CN102903145B - 植物群体形态结构三维重建方法 - Google Patents

Abstract

本发明公开了一种植物群体形态结构三维重建方法，涉及三维图形生成技术领域。包括步骤：S1.测量待重建植物群体的冠层形态特征参数数据；S2.根据所述形态特征参数数据，构建植物群体冠层形态特征统计模型；S3.获取待重建植物群体的每株植物的位置与节间数量信息；S4.根据步骤S3获取的节间数量信息和步骤S2构建的冠层形态特征统计模型重建待重建植物群体中的每株植物的三维模型；S5.根据所述位置信息，将每株植物的所述三维模型移动到三维场景的相应位置，完成所述待重建植物群体的三维重建。本发明的方法能够精确简单地进行植物群体的三维重建。

Description

植物群体形态结构三维重建方法

技术领域

本发明涉及三维图形生成技术领域，尤其涉及一种植物群体形态结构三维重建方法。

背景技术

为建立植物群体的三维形态结构，部分研究者提出了基于过程模型的植物形态结构模拟方法。典型的植物形态结构变化过程模拟模型包括L-system、GreenLab等，上述方法主要通过观察和实验数据分析，建立描述植物生长过程中形态结构变化过程的数学模型，包括形态结构变化与环境因素之间的关系，在此基础上，输入一组环境条件参数，即可模拟特定环境条件的植物形态的变化过程及结果。但是，在基于过程模型的植物形态结构模拟方法中，由于目前用来描述植物形态变化过程的数学模型都做了部分假设和简化，这使得最终模拟得到的植物形态结构与真实栽培条件下生长起来的植物形态结构还存在较大的差异，尤其是在植物群体的三维建模方面，模型的精度和准确性都需要提高。

随着三维数字化技术的不断成熟，数字化仪和三维扫描仪等设备被广泛应用，近年来也逐渐被越来越多的研究者用于植物三维形态的测量和重建中。

部分研究者采用三维数字化仪采集植物的空间形态信息，如枝条、叶子等器官上的少量空间特征点，并基于这些信息重建植物群体的三维模型。具体地，通过采集得到的植物茎干、枝条的空间特征信息，建立植物群体中每株植物主要枝干的骨架结构，并结合各枝条的半径信息生成枝干的三维模型；而植物叶片、果实等器官的三维形态可以通过从这些器官上采集得到的少数几个形态特征点，结合参数曲面技术进行重建；最后将叶子和果实器官的三维形态放置到植株主要枝干三维模型上，即可实现植物群体形态的三维重建。由于三维数字化仪每次仅能够获取一个数据点，要对植物群体进行数据采集往往需要耗费几个小时甚至几天的时间，同时由于植物冠层枝叶繁茂，数据获取操作不方便、繁琐，因此该方法不适合用来进行植物群体的三维重建。

还存在一种利用三维激光扫描仪获得植物表面的空间数据点（一般称为点云数据），然后从这些点云数据上重构植物器官或植株的三维模型的方法。由于三维激光扫描仪能够快速、精确地获得植物表面的大量空间点，从而能够避免繁琐的手工测量工作，并精确重建植物的外形轮廓结构。该方法存在的主要问题是：（1）由于植物冠层枝叶较多，细枝和叶子往往难以直接从扫描数据中重建，所以这种方法都是通过应用某种随机规则或植物形态学知识生成细枝和叶子，从而实现视觉上“真实”的重建，但这样重建得到的三维植物冠层结构与真实植物还存在较大的差别，特别是叶子的密度、空间朝向、叶面积等都可能与实际存在较大的误差，难以应用于进行冠层光分布特性、株型特征等的研究和分析；（2）三维激光扫描仪获取的植物三维点云数据量一般都非常大，往往一棵植物的点云数据就达到上百万的规模，要从这些大量无序的点云数据中识别植物的每个器官并恢复植物的原有形态结构是一个巨大的挑战，同时由于植物冠层中器官众多，遮挡问题严重，造成扫描仪获取的三维点云中部分器官数据缺失。

