CN103106684A - 一种带叶状态树木形态结构三维重建的方法和系统 - Google Patents

Abstract

本发明公开了一种带叶状态树木形态结构三维重建的方法和系统，通过获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集；对精简的树三维点云数据集进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集；根据主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集提取树枝干的骨架，并优化；对树枝干的骨架进行网格化，生成树枝干三维网络模型，并对树枝干骨架中的每根枝干进行分类；进行冠层三维重建，实现带叶状态树形态结构的快速三维重建，从而为进行树木冠层的结构分析、生理生态特性评价等应用提供方法和高精度的基础模型支持。

Description

一种带叶状态树木形态结构三维重建的方法和系统

技术领域

本发明涉及带叶状态树三维数据处理领域，尤其涉及一种带叶状态树木形态结构三维重建的方法和系统。

背景技术

树形态结构的三维重建和定量分析是农学研究、图形仿真和科普教育等应用领域的热点问题，与大田作物、花卉等其他植物相比，树不仅外形高大，同时具有更复杂的冠层枝叶结构，这给带叶状态下树木形态结构的信息采集和自动重建带来了极大的挑战。

《基于数字化核桃树的三维结构评估》一文中采用三维数字化仪获取胡桃树的空间信息，并基于这些采集信息重建树木的三维模型，以及进行冠层空间特征的分析。由于胡桃树高大，因此该方法需要花费大量的人力和时间进行数据采集。《3D数字化桃树冠层的三维结构重建》一文中用数字化仪采集桃树冠层叶片的位置、方向和大小信息，并重建桃树冠层树叶的三维模型，在重建的三维冠层上进行树木冠层光分布特性分析，该方法忽略树木的枝干，因此不能实现树木形态结构的完整重建。采用三维数字化仪采集树木的空间信息，虽然能够较好地实现树木形态结构的三维重构，但由于树木的形态结构非常复杂，树木冠层器官的空间信息的获取是一件极耗费时间的工作，数据采集往往需要耗费几个人数天的时间。

还有人提出了一种基于点云数据的树木三维重建方法，首先利用大型三维激光扫描仪获得树木的三维点云，然后采用自相似原理从这些点云数据中重建树冠层的树枝，同时利用植物学原理估计枝干半径，该方法没有充分利用扫描数据的精确性，因此重建模型的精确度不高。而基于激光扫描的树木点云数据，通过计算树枝各点处的曲率及连续性进行枝条的分解，并将每个树枝在轴向上划分成小段，最后重建得到树木枝干的整体骨架，基于此骨架及对应的半径可以生成树的主要枝干结构的三维模型。《基于测量数据的植物建模》一文针对大部分植物的叶片具有尖锐特征的特点，实现了一种基于三维点云数据的小型植物三维重建方法。由于叶片的遮挡，扫描时植物冠层中的大部分枝条被遮挡而无法获取，而且整个冠层重复使用一个平整的叶片模型，因此该方法重建的植物模型只是视觉上的相似，准确性不高。《基于点云自动重建树木骨架》一文实现了一种从三维扫描点云数据中自动重建多棵树木的方法，该方法首先从树木的点云数据中自动提取树木主要枝干的骨架和半径，基于该骨架和半径信息重建树木枝干的三维模型，然后采用L-系统方法在树干模型上生成细枝和树叶。利用大型三维激光扫描仪获取树木的点云数据，并进而进行树木形态的三维重建。这些方法都存在一个共同的缺点：由于树木冠层枝叶较多，细枝和叶子往往难以直接从扫描数据中重建，所以这些方法都是通过应用某种随机规则生成细枝和叶子，从而实现视觉上“真实”的重建，但这样的重建并没有达到真正意义上“基于测量数据的重建”，重建得到的三维树木冠层结构与真实树木还存在较大的差别，特别是树叶的密度、空间朝向、叶面积等都可能与实际存在较大的误差，难以应用于进行树木冠层光分布特性、枝叶空间分布、株型特征等的研究和分析。

