CN101639947A - 基于图像的植物三维形态测量与重建方法及系统 - Google Patents
基于图像的植物三维形态测量与重建方法及系统 Download PDFInfo
- Publication number
- CN101639947A CN101639947A CN200910091619A CN200910091619A CN101639947A CN 101639947 A CN101639947 A CN 101639947A CN 200910091619 A CN200910091619 A CN 200910091619A CN 200910091619 A CN200910091619 A CN 200910091619A CN 101639947 A CN101639947 A CN 101639947A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- point
- dimensional shape
- plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明涉及一种基于图像的植物三维形态测量与重建方法及系统,该方法包括步骤:在垂直方向不同位置获得两幅目标对象的图像;获取拍摄源的内部参数;从图像中提取目标对象的二维轮廓信息或二维骨架信息;通过极线约束算法,对轮廓或骨架进行特征匹配;根据内部参数以及特征匹配的结果,计算目标对象的三维形态结构数据;通过样条曲线、曲面拟合生成轮廓或骨架的三维模型,最终得到目标对象的三维模型。本发明的方法及系统根据农业主要作物快速、准确、无损的数据获取需求,面向主要作物的三维形态获取与重构以及在此基础上的主要农学参数的测量和计算设计相应数据获取方法,对开发实用工具具有重要的实际意义和广阔的应用前景。
Description
技术领域
本发明涉及基于图像的三维建模技术领域,尤其涉及一种基于图像的植物三维形态测量与重建方法及系统。
背景技术
农业是中国国民经济的基础。农业信息化是本世纪农业发展的重要标志,也是农业现代化的重要组成部分。在农业信息化实施过程中,农业通过信息化可以获得倍增效益。信息业可以通过对农业的信息软硬件服务形成农业信息产业,最终形成农业与信息业双赢的良好局面。现代农业在农业生产、流通等各个环节都离不开信息服务,农业信息已经涉及到了农业生产、流通的方方面面,加之信息本身的增效作用,使得农业信息服务的各环节都会有效益产生。
随着农业信息化技术的快速发展,新兴的虚拟现实技术在农业领域也越来越多地得到应用,特别值得一提的是,虚拟农业已经成为我国农业发展的一个重要趋势,虚拟农业不但可以将农业作物数字化,而且还能够为科研者提供方便的交互性操作与观察等,对于推动农业发展有着巨大的作用。
随着虚拟现实技术的发展,它对模型的需求日益增大。基于图像的三维重建方法以其快速便捷的优势在虚拟现实技术中被广泛应用。基于图像的三维重建是虚拟现实的一个重要研究方向,其主要目的是通过相机拍摄得到的图像,捕获相机内外参数并重建拍摄目标物体的三维模型。该方法与传统的三维建模方法相比,例如三维模型软件或者激光扫描仪等,具有成本低、自动化程度高等特点,且模型基本符合拍摄目标物体的几何结构。
传统的农业领域中获取作物形态数据的手段单一、不准确、不便捷,并且通常对植物体存在不同程度的损伤,因此具有很大局限性。
发明内容
本发明的目的是提供一种基于图像的植物三维形态测量与重建方法及系统,该方法及系统将现代计算机视觉技术、数字图像处理技术、多角度图像立体匹配、计算机图形技术与现代农业科学和生产过程相结合,可根据农业主要作物快速、准确、无损的数据获取需求,面向主要作物的三维形态获取与重建以及在此基础上的主要农学参数的测量和计算,设计相应数据获取方法,以克服现有技术的不足。
为实现上述目的,本发明采用如下技术方案。
本发明一种实施方式提供了一种基于图像的植物三维形态测量与重建方法,该方法包括步骤:
S1.在垂直方向不同位置获得两幅目标对象的图像;
S2.获取拍摄所述图像的拍摄源的内部参数;
S3.从所述图像中提取所述目标对象的二维轮廓信息或二维骨架信息;
S4.通过极线约束算法,对所述轮廓或骨架进行特征匹配;
S5.根据所述内部参数以及特征匹配的结果,计算所述目标对象的三维形态结构数据;
S6.通过样条曲线、曲面拟合生成所述轮廓或骨架的三维模型,最终得到所述目标对象的三维模型。
其中,步骤S3中提取所述目标对象的二维轮廓信息通过Harris算法实现叶片角点特征提取,其角点提取的响应函数为:
C(x,y)=λ1×λ2/(λ1+λ2)
λ1、λ2分别为所述图像像素的平均梯度矩阵的特征值。
其中,利用64维特征向量对所述提取的角点进行描述,并以特征向量欧氏距离作为步骤S4中的匹配准则。
其中,步骤S3中提取所述目标对象的二维骨架信息通过Hilditch算法实现骨架特征提取,其限制条件为:
(1)P0为白点,即P0=1;