基于图像的重建方法的主要思想是先对一个真实的植物从不同的角度拍摄一系列的图像，然后从这些图像序列中重构出植物的三维形态。对于单个器官，这种方法较容易获得器官的造型，但对于整棵植物，要从植物的图像序列中自动地恢复植物的几何形态，尚有很多问题需要解决。如图像中器官的分割和自动识别、被遮挡器官的恢复等都是复杂的问题，目前尚未有令人满意的解决方案。即该方法难以解决图像中被遮挡器官的恢复问题，由于植物群体冠层中器官繁多，相互之间的遮挡十分普遍，采用基于图像的重建方法获得的三维模型的准确性难以保证。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：提供一种能够精确简单地进行植物群体的三维重建的植物群体形态结构三维重建方法。

（二）技术方案

为解决上述问题，本发明提供了一种植物群体形态结构三维重建方法，该方法包括步骤：

S1.测量待重建植物群体的冠层形态特征参数数据；

S2.根据所述形态特征参数数据，构建植物群体冠层形态特征统计模型；

S3.获取待重建植物群体的每株植物的位置与节间数量信息；

S4.根据步骤S3获取的节间数量信息和步骤S2构建的冠层形态特征统计模型重建待重建植物群体中的每株植物的三维模型；

S5.根据所述位置信息，将每株植物的所述三维模型移动到三维场景的相应位置，完成所述待重建植物群体的三维重建。

优选地，在步骤S1中，在植物群体中选取20～30株相邻的植物测量，所述冠层形态特征参数数据，所述冠层形态特征参数包括：每个节间的节间长度、节间与垂直方向的夹角，以及每个叶子的叶柄长度、叶片长度、茎叶夹角、叶倾角。

优选地，在步骤S1中，还包括记录每个节间和叶子的年龄的步骤。

优选地，所述植物最顶部的节间、叶柄、以及叶片的年龄为1，从所述植物顶部往根部，每个节间、叶柄、以及叶片的年龄递增1年。

优选地，在步骤S2中，在构建的植物群体冠层形态特征统计模型中：

所述节间长度的统计模型为：

L_internode=a_il×λ³+b_il×λ²+c_il×λ+d_il

所述叶柄长度的统计模型为：

L_Petiole=a_pl×λ³+b_pl×λ²+c_pl×λ+d_pl；

所述叶片长度的统计模型为：

L_leaf=a_ll×λ³+b_ll×λ²+c_ll×λ+d_ll

其中，L_internode为节间长度，L_Petiole为节间长度，L_leaf为叶片长度，λ为所述植物的器官的年龄，a_il、b_il、c_il、d_il、a_pl、b_pl、c_pl、d_pl、a_ll、b_ll、c_ll、d_ll均为常数因子，通过最小二乘法从所述数据中拟合得到；