申请号为201110086445.2，发明名称为“基于多尺度测量数据的树木形态结构三维重建方法”的专利中提出了一种结合多种测量数据进行树木三维重建的方法，实现了一种带叶状态树木形态结构的快速、精确三维重建。但是这种重建方法仍有不足，主要问题在于：一是该方法在进行树木枝干骨架提取时，没有对三维点云进行分割，因此需要在整株树木的三维点云数据中进行提取，算法的运行速度将增加，同时由于冠层树叶信息的影响，提取到的枝干骨架的准确性也将受影响；二是在树木枝干骨架提取时，仅提取主要枝干的骨架，而幼枝是后期通过该类树木幼枝的冠层分布模型增加的，因此也降低了最终重建的树木三维模型的准确性。

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，针对上述缺陷，如何实现带叶状态树形态结构的快速三维重建。

（二）技术方案

为解决上述问题，本发明提供了一种带叶状态树木形态结构三维重建的方法，所述方法包括：

A：获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集；

B：对所述精简的树三维点云数据集进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集；

C：根据所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集提取树枝干的骨架，并优化；

D：对所述树枝干的骨架进行网格化，生成树枝干三维网络模型，并对所述树枝干的骨架中的每根枝干进行分类；

E：进行冠层三维重建，将叶子模型添加到所述树枝干三维网络模型上。

优选地，步骤A具体包括：

A1：获取带叶状态树的三维点云数据；

A2：对步骤A1中的三维点云数据进行噪声点剔除和二次剔除处理，得到去除噪声点的树三维点云数据集；

A3：对所述除噪声点的树三维点云数据集进行精简处理，降低三维点云中数据点的密度，得到精简的树三维点云数据集。

优选地，步骤B具体包括：

B1：计算树的不同器官的颜色特征，根据不同器官的颜色特征分为叶子、主干、主枝和幼枝四类器官，并分别计算每一类器官的颜色特征；

B2：分别计算所述精简的树三维点云数据集中的每个数据点的颜色特征与所述叶子、所述主干、所述主枝和所述幼枝四类器官的颜色特征的距离，并根据所述距离进行器官分割，得到叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集。

优选地，步骤C具体包括：

C1：对所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集进行点云收缩，生成不同类型枝干的骨架；

C2：对所述不同类型枝干的骨架进行修补和优化，并将不同类型的枝干进行连接生成树木枝干骨架。

优选地，步骤E具体包括：

E1：获取不同类型枝干上的叶子形态特征数据，分别建立树冠层不同类型枝干上叶子的空间分布模型，所述叶子的空间分布模型包括叶子数目、叶夹角和叶倾角；

E2：按照所述叶子的空间分布模型将所述叶子模型放到所述树枝干三维网络模型的每根枝干上；

所述步骤E2之前还包括：从叶子的三维点云数据中生成一个三维网格曲面模型，建立叶子模型。

为解决上述问题，本发明还提供了一种带叶状态树木形态结构三维重建的系统，所述系统包括：

获取和预处理模块、器官分割模块、骨干提取模块、枝干重建模块和冠层重建模块；

所述获取和预处理模块，用于获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集；

所述器官分割模块，用于对所述精简的树三维点云数据集进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集；

所述骨干提取模块，用于根据所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集提取树枝干的骨架，并优化；

所述枝干重建模块，用于生成树枝干三维网络模型，进行枝干三维重建；

所述冠层重建模块，用于冠层三维重建，将叶子模型添加到所述树枝干三维网络模型上。

优选地，所述获取和预处理模块具体包括：获取模块、去噪声点模块和精简模块；

所述获取模块，用于获取带叶状态树的三维点云数据；

所述去噪声点模块，用于对获取模块获取到的三维点云数据进行噪声点剔除和二次剔除处理，得到去除噪声点的树三维点云数据集；

所述精简模块，用于对所述除噪声点的树三维点云数据集进行精简处理，降低三维点云中数据点的密度，得到精简的树三维点云数据集。

优选地，所述器官分割模块具体包括：颜色特征计算模块和颜色特征距离计算模块；

所述颜色特征计算模块，用于计算树的不同器官的颜色特征，根据不同器官的颜色特征分为叶子、主干、主枝和幼枝四类器官，并分别计算每一类器官的颜色特征；

所述颜色特征距离计算模块，用于分别计算所述精简的树三维点云数据集中的每个数据点的颜色特征与叶子、主干、主枝和幼枝四类器官的颜色特征的距离，并根据所述距离进行器官分割，得到叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集。