(2)环绕P0周围的8个点当中,黑点个数大于2小于6,即2≤N(P0)≤6;
(3)S(P0)=1,其中S(P0)表示P0周围的8个点以P2、P3、P4、...P8、P1、P2为顺序时这些点的值从0到1的变化的次数;
(4)P1、P3、P7任意一点的值为0,或者以P1为中心的8个点的S(P1)不等于1,即P1×P3×P7=0或S(P1)≠1;
(5)P1、P3、P5任意一点的值为0,或者以P3为中心的8个点的S(P3)不等于1,即P1×P3×P5=0或S(P3)≠1。
其中,步骤S4中,匹配方法包括步骤:
A1.设第一图中某特征点T1与第二图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T2;
A2.若所述最小的欧氏距离小于设定的阈值,则将T2作为T1的候选匹配点,执行步骤S3,否则执行步骤A6;
A3.以所述T2为特征点,设T2与第一图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T3;
A4.若所述最小的欧氏距离小于设定的阈值,则将T3作为T2的候选匹配点,否则执行步骤A6;
A5.若所述T1及T3为相同的点,则T1与T2匹配成功,否则丢弃T2,返回步骤A1;
A6.返回A1进行第一图中下一个特征点的匹配,并删除T1点。
其中,步骤S5中三维形态结构数据的计算公式为:
y=b×(v1-v0)/(v1-v2);
b为拍摄两幅图像时拍摄源的垂直位差,(u1,v1)、(u2,v2)分别为特征点在以像素为单位的图像坐标系中的坐标。
本发明另一实施方式提供了一种基于图像的植物三维形态测量与重建系统,该系统包括:图像采集单元,用于在垂直方向不同位置获得两幅目标对象的图像;标定单元,用于获取拍摄所述图像的拍摄源的内部参数;特征提取单元,用于从所述图像中提取所述目标对象的二维轮廓信息或二维骨架信息;特征匹配单元,用于通过极线约束算法,对所述轮廓或骨架进行特征匹配;计算单元,用于根据所述内部参数以及特征匹配的结果,计算所述目标对象的三维形态结构数据;重建单元,用于通过样条曲线、曲面拟合生成所述轮廓或骨架的三维模型,并最终得到所述目标对象的三维模型。
本发明的方法及系统将现代计算机视觉技术、数字图像处理技术、多角度图像立体匹配、计算机图形技术与现代农业科学和生产过程相结合,根据农业主要作物快速、准确、无损的数据获取需求,面向主要作物的三维形态获取与重构以及在此基础上的主要农学参数的测量和计算设计相应数据获取方法,对开发实用工具具有重要的实际意义和广阔的应用前景。
附图说明
图1为依照本发明一种实施方式的基于图像的植物三维形态测量与重建方法流程图;
图2为依照本发明一种实施方式的SIFT算法原理图;
图3为依照本发明一种实施方式的特征匹配流程图;
图4为依照本发明一种实施方式的基于图像的植物三维形态测量与重建方法框图;
图5为本发明实施例中的图像采集原理图;
图6为本发明实施例中的相机标定的标定板;
图7为依照本发明实施例的黄瓜叶片模型的网格模型和纹理映射模型;
图8为依照本发明实施例的玉米三维骨架模型。
具体实施方式
本发明提出的基于图像的植物三维形态测量与重建方法及系统,结合附图和实施例说明如下。
本发明提供一种基于图像的植物三维形态测量与重建方法,包括将相应的软件系统装入计算机,植物三维形态的测量是通过处理每个视角的图像,利用立体视觉技术进行三维信息的计算;植物三维形态的重建即利用计算得到的三维信息,通过曲线拟合、纹理映射、光照控制等步骤重建出真实的三维模型。
如图1所示,依照本发明一种实施方式的基于图像的植物三维形态测量与重建方法包括步骤:
S1.将拍摄源分别固定于垂直方向上距离b的不同位置处,获得两幅目标对象的清晰有效的图像;
S2.获取拍摄源的内部参数;
S3.特征提取,即从图像中提取目标对象的二维轮廓信息或二维骨架信息,要经过图像的分割、灰度化、二值化、角点检测、边缘检测等相关运算;
S4.特征匹配,即通过极线约束算法,设定匹配准则,对轮廓或骨架进行特征匹配;
S5.根据内部参数以及特征匹配的结果,计算目标对象的三维形态结构数据;
S6.通过样条曲线、曲面拟合生成轮廓或骨架的三维模型,最终得到目标对象的三维模型。
其中,与拍摄源内部几何和光学特性有关的参数为拍摄源的内部参数(包括焦距、光心、扭曲因子等),而图像平面的位置和相对于某个坐标系的转向为外参数,本发明步骤S2中只需获得拍摄源的内部参数,包括主点坐标(u0,v0),及归一化焦距归一化焦距通过整合拍摄源的焦距f与水平、竖直方向的像元间距(dx,dy)得到。在图像上定义直角坐标系(u,v),u,v分别是像素在数列中的列数与行数,所以,(u,v)是以像素为单位的图像坐标系的坐标。由于(u,v)只表示像素位于数组中的列数与行数,并没有用物理单位表示出该像素在图像中的位置,因而,需要再建立以物理单位表示的图像坐标系。该坐标系以图像内某一点O1为原点,x轴与y轴分别与图像u轴与v轴平行,在x,y坐标系中,原点O1定义在相机光轴与图像平面的交点,该点一般位于图像中心处,但由于相机制作的原因,也会有些偏离。若O1在u,v坐标系中的坐标为(u0,v0),每个像素在x轴与y轴方向上的物理尺寸为dx、dy,取