所述节间与垂直方向的夹角、茎叶夹角以及叶倾角三个特征参数的取值分别为0～360之间的随机值。

优选地，在步骤S3中，利用三维数字化仪获取所述待重建植物群体中每株植物地上部根节点的坐标位置，并测量每株植物的节间个数。

优选地，步骤S4进一步包括：

S4.1根据所述节间个数，建立每株植物主茎和叶柄的初始骨架模型；

S4.2根据所述植物群体冠层形态特征统计模型调整所述主茎和叶柄的初始骨架模型，重建每株植物主茎和叶柄的三维网络模型；

S4.3根据叶片三维模型模板库，对每株植物的所述主茎和叶柄的三维网络模型进行叶片曲面模型的放置和长度调整。

优选地，在步骤S4.2中，根据所述节间长度的统计模型计算初始骨架模型中每个节间的长度L’_internode：

L’_internode=a_il×λ³+b_il×λ²+c_il×λ+d_il+η×IL

根据所述节间长度的统计模型计算初始骨架模型中每个叶柄的长度L’_Petiole：

L’_Petiole＝a_pl×λ³+b_pl×λ²+c_pl×λ+d_pl+η×PL；

其中，η为-0.3～0.3之间的随机数，IL为所述植物群体的平均节间长度，通过所述形态特征参数数据中的节间长度计算平均值得到；

且对每个节间，节间与垂直方向的夹角设置为一个0～360之间随机数，每个叶柄与其着生节间的夹角设置为一个0～360之间随机数设置。

优选地，步骤S4.3进一步包括：

S4.31根据每株植物的所述主茎和叶柄三维网格模型，对模型中的每个叶柄，根据所述叶柄的年龄从叶片三维模型模板库中选取一个相应类型的叶片三维模型；

S4.32根据所述叶柄的节位以及所述叶片长度的统计模型，计算叶片长度L’_leaf：

L’_leaf=a_ll×λ³+b_ll×λ²+c_ll×λ+d_ll+θ×LL

其中，θ为-0.2～0.2之间的随机数，LL为所述待重建植物群体的平均叶片长度，通过所述形态特征参数数据中的叶片长度计算平均值得到；

S4.33根据步骤S4.32计算得到的叶片长度对选取出来的叶片三维模型进行缩放，使缩放后的叶片三维模型中，叶根到叶尖的直线距离等于计算得到的叶片长度；

S4.34将步骤S4.33缩放后的叶片三维模型放置到叶柄的顶端，然后根据叶柄的方位角调整叶片三维模型的方位角，使叶片三位模型的方位角与叶柄的方位角一致；

S4.35调整步骤S4.34放置后的叶片三维模型的倾角，将所述叶片三维模型与地面的夹角设置为一个0～360之间的随机数。

优选地，所述叶片三维模型模板库通过以下方法构建：

随机选取设定数量的植物，测量每株植物的叶子数量，然后计算每株植物的叶子平均数Ln，按叶子年龄将所述植物的植物群体的叶子分为5种类型，每种类型的叶子的年龄区间分别为：

叶子类型1：

叶子类型2：

叶子类型3：

叶子类型4：

叶子类型5：

在所述植物的植物群体中，对以上5种类型的叶子，每种类型选取5-8个叶子，采用三维扫描仪从向阳面获取叶片的三维点云数据，并根据所述点云数据生成每个叶片的三维模型；

对每个所述叶片三维模型进行调整，使每个所述叶片模型的叶根都处于原点位置，同时叶尖都处于相同的方向，并通过缩放三维模型网格顶点的方法使每个叶片模型中，叶根到叶尖的长度均为10cm；

处理后的所述叶片三维模型作为叶片三维模型模板库。

（三）有益效果

本发明的方法通过测量植物群体中少数几个形态特征参数然后建立每个形态特征参数的统计模型，同时通过小型高精度三维扫描仪抽样获取叶片的三维网格模型，能够满足在农田和设施环境下对植物群体进行原位、无损测量的要求，不仅使得进行园艺植物群体的三维重建变得简单、可行，同时最终重建的植物群体三维模型具有较高的准确性和精度，特别是对大规模植物群体的三维重建尤其有效，简单可行，达到了应用的要求。

附图说明

图1为依照本发明一种实施方式的植物群体形态结构三维重建方法流程图；

图2为植物主茎和叶柄的初始骨架模型示意图；

图3为植物主茎和叶柄的三维模型示意图；

图4为重建后的植物群体三维模型示意图。

具体实施方式

本发明提出的植物群体形态结构三维重建方法，结合附图及实施例详细说明如下。

本发明主要针对黄瓜、西瓜、甜瓜等以节间为单位的园艺植物，基于在温室、田间无损数据采集的基础上进行植物群体三维模型快速、精确重建的实际需求，根据这类植物的形态结构特点，并充分考虑植物群体重建在准确性和数据采集工作量两方面的平衡关系，在保证重建模型的准确性的前提下充分考虑降低数据采集的工作量，从而为开展不同作物种植方案分析、植物冠层生理生态指标计算等农学研究提供简单实用的基础数据制备方法。