优选地，所述骨干提取模块具体包括：骨架生成模块和骨架优化模块；

所述骨架生成模块，用于对所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集进行点云收缩，生成不同类型枝干的骨架；

所述骨架优化模块，用于对所述不同类型枝干的骨架进行修补和优化，并将不同类型的枝干进行连接生成树木枝干骨架。

优选地，所述冠层重建模块具体包括：空间分布模型建立模块和叶子模型添加模块；

所述空间分布模型建立模块，用于获取不同类型枝干上的叶子形态特征数据，分别建立树冠层不同类型枝干上叶子的空间分布模型，所述叶子的空间分布模型包括叶子数目、叶夹角和叶倾角；

所述叶子模型添加模块，用于按照所述叶子的空间分布模型将所述叶子模型放到所述树枝干三维网络模型的每根枝干上；

所述冠层重建模块还包括叶子模型生成模块，用于从叶子的三维点云数据中生成一个三维网格曲面模型，建立叶子模型。

（三）有益效果

本发明提出了一种带叶状态树木形态结构三维重建的方法和系统，通过获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集；对精简的树三维点云数据集进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集；根据主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集提取树枝干的骨架，并优化；对树枝干的骨架进行网格化，生成树枝干三维网络模型，并对树枝干骨架中的每根枝干进行分类；进行冠层三维重建，基于田间原位无损测量数据开展树木结构分析、树冠形态结构定量平均与数字化设计等农学研究应用中对树木形态结构进行三维重建，结合现有高精度大型三维激光扫描设备的特点与优势，实现带叶状态树形态结构的快速、精确的三维重建。

附图说明

图1为一种带叶状态树木形态结构三维重建的方法流程图；

图2为一种带叶状态树木形态结构三维重建的方法中步骤A的具体流程图；

图3为一种带叶状态树木形态结构三维重建的方法中通过三维扫描仪采集到的三维点云原始数据图片；

图4为一种带叶状态树木形态结构三维重建的方法中步骤B的具体流程图;

图5为一种带叶状态树木形态结构三维重建的方法中步骤C的具体流程图；

图6为一种带叶状态树木形态结构三维重建的方法中提取的树木主要枝干骨架结构图；

图7为一种带叶状态树木形态结构三维重建的方法中主要枝干骨架连接和优化前示意图；

图8为一种带叶状态树木形态结构三维重建的方法中主要枝干骨架连接和优化后示意图；

图9为一种带叶状态树木形态结构三维重建的方法中整株树木骨架连接和优化后示意图；

图10为一种带叶状态树木形态结构三维重建的方法中步骤E的具体流程图；

图11为一种带叶状态树木形态结构三维重建的方法中建立叶子模型和使用叶子透明帖图的效果示意图；

图12为一种带叶状态树木形态结构三维重建的系统组成示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例一

本发明实施例一中提供了一种带叶状态树木形态结构三维重建的方法，流程图如图1所示，具体包括以下步骤：

步骤A：获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集D_c，具体流程如图2所示，具体包括以下步骤：

步骤A1：获取带叶状态树的三维点云数据。在树林选取一棵成年树木，在非落叶期利用大型激光三维扫描仪（例如FARO focus3D120）进行数据获取，并采用三维扫描仪附带的数据处理软件生成该树木的带颜色信息的三维点云原始数据，如图3所示。

步骤A2：对步骤A1中的三维点云原始数据进行噪声点剔除和二次剔除处理，得到去除噪声点的树三维点云数据集D_g。利用三维激光扫描仪在树林环境下对树木进行三维点云数据获取过程中，由于不同树木之间和器官间的遮挡，以及其他外部条件（如风吹）的影响，所获取的三维点云数据不可避免的会带有噪声点。首先采用最少邻居法进行噪声点的初步剔除，即对树木三维点云数据中的每个数据点进行最少邻居检查，若某个数据点的邻居（距离该点的直线距离不大于1.0cm的数据点即为该点的邻居）个数小于20个，即将该数据点从点云中删除。然后对初步剔除后的三维点云进行二次噪声剔除处理，以便去除那些使用最少近邻法无法剔除而又不属于树木自身数据的数据点，方法是利用颜色差别信息，对三维点云中的每个数据点进行检查，去除那些颜色与树木的叶子、树枝、树干等器官对应的数据点的颜色相差较大的数据点。经过以上处理，从树木的三维点云原始数据中得到去除噪声点的三维点云数据集D_g。