步骤S3中提取目标对象的二维轮廓信息是通过改进的Harris算法实现叶片角点特征提取,考虑Harris算法对噪声的敏感和计算的复杂性,本发明给出了新的角点提取的响应函数:
在图像I上计算每个像素的平均梯度矩阵:
其中,<>表示二维卷积,Ix、Iy分别是对图像水平和竖直方向上求偏导,即 ω是个二维权值矩阵,矩阵元素由二维高斯函数构成,即
假设矩阵M的特征值分别为λ1、λ2,则
当角点响应函数的取值是局部极大值且大于一定的阈值时,则认为是角点。通过设定不同的阈值和局部窗口的大小,能够得到不同的角点特征,阈值越大,提取的角点越少。
由于在不同方位拍摄图像的亮度会有所不同,这样给匹配带来一定的难度,在匹配中,本方法利用了极线约束和模板匹配的方法,并在特征点的描述中利用了SIFT(Scale Invariant Feature Transform,尺度不变特征变换)特征描述子的方法,以获得良好的匹配效果。具体采用8*8=64维的特征向量,在每个特征点周围采用9*9的窗口,如图2所示,图中,黑色表示检测的角点,然后将80个像素分成8个区域,每个区域再用八个方向的幅值表示,最终形成64维的特征向量。将64维的特征描述子的长度归一化以进一步消除光照变化的影响,同时为了提高算法对非线性光照变化的鲁棒性,限制经过归一化后向量的每个元素的值不超过0.3(经验值),即如果超过0.3,则赋值该元素的值为0.3。
提取目标对象的二维骨架信息过程首先将图像进行分割、二值化处理,再通过改进的Hilditch算法实现骨架特征提取。首先将二值图像进行标记,需要细化的部分标记为1,背景标记为0。如表1所示,本发明的方法在考虑每个点周围8个相邻的点的同时,还考虑了8个点各自周围的情况,并根据点与点之间的关联情况对Hilditch算法的限制条件进行了重新设定:
表1:P0周围8个点以及这8个点相关联的25个点的区域图
P12 | P11 | P10 | P9 | P24 |
P13 | P2 | P1 | P8 | P23 |
P14 | P3 | P0 | P7 | P22 |
P15 | P4 | P5 | P6 | P21 |
P16 | P17 | P18 | P19 | P20 |
考虑25个点的区域,可在研究P0周围8个点情况的同时,还能够研究这8个点各自周围点的关联情况。例如当只考虑P0周围8个点时,P0、P2、P3、P4为白点,其余点为黑点时,这时P0是不能去除的,因为从P0环绕的8个点的情况来分析,P0为横向拓补点,而当考虑25个点的区域时,还发现P11、P12、P13、P14、P15、P16、P17点也为白点,那么可以认为P0是纵向结构上多余点像素,可以去除。通过上述过程实现骨架特征点的提取。
其限制条件为:
(1)P0为白点,即P0=1;
(2)环绕P0周围的8个点当中,黑点个数大于2小于6,即2≤N(P0)≤6;
(3)S(P0)=1,其中S(P0)表示P0周围的8个点以P2、P3、P4、...P8、P1、P2为顺序时这些点的值从0到1的变化的次数;
(4)P1、P3、P7任意一点的值为0,或者以P1为中心的8个点的S(P1)不等于1,即P1×P3×P7=0或S(P1)≠1;
(5)P1、P3、P5任意一点的值为0,或者以P3为中心的8个点的S(P3)不等于1,即P1×P3×P5=0或S(P3)≠1。
步骤S4中,特征匹配方法具体包括以下步骤:
A1.设第一图中某特征点T1与第二图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T2;
A2.若该最小的欧氏距离小于设定的阈值,则将T2作为T1的候选匹配点,执行步骤S3,否则执行步骤A6;
A3.以T2为特征点,设T2与第一图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T3;
A4.若该最小的欧氏距离小于设定的阈值,则将T3作为T2的候选匹配点,否则执行步骤A6;
A5.若T1及T3为相同的点,则T1与T2匹配成功,否则丢弃T2,返回步骤A1;
A6.返回A1进行第一图中下一个特征点的匹配,并删除T1点。
步骤S5中三维形态结构数据的计算是根据特征匹配的结果和拍摄源的内部参数来进行的,计算公式为:
y=b×(v1-v0)/(v1-v2);
(u1,v1)、(u2,v2)分别为特征点在以像素为单位的图像坐标系中的坐标,求出所有空间点的三维坐标,就可以根据样条曲线插值算法重建空间三维模型,实现模型重构,进而利用空间任意两点间的距离公式计算出两点间的距离从而实现三维空间测量。