如图1所示，依照本发明一种实施方式的植物群体形态结构三维重建方法包括步骤：

S1.测量待重建植物群体的冠层形态特征参数数据。

对待重建的植物群体，选取相邻的20-30棵植物,（优选地直接在田间或温室利用直尺、数显角度仪、游标卡尺等工具手工）获取每棵植物的冠层形态特征参数数据，冠层形态特征参数包括：每个节间的节间长度、节间与垂直方向的夹角，每个叶子的叶柄长度、叶片长度、茎叶夹角、叶倾角（叶片与地面的夹角）。同时在该步骤中记录下每个节间和叶子的年龄（最顶部的节间、叶柄、以及叶片的年龄为1，从植物顶部往根部，每个节间、叶柄、以及叶片的年龄递增1年），也可以理解为器官在植物主茎上的着生节位。

S2.根据步骤S1测量的形态特征参数数据，构建植物群体冠层形态特征统计模型。

针对步骤S1获取的形态特征参数数据，分析每个参数值与器官年龄的关系。具体地，采用最小二乘法对步骤S1测量获得的数据进行拟合，发现植物群体中节间长度与节间的年龄用如下公式表示时，具有较小的拟合误差（均方根误差，RMSE）：

L_internode=a_il×λ³+b_il×λ²+c_il×λ+d^il             (1)

其中L_internode为节间长度，λ为器官的年龄，a_il、b_il、c_il、d_il为四个常数因子，通过最小二乘法从测量数据中拟合。

同理，叶柄长度和叶片长度这两个形态特征与其年龄也可以分别用如下公式表示:

L_Petiole＝a_pl×λ³+b_pl×λ²+c_pl×λ+d_pl               (2)

L_leaf＝a_ll×λ³+b_ll×λ²+c_ll×λ+d_ll                  (3)

其中L_Petiole为节间长度，L_leaf为叶片长度；a_pl、b_pl、c_pl、d_pl、a_ll、b_ll、c_ll、d_ll均为常数因子，均通过最小二乘法从步骤S1测量获取的数据中拟合得到。

而对于其它三个形态特征参数，包括节间与垂直方向的夹角、茎叶夹角和叶倾角，通过数据分析发现，这些参数值与器官的年龄的关系难以用某种曲线或函数描述，因此认为这几个形态特征在植物和植物群体中属于随机分布，即可以认为同一株植物上，不同年龄（着生节位）上器官的以上三个特征参数的取值为0～360之间的随机值。

S3.获取待重建植物群体的每株植物的位置与节间数量信息。

对待重建的植物群体，利用三维数字化仪获取每株植物地上部根节点的坐标位置，同时可优选地通过人工数数的方式获得每棵植物的节间个数。

S4.根据步骤S3获取的节间数量信息和步骤S2构建的冠层形态特征统计模型重建待重建植物群体中的每株植物的三维模型。以步骤S3从真实植物群体中测量得到的每株植物的节间数量作为输入，重建待重建植物群体中每株植物的三维模型，具体操作包括如下3个处理：

S4.1建立植株主茎和叶柄的初始骨架模型。

采用特定的节间和叶柄骨架表示方法，生成一个与测量获得的节间个数相同的初始植物主茎和叶柄骨架模型，如图2所示，其中每个节间和叶柄的样条曲线的特征点个数均为3个，每条曲线上的特征点均在同一条直线上，根据植物形态结构的特点，各个节间从小往上直线排列，垂直于地面（即节间与垂直方向的夹角均为0°），叶柄与节间的夹角（茎叶夹角）相同（在本例子中为30°），叶子的方位角均为0°，每个节间和叶柄的长度均为2.0cm。

上述采用特定的节间和叶柄骨架表示方法，生成一个与测量获得的节间个数相同的初始植物主茎和叶柄骨架模型具体为：

用B样条曲线表示植物器官的骨架中的轴线和边缘线。要建立某个特定器官的骨架模型实际上就是确定骨架模型上每条B样条曲线的特征点。这些特征点可以通过三维数字化仪从田间或温室生长的植物器官上获取（在步骤S1中获得）或者利用输入参数自动生成。