步骤A3：对除噪声点的树三维点云数据集D_g进行精简，降低三维点云中数据点的密度，得到精简的树三维点云数据集D_c。基于平均点距的精简方法对去除噪声点的三维点云数据集D_g进行精简，精简后的数据集记为D_c。

步骤B：对精简的树三维点云数据集D_c进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集，具体流程如图4所示，具体包括以下步骤：

步骤B1：计算树的不同器官的颜色特征，根据不同器官的颜色特征分为叶子、主干、主枝和幼枝四类器官，并分别计算每一类器官的颜色特征。

计算三维点云数据中叶子、树枝、树干等不同器官对应的数据点的颜色特征，根据对树木不同器官颜色特征的观察分析，将树木的器官分为四类，包括叶子、主干、主枝和幼枝，并计算每类器官的颜色特征，具体方法为：首先通过手工交互的方式从精简的树三维点云数据集D_c中选取每类器官对应的数据点10个，然后计算这10个数据点的颜色平均值。假设所选取的叶子类器官的某个数据点的颜色为c_i(r,g,b)，其中i取值为1到10之间的自然数，则叶子类器官的颜色特征

${\mathrm{OC}}_1(r,g,b)=(\frac{1}{10}\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{c}_{\mathrm{ir}},\frac{1}{10}\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{c}_{\mathrm{ig}},\frac{1}{10}\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{c}_{\mathrm{ib}})$

其中c_ir为第i个数据点的颜色的r分量值，c_ig为第i个数据点的颜色的r分量值，c_ib为第i个数据点的颜色的r分量值。同理，主干、主枝和幼枝类器官的颜色特征可分别计算并表示为OC_t(r,g,b)、OC_m(r,g,b)、OC_s(r,g,b)。

步骤B2：分别计算精简的树三维点云数据集D_c中的每个数据点的颜色特征与叶子、主干、主枝和幼枝四类器官的颜色特征的距离，并根据距离进行器官分割，得到叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集。

对于精简的树三维点云数据集D_c中的每个数据点p，分别计算该数据点的颜色c_p(r，g,b)与叶子、主干、主枝和幼枝四类器官的颜色特征的距离，其中数据点p与叶子类器官颜色特征的距离d_l=|c_pr-OC_lr|+|c_pg-OC_lg|+|c_pb-OC_lb|,其中c_pr、c_pg和c_pb分别为数据点p的颜色的r分量值、g分量值和b分量值，OC_lr、OC_lg和OC_lb则分别为叶子类器官的颜色特征的r分量值、g分量值和b分量值。同理，数据点p与主干类器官颜色特征的距离d_t=|c_pr–OC_tr|+|c_pg–OC_tg|+|c_pb–OC_tb|，与主枝类器官颜色特征的距离d_m=|c_pr–OC_mr|+|c_pg–OC_mg|+|c_pb–OC_mb|，与幼枝类器官颜色特征的距离d_s=|c_pr–OC_sr|+|c_pg–OC_sg|+|c_pb–OC_sb|。比较d_l、d_t、d_m和d_s的大小，若d_l最小，则该数据点p属于叶子类器官，将该数据点加入叶子三维点云数据集D_l中；若d_t最小，则该数据点p属于主干类器官，将该点加入主干三维点云数据集D_t中；若d_m最小，则该数据点p属于主枝类器官，将该点加入主枝三维点云数据集D_m中；若d_s最小，则该数据点p属于幼枝类器官，将该点加入幼枝三维点云数据集D_s中。