如图4所示,依照本发明一种实施方式的基于图像的植物三维形态测量与重建系统包括:图像采集单元,用于在垂直方向不同位置获得两幅目标对象的图像;标定单元,用于获取拍摄图像的拍摄源的内部参数;特征提取单元,用于从所述图像中提取所述目标对象的二维轮廓信息或二维骨架信息;特征匹配单元,用于通过极线约束算法,设定匹配准则,对轮廓或骨架进行特征匹配;计算单元,用于根据内部参数以及特征匹配的结果,计算目标对象的三维形态结构数据;重建单元,用于通过样条曲线、曲面拟合生成所述轮廓或骨架的三维模型,最终得到目标对象的三维模型。
实施例1
本实施例以黄瓜为研究对象提出的一种基于图像的植物三维形态测量与重建方法,适用于类似黄瓜的主要以叶片为主的植物的三维形态的测量与重建。具体步骤如下:
S1.图像采集,如图5所示,给出了图像采集的原理图,在拍摄时,首先将作为拍摄源的相机固定在一个三脚架上,然后拍摄一幅图像,然后让相机作垂直运动,下降或上升一定的距离b,再拍摄另外一幅图像。
S2.相机标定,图6给出了本实施例制定的相机标定板,在不同的方位拍摄该标定板的图像,通过角点提取算法,获得方格的角点。再根据标定板的几何尺寸和角点在图像中的坐标,通过最小二乘法解方程,最终获得相机的内参数。计算的相机内参数矩阵如下:
S3.特征提取,利用图像分割首先将叶片从图像中分割出来,再利用特征提取算法,提取叶片边缘和中脉的角点特征,采用改进的Harris算法,角点提取的响应函数为:
C(x,y)=λ1×λ2/(λ1+λ2)。
S4.特征匹配,具体包括以下步骤:
A1.设第一图中某特征点T1与第二图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T2;
A2.若该最小的欧氏距离小于设定的阈值,则将T2作为T1的候选匹配点,执行步骤S3,否则执行步骤A6;
A3.以T2为特征点,设T2与第一图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T3;
A4.若该最小的欧氏距离小于设定的阈值,则将T3作为T2的候选匹配点,否则执行步骤A6;
A5.若T1及T3为相同的点,则T1与T2匹配成功,否则丢弃T2,返回步骤A1;
A6.返回A1进行第一图中下一个特征点的匹配,并删除T1点。
S5.特征点三维信息的计算,在图5中取C1的坐标系O1X1Y1Z1为世界坐标系,若任何空间点P的坐标在C1坐标系下为(x,y,z),那么在C2坐标系O2X2Y2Z2为(x,y-b,z)。由中心摄影的比例关系能够得到:
S6.叶片模型的重建,利用样条曲线插值上述计算的三维特征点形成叶片的基本轮廓模型,最后再利用三角网格化、纹理映射、光照控制等技术形成真实的叶片模型。图7分别给出了黄瓜叶片模型的网格模型和纹理映射模型。
实施例2
本实施例以玉米为研究对象,提出了一种基于图像的植物三维形态测量与重建方法,适用于类似玉米的主要以茎、杆为主的植物的三维形态的测量与重建。
与实施例1不同之处在于:
S3.特征点提取,提取玉米的二维骨架信息过程首先将玉米图像进行分割、二值化处理,在通过改进的Hilditch算法实现骨架特征提取,首先将二值图像进行标记,需要细化的部分标记为1,背景标记为0。如表1所示,本发明的方法在考虑每个点周围8个相邻的点的同时,还考虑了8个点各自周围的情况,并根据点与点之间的关联情况对Hilditch算法的限制条件进行了重新设定:
表1:P0周围8个点以及这8个点相关联的25个点的区域图
P12 | P11 | P10 | P9 | P24 |
P13 | P2 | P1 | P8 | P23 |
P14 | P3 | P0 | P7 | P22 |
P15 | P4 | P5 | P6 | P21 |
P16 | P17 | P18 | P19 | P20 |
考虑25个点的区域,可在研究P0周围8个点情况的同时,还能够研究这8个点各自周围点的关联情况。例如当只考虑P0周围8个点时,P0、P2、P3、P4为白点,其余点为黑点时,这时P0是不能去除的,因为从P0环绕的8个点的情况来分析,P0为横向拓补点,而当考虑25个点的区域时,还发现P11、P12、P13、P14、P15、P16、P17点也为白点,那么可以认为P0是纵向结构上多余点像素,可以去除。通过上述过程实现骨架特征点的提取。
其限制条件为:
(1)P0为白点,即P0=1;
(2)环绕P0周围的8个点当中,黑点个数大于2小于6,即2≤N(P0)≤6;
(3)S(P0)=1,其中S(P0)表示P0周围的8个点以P2、P3、P4、...P8、P1、P2为顺序时这些点的值从0到1的变化的次数;
(4)P1、P3、P7任意一点的值为0,或者以P1为中心的8个点的S(P1)不等于1;即P1×P3×P7=0或S(P1)≠1;
(5)P1、P3、P5任意一点的值为0,或者以P3为中心的8个点的S(P3)不等于1;即P1×P3×P5=0或S(P3)≠1。
图8给出了玉米的三维骨架模型。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (8)
1、一种基于图像的植物三维形态测量与重建方法,该方法包括步骤:
S1.在垂直方向不同位置获得两幅目标对象的图像;