S4.2根据该植物群体冠层形态特征统计模型调整主茎和叶柄的初始骨架模型，重建每株植物主茎和叶柄的三维网络模型。具体地，结合公式（1），计算初始骨架模型中每个节间的长度L’_internode，同时在计算中加入一定的随机数，修改后的不同节位（年龄）的节间的长度计算公式如下：

L’_internode=a_il×λ³+b_il×λ²+c_il×λ+d_il+η×IL(4)

其中η为-0.3～0.3之间的随机数，IL为植物群体的平均节间长度，通过步骤S1中测量得到的节间长度计算平均值得到。

同理，结合公式（2），计算初始骨架模型中每个叶柄的长度L’_Petiole，同时在计算中加入一定的随机数，修改后的不同节位（年龄）的叶柄的长度计算公式如下：

L’_Petiole＝a_pl×λ³+b_pl×λ²+c_pl×λ+d_pl+η×PL(5)

其中η为-0.3～0.3之间的随机数，PL为植物群体的平均叶柄长度，通过步骤S1中测量得到的叶柄长度计算平均值得到。

对节间和叶柄的长度进行调整后，对每个节间，用一个0～360之间随机数设置节间与垂直方向的夹角，然后再用一个0～360之间随机数设置每个叶柄与其着生节间的夹角。

对调整后的主茎和叶柄初始骨架模型，生成每条曲线的三维网格曲面，这样即可重建植株主茎和叶柄的三维网格模型，如图3所示。

生成每条曲线的三维网格曲面的方法优选为：以节间为单位，多个节间拼接起来即可形成每条曲线。节间可以看成一个具有不规则弯曲形状的圆柱，用一条B样条曲线表示节间的轴线。卫生成节间几何体的曲面，首先从轴线上按等分抽取多个点，即将轴线分成多个线段，然后定义一个节间半径，在每个等分点处，使节间半径绕轴线垂直旋转，获得一些列的数据点，这些数据点组成一个圆圈。多所有的等分点进行上述操作后，连接相邻两个等分点生成的数据点，构成三角形或四边形网格，即可获得节间造型的曲面。

S4.3根据叶片三维模型模板库，对每株植物的主茎和叶柄的三维网络模型进行叶片曲面模型的放置和长度调整。其中：

对模型中的每个叶柄，首先根据该叶柄的节位（年龄）从叶片三维模型模板库中选取一个相应类型的叶片三维模型，然后根据叶柄的节位，结合公式（3）并加入一些随机因子计算叶片长度，修改后的叶片长度L’_leaf计算公式分别如下：

L’_leaf=a_ll×λ³+b_ll×λ²+c_ll×λ+d_ll+θ×LL(6)

其中θ为-0.2～0.2之间的随机数，LL为植物群体的平均叶片长度，通过步骤S1中测量得到的叶片长度计算平均值得到。

S4.33计算叶片的长度L’_leaf后，用计算得到的叶片长度L’_leaf对选取出来的叶片三维模型进行缩放，使缩放后的叶片三维模型中，叶根到叶尖的直线距离等于计算得到的叶片长度。

S4.34将步骤S4.33缩放后的叶片三维模型放置到叶柄的顶端，然后根据叶柄的方位角调整叶片三维模型的方位角，使叶片模型的方位角与叶柄的方位角一致（即叶片三维模型中叶根和叶尖之间的直线与叶柄具有同样的朝向）。

S4.35调整步骤S4.34放置后的叶片三维模型的倾角，即将叶片三维模型与地面的夹角设置为一个0～360之间随机数。

通过上述步骤的处理，即可完成一株植物三维模型的重建。

S6.根据步骤S3获得的位置信息，将每株植物的三维模型移动到三维场景的相应的位置中，即可完成待重建植物群体的三维重建，如图4所示。

需要说明的是，上述的叶片三维模型模板库可通过以下方法构建：

从田间（或温室）植物群体中随机选取10棵植物，优选地手工测量每株植物的叶子数量，然后计算每株植物的叶子平均数Ln，按叶子年龄将该种植物群体的叶子分为5种类型，每种类型的叶子的年龄区间为：