步骤C：根据主干三维点云数据集Dt、主枝三维点云数据集D_m和幼枝三维点云数据集D_s提取树枝干的骨架，并优化，流程如图5所示，具体包括以下步骤：

步骤C1：对主干三维点云数据集D_t、主枝三维点云数据集D_m和幼枝三维点云数据集D_s进行点云收缩，生成不同类型枝干的骨架。采用约束拉普拉斯（Laplace）平滑方法分别对主干三维点云数据集D_t、主枝三维点云数据集D_m和幼枝三维点云数据集D_s中的数据进行点云收缩，并利用自适应采样方法获取代表性节点，基于这些代表性节点生成不同类型枝干的骨架，如图6所示。由于树木冠层树叶相互遮挡，容易造成三维点云中数据的缺少，因此生成的树木枝干骨架往往存在中间断裂或者不同枝干之间不连贯的现象。

步骤C2：对不同类型枝干的骨架进行修补和优化，并将不同类型的枝干进行连接生成树木枝干骨架。

首先进行同一类型枝干骨架的拼接，即首先分别对从主干三维点云数据集D_t、主枝三维点云数据集D_m和幼枝三维点云数据集D_s中提取得到的枝干骨架线进行拼接处理，方法是检查枝干骨架线之间的距离和方向，若一根枝干骨架线的末端和另一根枝干骨架线的始端位置相近且两根枝干骨架线的方向一致，则将这两根枝干进行连接起来。判断方法如图7所示，图中粗线表示主枝类骨架线，细线表示幼枝类骨架线。枝干骨架线S_AB的始末端点分别为A和B，枝干骨架线S_CD的始末端点分别为C和D，计算线段L_BC和线段L_BD之间的夹角∠_CBD的值，若∠_CBD≤5°,则将这两根枝干骨架线合并，即将枝干骨架线S_CD连接枝干骨架线S_AB到上。

第二步是对经过上面的拼接处理中无法处理的离散枝干骨架线进行连接，将离散的细枝连接到最近的长枝上，方法是对长度小于10cm的枝干骨架线，查找该骨架线的始点到最近的枝干骨架线上的最近节点,并将该最近节点作为该枝干骨架线的始点，即将该骨架线连接到其最近的枝干骨架线上。如图7中，枝干骨架线S_FG的始点的最近枝干骨架线为S_CD，到该枝干骨架线上的最近节点为F，连接后枝干骨架线S_FG变为S_EG。

第三步是实现不同类型枝干骨架线之间的连接。首先将幼枝类骨架线连接到主枝类骨架线或主干类骨架线上，方法是对经过第二步处理后得到的每根幼枝骨架线，查找其始点到最近的主干类骨架线上的最近节点P_t，计算始点到点P_t之间的直线距离d_st，同时查找该始点到最近的主枝类骨架线上的最近节点P_m，计算始点到点P_m之间的直线距离d_sm，比较的d_st和d_sm大小，若d_sm≤d_st，则将该幼枝骨架线连接到主枝类骨架线的节点P_m上。如图8所示，幼枝类枝干骨架线S_AD的始点的最近骨架线为主枝类骨架线S_HK，到该枝干骨架线上的最近节点为H，则S_AD的始点连接到H点，从而枝干骨架线S_AD变为S_HD。图8为按上述方法对图7所示的枝干骨架线进行拼接和连接处理后得到的结果，图中虚线为拼接或连接处理中加入的线条。

图9为按上述方法对图6所示的树木枝干骨架进行处理得到的结果，实现了整株树木枝干骨架的修补和优化。

步骤D：对树枝干的骨架进行网格化，生成树枝干三维网络模型，并对树枝干骨架中的每根枝干进行分类。

首先，对步骤C2完善的树木枝干骨架，采用隐式曲面进行网格化，生成树木主干的三维网格模型。隐式曲面是一种常用的三维造型表示方法，即对树木主干骨架中的每根枝干骨架线，以该枝干的半径为曲面半径生成枝干的隐式曲面模型，从而生成树木主干的三维网格模型。其中每根枝干的半径通过从精简的树三维点云数据集D_c中计算得到。

然后，进行枝干骨架分类和标记。对步骤C2得到树木枝干骨架中的每根枝干，计算每根枝干骨架线的长度l_b。若l_b≤l_bs，则将该枝干标记为短枝；若l_bs<l_b≤l_bm，则将该枝干标记为中枝；否则将该枝干标记为长枝（其中l_bs、l_bm为预设常数），同时将标记按枝干的序号记录在文件中，为后期进行树木冠层重建提供数据支持。