S2.获取拍摄所述图像的拍摄源的内部参数;
S3.从所述图像中提取所述目标对象的二维轮廓信息或二维骨架信息;
S4.通过极线约束算法,对所述轮廓或骨架进行特征匹配;
S5.根据所述内部参数以及特征匹配的结果,计算所述目标对象的三维形态结构数据;
S6.通过样条曲线、曲面拟合生成所述轮廓或骨架的三维模型,最终得到所述目标对象的三维模型。
3、如权利要求1所述的基于图像的植物三维形态测量与重建方法,其特征在于,步骤S3中提取所述目标对象的二维轮廓信息通过Harris算法实现叶片角点特征提取,其角点提取的响应函数为:
C(x,y)=λ1×λ2/(λ1+λ2)
其中,λ1、λ2分别为所述图像像素的平均梯度矩阵的特征值。
4、如权利要求3所述的基于图像的植物三维形态测量与重建方法,其特征在于,利用64维特征向量对所述提取的角点进行描述,并以特征向量欧氏距离作为步骤S4中的匹配准则。
5、如权利要求1所述的基于图像的植物三维形态测量与重建方法,其特征在于,步骤S3中提取所述目标对象的二维骨架信息通过Hilditch算法实现骨架特征提取,其限制条件为:
(1)P0为白点,即P0=1;
(2)环绕P0周围的8个点当中,黑点个数大于2小于6,即2≤N(P0)≤6;
(3)S(P0)=1,其中S(P0)表示P0周围的8个点以P2、P3、P4、...P8、P1、P2为顺序时这些点的值从0到1的变化的次数;
(4)P1、P3、P7任意一点的值为0,或者以P1为中心的8个点的S(P1)不等于1,即P1×P3×P7=0或S(P1)≠1;
(5)P1、P3、P5任意一点的值为0,或者以P3为中心的8个点的S(P3)不等于1,即P1×P3×P5=0或S(P3)≠1。
6、如权利要求1或4所述的基于图像的植物三维形态测量与重建方法,其特征在于,步骤S4中,匹配方法包括步骤:
A1.设第一图中某特征点T1与第二图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T2;
A2.若所述最小的欧氏距离小于设定的阈值,则将T2作为T1的候选匹配点,执行步骤S3,否则执行步骤A6;
A3.以所述T2为特征点,设T2与第一图中对应极线上的特征点分别求欧氏距离,取欧氏距离最小点T3;
A4.若所述最小的欧氏距离小于设定的阈值,则将T3作为T2的候选匹配点,否则执行步骤A6;
A5.若所述T1及T3为相同的点,则T1与T2匹配成功,否则丢弃T2,返回步骤A1;
A6.返回A1进行第一图中下一个特征点的匹配,并删除T1点。
7、如权利要求1或2所述的基于图像的植物三维形态测量与重建方法,其特征在于,步骤S5中三维形态结构数据的计算公式为:
y=b×(v1-v0)/(v1-v2);
其中,b为拍摄两幅图像时拍摄源的垂直位差,(u1,v1)、(u2,v2)分别为特征点在以像素为单位的图像坐标系中的坐标。
8、一种基于图像的植物三维形态测量与重建系统,该系统包括:
图像采集单元,用于在垂直方向不同位置获得两幅目标对象的图像;
标定单元,用于获取拍摄所述图像的拍摄源的内部参数;
特征提取单元,用于从所述图像中提取所述目标对象的二维轮廓信息或二维骨架信息;
特征匹配单元,用于通过极线约束算法,对所述轮廓或骨架进行特征匹配;
计算单元,用于根据所述内部参数以及特征匹配的结果,计算所述目标对象的三维形态结构数据;
重建单元,用于通过样条曲线、曲面拟合生成所述轮廓或骨架的三维模型,并最终得到所述目标对象的三维模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910091619A CN101639947A (zh) | 2009-08-26 | 2009-08-26 | 基于图像的植物三维形态测量与重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910091619A CN101639947A (zh) | 2009-08-26 | 2009-08-26 | 基于图像的植物三维形态测量与重建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101639947A true CN101639947A (zh) | 2010-02-03 |
Family
ID=41614913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910091619A Pending CN101639947A (zh) | 2009-08-26 | 2009-08-26 | 基于图像的植物三维形态测量与重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101639947A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833787A (zh) * | 2010-04-13 | 2010-09-15 | 北京农业信息技术研究中心 | 一种基于球b样条的植物叶片建模方法 |