叶子类型1：

叶子类型2：

叶子类型3：

叶子类型4：

叶子类型5：

从田间（或温室）植物群体中，对以上5种类型的叶子，每种类型选取5-8个叶子，采用高精度三维扫描仪从正面（向阳面）获取叶片的三维点云数据，并采用Delaunay三角剖分法从三维点云数据中生成每个叶片的三维模型。对每个叶片三维模型，利用3DSmax等三维数据处理软件进行调整，使每个叶片模型的叶根（叶片和叶柄的交叉点）都处于原点位置，同时叶尖都处于相同的方向，并通过缩放三维模型网格顶点的方法使每个叶片模型中，叶根到叶尖的长度均为10cm。

以处理后的这些叶片三维模型作为模块库，供植物整体三维模型构建使用。

本发明的上述方法针对以节间为单位的园艺植物群体进行精确、快速地三维重建，通过抽样从部分植物上测量获取几个植物冠层形态特征参数的数据，然后采用数学方法分析并建立每个形态特征参数与器官年龄（着生节位）的统计模型，通过所建立统计模型构建植物群体中每个植株的三维模型，即用从真实植物群体获得的冠层形态特征指导植物群体三维模型的重建。同时，为了使重建的三维模型中冠层叶子具有更高的精确度，利用高精度三维扫描仪从植物群体中抽样获取叶片的三维点云数据以建立叶片的三维曲面模型。以上两个处理不仅使得对植物群体重建时无需对群体中的每个植株进行详细的数据测量（如图像拍照、三维点云数据获取、形态特征点获取等），从而极大较少了数据采集时间，使得重建具有上百、上千棵植物的群体变得简单、可行；同时，本发明的方法中所建立的统计模型和激光扫描仪获取的叶片三维模型模板库都可以重复利用，一旦建立，下次再重建该品种植物的群体三维模型时，只需要进行如步骤S3所描述的数据测量工作，即只需获取真实植物群体中每个植株的位置与节间个数信息，即可进行群体的三维重建。

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 (9)

1.一种植物群体形态结构三维重建方法，其特征在于，该方法包括步骤：

S1.测量待重建植物群体的冠层形态特征参数数据；

S2.根据所述形态特征参数数据，构建植物群体冠层形态特征统计模型；

S3.获取待重建植物群体的每株植物的位置信息与节间数量信息；

S4.根据步骤S3获取的节间数量信息和步骤S2构建的冠层形态特征统计模型重建待重建植物群体中的每株植物的三维模型；

S5.根据所述位置信息，将每株植物的所述三维模型移动到三维场景的相应位置，完成所述待重建植物群体的三维重建；

步骤S2在构建的植物群体冠层形态特征统计模型中：

节间长度的统计模型为：

L_internode＝a_il×λ³+b_il×λ²+c_il×λ+d_il

叶柄长度的统计模型为：

L_Petiole＝a_pl×λ³+b_pl×λ²+c_pl×λ+d_pl；

叶片长度的统计模型为：

L_leaf＝a_ll×λ³+b_ll×λ²+c_ll×λ+d_ll

其中，L_internode为节间长度，L_Petiole为节间长度，L_leaf为叶片长度，λ为植物器官的年龄，植物器官包括节间、叶柄和叶片，a_il、b_il、c_il、d_il、a_pl、b_pl、c_pl、d_pl、a_ll、b_ll、c_ll、d_ll均为常数因子，通过最小二乘法从步骤S1获取的冠层形态特征参数数据中拟合得到；

节间与垂直方向的夹角、茎叶夹角以及叶倾角三个特征参数的取值分别为0～360之间的随机值。

2.如权利要求1所述的方法，其特征在于，在步骤S1中，在植物群体中选取20～30株相邻的植物测量，所述冠层形态特征参数数据，所述冠层形态特征参数包括：每株植物中每个节间的节间长度、节间与垂直方向的夹角，以及每个叶子的叶柄长度、叶片长度、茎叶夹角、叶倾角。