步骤E：进行冠层三维重建，将叶子模型添加到树木主干的三维网格模型上，流程如图10所示，具体包括以下步骤：

步骤E1：获取不同类型枝干上的叶子形态特征数据，分别建立树冠层不同类型枝干上叶子的空间分布模型，叶子的空间分布模型包括叶子数目、叶夹角和叶倾角。

首先获取树木叶子形态特征数据，方法是选取3棵成年树木，以上述步骤D中枝干骨架的分类依据在每棵树上选取长枝、中枝、短枝三种类型的枝干各5根，通过直尺、圆规、量角器等工具，手工测量每根枝干上的叶子数目、叶夹角、叶倾角、叶长、叶宽等数据。然后对测量得到的叶子形态特征数据通过应用统计分析方法，分别建立树木冠层中不同类型枝干上叶子的空间分布模型，包括叶子数目、叶夹角、叶倾角三个主要特征，同时分别计算叶长和叶宽的最大值、最小值和平均值。

步骤E2：按照叶子的空间分布模型将叶子模型放到树枝干三维网络模型的每根枝干上。

步骤E2之前还包括：

步骤E0：从叶子的三维点云数据中生成一个三维网格曲面模型，建立叶子模型。从真实树木上选取5-8个叶子，首先利用三维扫描仪获取每个叶子的三维点云，然后采用Delaunay三角剖分法从叶子的三维点云数据中生成一个三维网格曲面模型，该三维网格曲面模型即为一个叶子模型。步骤E0可以在步骤E1之前进行，也可以在步骤E1之后、步骤E2之前进行，图10中以步骤E0在步骤E1之前进行为例。

在步骤D生成的树枝干三维网格模型的基础上，基于步骤E1获取的树木冠层不同类型枝干的叶子空间分布模型，将叶子模型放置到树木枝干三维网格模型的每根枝干上，从而实现树木形态结构的三维重建。其中树枝干三维网格模型中每根枝干的类型（长枝、中枝、短枝）由步骤D中记录的文件得到，枝干上放置的叶子的数目、每个叶子与枝干的夹角、叶倾角由步骤E1建立的树木冠层叶子空间分布模型计算得到，而叶长和叶宽通过用随机函数的方法从步骤E1计算得到平均值生成，并使生成的叶长处于其最大值和最小值之间。同时，本步骤中采用的叶子模型用一个长方形表示，同时通过一个该树木的叶子的透明帖图实现重建的树木三维模型的真实感，如图11所示，虽然每个叶子都是用一个长方形表示，但由于每个叶子模型的长和宽都不一定相同，同时也可以采用不同的叶子帖图，在叶子模型添加过程中，为了增加视觉效果，将从以上方法建立的5-8个叶子模型中随机选取一个模型即可，这样使得重建的树木中叶子看起来都不一样。因此在重建的树木三维模型中，叶子看起来都是有差异的，从而更加自然。

通过上述方法，基于田间原位无损测量数据开展树木结构分析、树冠形态结构定量平均与数字化设计等农学研究应用中对树木形态结构进行三维重建，结合现有高精度大型三维激光扫描设备的特点与优势，实现带叶状态树形态结构的快速、精确的三维重建。

实施例二

为达到上述目的，本发明的实施例二中还提供了一种带叶状态树木形态结构三维重建的系统，如图12所示，具体包括：

获取和预处理模块1210、器官分割模块1220、骨干提取模块1230、枝干重建模块1240和冠层重建模块1250。

获取和预处理模块1210，用于获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集，具体包括：获取模块1211、去噪声点模块1212和精简模块1213。

获取模块1211，用于获取带叶状态树的三维点云数据。

去噪声点模块1212，用于对获取模块1211获取到的三维点云数据进行噪声点剔除和二次剔除处理，得到去除噪声点的树三维点云数据集.