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN102865814A (zh) * | 2012-08-31 | 2013-01-09 | 北京农业信息技术研究中心 | 植物群体三维重建误差测量方法 |
CN103065352A (zh) * | 2012-12-20 | 2013-04-24 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
CN103197323A (zh) * | 2013-04-17 | 2013-07-10 | 清华大学 | 一种用于激光测距机的扫描数据匹配方法及装置 |
CN103646421A (zh) * | 2013-12-13 | 2014-03-19 | 贾金原 | 基于增强型PyrLK光流法的树木轻量化3D重建方法 |
CN104102343A (zh) * | 2013-04-12 | 2014-10-15 | 何安莉 | 交互式输入系统和方法 |
CN104794437A (zh) * | 2015-04-07 | 2015-07-22 | 广东瑞德智能科技股份有限公司 | 一种手写输入文字图像细化处理方法 |
CN105241377A (zh) * | 2015-09-16 | 2016-01-13 | 中国农业大学 | 基于云镜摄系统参数和视频帧的植物三维测量方法和系统 |
CN106228612A (zh) * | 2016-07-11 | 2016-12-14 | 浙江大学 | 利用定轴旋转轮廓图重建马铃薯三维表面的方法和装置 |
CN108053485A (zh) * | 2017-12-29 | 2018-05-18 | 浙江大学 | 一种基于轮廓图像的马铃薯三维建模方法 |
CN108088864A (zh) * | 2017-12-15 | 2018-05-29 | 浙江隆劲电池科技有限公司 | 一种材料三维微观结构重构方法及系统 |
CN108198215A (zh) * | 2017-12-05 | 2018-06-22 | 西安工程大学 | 一种多视角三维物体骨架图像提取方法 |
CN108489418A (zh) * | 2018-03-01 | 2018-09-04 | 北京农业智能装备技术研究中心 | 一种秧苗叶片立体形态测量方法及装置 |
CN109285217A (zh) * | 2018-09-10 | 2019-01-29 | 中国科学院自动化研究所 | 基于多视角图像的过程式植物模型重建方法 |
CN109814126A (zh) * | 2018-12-29 | 2019-05-28 | 北京农业信息技术研究中心 | 一种移动式平面激光雷达植物形态测量装置 |
CN109872371A (zh) * | 2019-01-24 | 2019-06-11 | 哈尔滨理工大学 | 一种基于改进Sift算法的单目视觉三维重建方法 |
CN109949899A (zh) * | 2019-02-28 | 2019-06-28 | 未艾医疗技术(深圳)有限公司 | 图像三维测量方法、电子设备、存储介质及程序产品 |
CN110070571A (zh) * | 2019-04-28 | 2019-07-30 | 安徽农业大学 | 一种基于深度相机的毛竹形态参数检测方法 |
CN111429394A (zh) * | 2019-01-08 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 基于图像的检测方法、装置、电子设备和存储介质 |
CN111536890A (zh) * | 2020-05-09 | 2020-08-14 | 中南大学 | 蜂窝规整度检测的Harris顶点提取方法及其系统 |
CN115326656A (zh) * | 2022-10-14 | 2022-11-11 | 西南交通大学 | 交通土建用颗粒材料松铺层颗粒粒径及级配无损测量方法 |
CN115393352A (zh) * | 2022-10-27 | 2022-11-25 | 浙江托普云农科技股份有限公司 | 基于图像识别的作物夹角测量方法及其应用 |
-
2009
- 2009-08-26 CN CN200910091619A patent/CN101639947A/zh active Pending
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833787A (zh) * | 2010-04-13 | 2010-09-15 | 北京农业信息技术研究中心 | 一种基于球b样条的植物叶片建模方法 |
