叶之间的性状差异。
生菜叶的这些语义成分贡献了许多难以手动测量的准确和定量特征。
部分性状具有明显的生理生态意义，或与莴苣品质和产量有关，如正背叶色差、叶脉面积比等。
因此，这些基于图像的性状不仅对莴苣品种的基因功能分析和定位具有价值，而且可用于莴苣叶片的分类和鉴定。
重要特征的选择对于完善生菜叶及其成分的描述很有价值。
主成分分析可用于通过融合降维，从而大大减少特征的数量。单个重要特征或主成分都可用于叶片分类和分级。
本文将特征集分为四种类型，基于静脉，基于颜色和组合，然后用于PCA分析