精简模块1213，用于对除噪声点的树三维点云数据集进行精简，降低三维点云中数据点的密度，得到精简的树三维点云数据集。

器官分割模块1220，用于对精简的树三维点云数据集进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集，具体包括：颜色特征计算模块1221和颜色特征距离计算模块1222。

颜色特征计算模块1221，用于计算树的不同器官的颜色特征，根据不同器官的颜色特征分为叶子、主干、主枝和幼枝四类器官，并分别计算每一类器官的颜色特征。

颜色特征距离计算模块1222，用于分别计算精简的树三维点云数据集中的每个数据点的颜色特征与叶子、主干、主枝和幼枝四类器官的颜色特征的距离，并根据距离进行器官分割，得到叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集。

骨干提取模块1230，用于根据主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集提取树枝干的骨架，并优化，具体包括：骨架生成模块1231和骨架优化模块1232。

骨架生成模块1231，用于对主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集进行点云收缩，生成不同类型枝干的骨架。

骨架优化模块1232，用于对不同类型枝干的骨架进行修补和优化，并将不同类型的枝干进行连接生成树木枝干骨架。

枝干重建模块1240，用于生成树枝干三维网络模型，进行枝干三维重建。

首先，对骨架优化模块1232完善的树木枝干骨架，采用隐式曲面进行网格化，生成树木主干的三维网格模型。隐式曲面是一种常用的三维造型表示方法，即对树木主干骨架中的每根枝干骨架线，以该枝干的半径为曲面半径生成枝干的隐式曲面模型，从而生成树木主干的三维网格模型。其中每根枝干的半径通过从精简的树三维点云数据集D_c中计算得到。

然后，进行枝干骨架分类和标记。对骨架优化模块1232得到树木枝干骨架中的每根枝干，计算每根枝干骨架线的长度l_b。若l_b≤l_bs，则将该枝干标记为短枝；若l_bs<l_b≤l_bm，则将该枝干标记为中枝；否则将该枝干标记为长枝（其中l_bs、l_bm为预设常数），同时将标记按枝干的序号记录在文件中，为后期进行树木冠层重建提供数据支持。

冠层重建模块1250，用于冠层三维重建，建立带叶状态树的树冠层不同类型枝干上叶子的空间分布模型，并按照叶子的空间分布模型在树枝干三维网络模型的每根枝干上添加叶子模型。

冠层重建模块1250包括：空间分布模型建立模块1251和叶子模型添加模块1252。

空间分布模型建立模块1251，用于获取不同类型枝干上的叶子形态特征数据，分别建立树冠层不同类型枝干上叶子的空间分布模型，叶子的空间分布模型包括叶子数目、叶夹角和叶倾角。

叶子模型添加模块1252，用于按照叶子的空间分布模型将叶子模型放到树枝干三维网络模型的每根枝干上。

系统还包括叶子模型生成模块1253，用于从叶子的三维点云数据中生成一个三维网格曲面模型，建立叶子模型。从真实树木上选取5-8个叶子，首先利用三维扫描仪获取每个叶子的三维点云，然后采用Delaunay三角剖分法从叶子的三维点云数据中生成一个三维网格曲面模型，该三维网格曲面模型即为一个叶子模型。

通过上述系统，基于田间原位无损测量数据开展树木结构分析，通过采用大型激光扫描仪获取带颜色信息的果树外形的三维点云数据以提取果树主要枝干的骨架结构，结合果树冠层的叶子空间分布模型实现果树整体形态结构的三维重建，实现带叶状态树木形态结构的快速、精确的三维重建，减少数据采集工作量。

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 (10)

1.一种带叶状态树木形态结构三维重建的方法，其特征在于，所述方法具体包括：

A：获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集；

B：对所述精简的树三维点云数据集进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集；

C：根据所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集提取树枝干的骨架，并优化；

D：对所述树枝干的骨架进行网格化，生成树枝干三维网络模型，并对所述树枝干的骨架中的每根枝干进行分类；

E：进行冠层三维重建，将叶子模型添加到所述树枝干三维网络模型上。

2.如权利要求1所述的方法，其特征在于，所述步骤A具体包括：

A1：获取带叶状态树的三维点云数据；

A2：对步骤A1中的三维点云数据进行噪声点剔除和二次剔除处理，得到去除噪声点的树三维点云数据集；

A3：对所述除噪声点的树三维点云数据集进行精简处理，降低三维点云中数据点的密度，得到精简的树三维点云数据集。

3.如权利要求1所述的方法，其特征在于，所述步骤B具体包括：

B1：计算树的不同器官的颜色特征，根据不同器官的颜色特征分为叶子、主干、主枝和幼枝四类器官，并分别计算每一类器官的颜色特征；

B2：分别计算所述精简的树三维点云数据集中的每个数据点的颜色特征与所述叶子、所述主干、所述主枝和所述幼枝四类器官的颜色特征的距离，并根据所述距离进行器官分割，得到叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集。