3.如权利要求2所述的方法，其特征在于，在步骤S1中，还包括记录每个节间和叶子的年龄的步骤。

4.如权利要求3所述的方法，其特征在于，所述植物最顶部的节间、叶柄、以及叶片的年龄为1，从所述植物顶部往根部，每个节间、叶柄、以及叶片的年龄递增1年。

5.如权利要求1所述的方法，其特征在于，在步骤S3中，利用三维数字化仪获取所述待重建植物群体中每株植物地上部根节点的坐标位置，并测量每株植物的节间个数。

6.如权利要求5所述的方法，其特征在于，步骤S4进一步包括：

S4.1根据所述节间个数，建立每株植物主茎和叶柄的初始骨架模型；

S4.2根据所述植物群体冠层形态特征统计模型调整所述主茎和叶柄的初始骨架模型，重建每株植物主茎和叶柄的三维网络模型；

S4.3根据叶片三维模型模板库，对每株植物的所述主茎和叶柄的三维网络模型进行叶片曲面模型的放置和长度调整。

7.如权利要求6所述的方法，其特征在于，在步骤S4.2中，根据所述节间长度的统计模型计算初始骨架模型中每个节间的长度L’_internode：

L’_internode＝a_il×λ³+b_il×λ²+c_il×λ+d_il+η×IL

根据所述节间长度的统计模型计算初始骨架模型中每个叶柄的长度L’_Petiole：

L’_Petiole＝a_pl×λ³+b_pl×λ²+c_pl×λ+d_pl+η×PL；

其中，η为-0.3～0.3之间的随机数，IL为所述植物群体的平均节间长度，PL为植物群体的平均叶柄长度，通过所述形态特征参数数据中的节间长度计算平均值得到；

且对每个节间，节间与垂直方向的夹角设置为一个0～360之间随机数，每个叶柄与其着生节间的夹角设置为一个0～360之间随机数设置。

8.如权利要求7所述的方法，其特征在于，步骤S4.3进一步包括：

S4.31根据每株植物的所述主茎和叶柄三维网格模型，对模型中的每个叶柄，根据所述叶柄的年龄从叶片三维模型模板库中选取一个相应类型的叶片三维模型；

S4.32根据所述叶柄的节位以及所述叶片长度的统计模型，计算叶片长度L’_leaf：

L’_leaf＝a_ll×λ³+b_ll×λ²+c_ll×λ+d_ll+θ×LL

其中，θ为-0.2～0.2之间的随机数，LL为所述待重建植物群体的平均叶片长度，通过所述形态特征参数数据中的叶片长度计算平均值得到；

S4.33根据步骤S4.32计算得到的叶片长度对选取出来的叶片三维模型进行缩放，使缩放后的叶片三维模型中，叶根到叶尖的直线距离等于计算得到的叶片长度；

S4.34将步骤S4.33缩放后的叶片三维模型放置到叶柄的顶端，然后根据叶柄的方位角调整叶片三维模型的方位角，使叶片三维模型的方位角与叶柄的方位角一致；

S4.35调整步骤S4.34放置后的叶片三维模型的倾角，将所述叶片三维模型与地面的夹角设置为一个0～360之间的随机数。

9.如权利要求8所述的方法，其特征在于，所述叶片三维模型模板库通过以下方法构建：

从田间或温室真实植物群体中随机选取设定数量的植物，测量每株植物的叶子数量，然后计算每株植物的叶子平均数Ln，按叶子年龄将所述植物的植物群体的叶子分为5种类型，每种类型的叶子的年龄区间分别为：

叶子类型1：

叶子类型2：

叶子类型3：

叶子类型4：

叶子类型5：

在所述植物的植物群体中，对以上5种类型的叶子，每种类型选取5-8个叶子，采用三维扫描仪从向阳面获取叶片的三维点云数据，并根据所述点云数据生成每个叶片的三维模型；

对每个叶片三维模型进行调整，使每个所述叶片三维模型的叶根都处于原点位置，同时叶尖都处于相同的方向，并通过缩放三维模型网格顶点的方法使每个叶片三维模型中，叶根到叶尖的长度均为10cm；

处理后的所述叶片三维模型作为叶片三维模型模板库。