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN101944231B (zh) * | 2010-08-19 | 2012-01-04 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN102865814B (zh) * | 2012-08-31 | 2015-02-11 | 北京农业信息技术研究中心 | 植物群体三维重建误差测量方法 |
CN102865814A (zh) * | 2012-08-31 | 2013-01-09 | 北京农业信息技术研究中心 | 植物群体三维重建误差测量方法 |
CN103065352B (zh) * | 2012-12-20 | 2015-04-15 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
CN103065352A (zh) * | 2012-12-20 | 2013-04-24 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
CN104102343A (zh) * | 2013-04-12 | 2014-10-15 | 何安莉 | 交互式输入系统和方法 |
CN104102343B (zh) * | 2013-04-12 | 2019-03-01 | 杭州凌感科技有限公司 | 交互式输入系统和方法 |
US10203765B2 (en) | 2013-04-12 | 2019-02-12 | Usens, Inc. | Interactive input system and method |
CN103197323A (zh) * | 2013-04-17 | 2013-07-10 | 清华大学 | 一种用于激光测距机的扫描数据匹配方法及装置 |
CN103646421A (zh) * | 2013-12-13 | 2014-03-19 | 贾金原 | 基于增强型PyrLK光流法的树木轻量化3D重建方法 |
CN103646421B (zh) * | 2013-12-13 | 2016-08-17 | 贾金原 | 基于增强型PyrLK光流法的树木轻量化3D重建方法 |
CN104794437A (zh) * | 2015-04-07 | 2015-07-22 | 广东瑞德智能科技股份有限公司 | 一种手写输入文字图像细化处理方法 |
CN105241377B (zh) * | 2015-09-16 | 2018-04-13 | 中国农业大学 | 基于云镜摄系统参数和视频帧的植物三维测量方法和系统 |
CN105241377A (zh) * | 2015-09-16 | 2016-01-13 | 中国农业大学 | 基于云镜摄系统参数和视频帧的植物三维测量方法和系统 |
CN106228612A (zh) * | 2016-07-11 | 2016-12-14 | 浙江大学 | 利用定轴旋转轮廓图重建马铃薯三维表面的方法和装置 |
CN106228612B (zh) * | 2016-07-11 | 2019-01-29 | 浙江大学 | 利用定轴旋转轮廓图重建马铃薯三维表面的方法和装置 |
CN108198215A (zh) * | 2017-12-05 | 2018-06-22 | 西安工程大学 | 一种多视角三维物体骨架图像提取方法 |
CN108198215B (zh) * | 2017-12-05 | 2021-12-14 | 西安工程大学 | 一种多视角三维物体骨架图像提取方法 |
CN108088864A (zh) * | 2017-12-15 | 2018-05-29 | 浙江隆劲电池科技有限公司 | 一种材料三维微观结构重构方法及系统 |
CN108053485A (zh) * | 2017-12-29 | 2018-05-18 | 浙江大学 | 一种基于轮廓图像的马铃薯三维建模方法 |
CN108053485B (zh) * | 2017-12-29 | 2020-08-07 | 浙江大学 | 一种基于轮廓图像的马铃薯三维建模方法 |
CN108489418A (zh) * | 2018-03-01 | 2018-09-04 | 北京农业智能装备技术研究中心 | 一种秧苗叶片立体形态测量方法及装置 |
CN108489418B (zh) * | 2018-03-01 | 2020-02-14 | 北京农业智能装备技术研究中心 | 一种秧苗叶片立体形态测量方法及装置 |
CN109285217A (zh) * | 2018-09-10 | 2019-01-29 | 中国科学院自动化研究所 | 基于多视角图像的过程式植物模型重建方法 |
CN109814126A (zh) * | 2018-12-29 | 2019-05-28 | 北京农业信息技术研究中心 | 一种移动式平面激光雷达植物形态测量装置 |
CN111429394B (zh) * | 2019-01-08 | 2024-03-01 | 阿里巴巴集团控股有限公司 | 基于图像的检测方法、装置、电子设备和存储介质 |