4.如权利要求1所述的方法，其特征在于，所述步骤C具体包括：

C1：对所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集进行点云收缩，生成不同类型枝干的骨架；

C2：对所述不同类型枝干的骨架进行修补和优化，并将不同类型的枝干进行连接生成树木枝干骨架。

5.如权利要求1所述的方法，其特征在于，所述步骤E具体包括：

E1：获取不同类型枝干上的叶子形态特征数据，分别建立树冠层不同类型枝干上叶子的空间分布模型，所述叶子的空间分布模型包括叶子数目、叶夹角和叶倾角；

E2：按照所述叶子的空间分布模型将所述叶子模型放到所述树枝干三维网络模型的每根枝干上；

所述步骤E2之前还包括：从叶子的三维点云数据中生成一个三维网格曲面模型，建立叶子模型。

6.一种带叶状态树木形态结构三维重建的系统，其特征在于，所述系统包括：

获取和预处理模块、器官分割模块、骨干提取模块、枝干重建模块和冠层重建模块；

所述获取和预处理模块，用于获取树的三维点云数据，并进行预处理和精简处理得到精简的树三维点云数据集；

所述器官分割模块，用于对所述精简的树三维点云数据集进行器官分割，得到各个器官的三维点云数据，包括叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集；

所述骨干提取模块，用于根据所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集提取树枝干的骨架，并优化；

所述枝干重建模块，用于生成树枝干三维网络模型，进行枝干三维重建；

所述冠层重建模块，用于冠层三维重建，将叶子模型添加到所述树枝干三维网络模型上。

7.如权利要求6所述的系统，其特征在于，所述获取和预处理模块具体包括：获取模块、去噪声点模块和精简模块；

所述获取模块，用于获取带叶状态树的三维点云数据；

所述去噪声点模块，用于对获取模块获取到的三维点云数据进行噪声点剔除和二次剔除处理，得到去除噪声点的树三维点云数据集；

所述精简模块，用于对所述除噪声点的树三维点云数据集进行精简处理，降低三维点云中数据点的密度，得到精简的树三维点云数据集。

8.如权利要求6所述的系统，其特征在于，所述器官分割模块具体包括：颜色特征计算模块和颜色特征距离计算模块；

所述颜色特征计算模块，用于计算树的不同器官的颜色特征，根据不同器官的颜色特征分为叶子、主干、主枝和幼枝四类器官，并分别计算每一类器官的颜色特征；

所述颜色特征距离计算模块，用于分别计算所述精简的树三维点云数据集中的每个数据点的颜色特征与叶子、主干、主枝和幼枝四类器官的颜色特征的距离，并根据所述距离进行器官分割，得到叶子器官三维点云数据、主干三维点云数据集、主枝三维点云数据集和幼枝三维点云数据集。

9.如权利要求6所述的系统，其特征在于，所述骨干提取模块具体包括：骨架生成模块和骨架优化模块；

所述骨架生成模块，用于对所述主干三维点云数据集、所述主枝三维点云数据集和所述幼枝三维点云数据集进行点云收缩，生成不同类型枝干的骨架；

所述骨架优化模块，用于对所述不同类型枝干的骨架进行修补和优化，并将不同类型的枝干进行连接生成树木枝干骨架。

10.如权利要求6所述的系统，其特征在于，所述冠层重建模块具体包括：空间分布模型建立模块和叶子模型添加模块；

所述空间分布模型建立模块，用于获取不同类型枝干上的叶子形态特征数据，分别建立树冠层不同类型枝干上叶子的空间分布模型，所述叶子的空间分布模型包括叶子数目、叶夹角和叶倾角；

所述叶子模型添加模块，用于按照所述叶子的空间分布模型将所述叶子模型放到所述树枝干三维网络模型的每根枝干上；

所述冠层重建模块还包括叶子模型生成模块，用于从叶子的三维点云数据中生成一个三维网格曲面模型，建立叶子模型。

Images