CN111429394A (zh) * | 2019-01-08 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 基于图像的检测方法、装置、电子设备和存储介质 |
CN109872371A (zh) * | 2019-01-24 | 2019-06-11 | 哈尔滨理工大学 | 一种基于改进Sift算法的单目视觉三维重建方法 |
CN109949899A (zh) * | 2019-02-28 | 2019-06-28 | 未艾医疗技术(深圳)有限公司 | 图像三维测量方法、电子设备、存储介质及程序产品 |
CN109949899B (zh) * | 2019-02-28 | 2021-05-28 | 未艾医疗技术(深圳)有限公司 | 图像三维测量方法、电子设备、存储介质及程序产品 |
CN110070571A (zh) * | 2019-04-28 | 2019-07-30 | 安徽农业大学 | 一种基于深度相机的毛竹形态参数检测方法 |
CN111536890A (zh) * | 2020-05-09 | 2020-08-14 | 中南大学 | 蜂窝规整度检测的Harris顶点提取方法及其系统 |
CN115326656B (zh) * | 2022-10-14 | 2022-12-23 | 西南交通大学 | 交通土建用颗粒材料松铺层颗粒粒径及级配无损测量方法 |
CN115326656A (zh) * | 2022-10-14 | 2022-11-11 | 西南交通大学 | 交通土建用颗粒材料松铺层颗粒粒径及级配无损测量方法 |
CN115393352A (zh) * | 2022-10-27 | 2022-11-25 | 浙江托普云农科技股份有限公司 | 基于图像识别的作物夹角测量方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
Chen et al. | An end-to-end shape modeling framework for vectorized building outline generation from aerial images | |
US11244197B2 (en) | Fast and robust multimodal remote sensing image matching method and system | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN107093205B (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN104318548B (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
CN103727930B (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN106991695A (zh) | 一种图像配准方法及装置 | |
CN109446895B (zh) | 一种基于人体头部特征的行人识别方法 | |
CN106709948A (zh) | 一种基于超像素分割的快速双目立体匹配方法 | |
CN103914847A (zh) | 基于相位一致性和sift的sar图像配准方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
JP2021168143A (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN104834931A (zh) | 一种基于小波变换的改进的尺度不变特征匹配算法 | |
CN107886539B (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN109493384A (zh) | 相机位姿估计方法、系统、设备及存储介质 | |
CN104732546A (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
CN102509293A (zh) | 异源图像的一致性特征检测方法 | |
CN116129037A (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
CN113628170B (zh) | 一种基于深度学习的激光线提取方法及系统 | |
Kang et al. | Image registration based on harris corner and mutual information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20100203 |