CN103337092B - 果树枝干骨架提取方法 - Google Patents
果树枝干骨架提取方法 Download PDFInfo
- Publication number
- CN103337092B CN103337092B CN201310221116.3A CN201310221116A CN103337092B CN 103337092 B CN103337092 B CN 103337092B CN 201310221116 A CN201310221116 A CN 201310221116A CN 103337092 B CN103337092 B CN 103337092B
- Authority
- CN
- China
- Prior art keywords
- sprout
- value
- data
- major branch
- color
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种果树枝干骨架提取方法，该果树枝干骨架提取方法包括：获取果树的三维点云数据集以及该三维点云数据集中每一个数据点的颜色值；根据该数据点的颜色值将该三维点云数据集分割，得到主枝数据集和幼枝数据集；在该主枝数据集中提取主枝骨架；在该幼枝数据集中提取幼枝骨架；将该主枝骨架和该幼枝骨架进行骨架合成，得到该果树的枝干骨架。本发明提高了果树枝干骨架提取的速度和质量。
Description
技术领域
本发明涉及计算机图形技术领域，具体涉及一种果树枝干骨架提取方法。
背景技术
果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，果树不仅外形高大，同时具有更复杂的冠层结构，这给带叶状态下果树形态结构的信息采集和自动重建带来了极大的挑战。
枝干是果树形态结构的重要组成部分，在果树树形塑造中起着决定性的作用。因此，果树枝干骨架的准确提取是实现基于实测数据的果树形态结构三维重建的最重要内容之一。很多研究者围绕该问题也开展了大量研究，提出了一些解决方法。例如，部分研究者提出了一种基于点云数据的树木冠层枝干三维重建方法，该方法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提取果树冠层枝干骨架，同时利用植物学原理估计枝干半径（Xu K,Gossett N,Chen B.“Knowledge and heuristic-based modeling oflaser-scanned trees”.ACM Transaction on Graphics2007,26(4):19:2-13）。方法[Cheng2007]基于激光扫描得到的树木三维点云数据，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（Cheng Z,Zhang X,ChenB.“Simple reconstruction of tree branches from a single range image”,Journal of Computer Science and Technology,2007,22(6):846-858.）。方法[Livny2010]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（Livny Y,Yan F,Olson M,etal.Automatic econstruction of tree skeletal structures from point clouds.ACM Transactions on Graphics,2010,29(5)）。上述现有技术均利用大型三维激光扫描仪获取树木的点云数据，并进而进行树木枝干骨架的提取和三维重建，但是，这些方法都存在一个共同的缺点：由于树木冠层枝叶较多，细枝往往难以直接从扫描数据中提取，所以这些方法都是通过应用某种随机规则生成细枝，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，特别是细枝的长度、密度、空间朝向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、株型特征等方面的研究和分析。
针对上述问题，发明专利“基于多尺度测量数据的果树形态结构三维重建方法”(专利号：ZL201110086445.2)提出了一种果树三维重建方法，实现了一种带叶状态果树主要枝干骨架结构的自动提取，该方法通过从三维扫描仪获取的果树的原始三维点云数据中提取果树枝干的骨架,并从该骨架重建果树主干的三维模型，通过抽样获取果树幼枝的形态特征信息,建立若干条幼枝的三维模型，采用三维扫描仪抽样获取若干个果树叶片的三维点云数据,重建若干叶片的三维模型,作为果树形态结构三维模型重建中的叶子模板库，根据测量得到的果树冠层枝叶的形态特征信息,建立果树冠层不同类型枝条和叶子的空间分布模型，利用上述步骤得到的结果重建果树整体形态结构三维模型，该方法能够使重建的三维模型用于更高的准确性和精度。但是，该方法也存在以下问题：一是该方法在进行果树枝干骨架提取时，没有对三维点云进行分割，因此需要在整株果树的三维点云数据中进行提取，算法的运行速度较慢，同时由于冠层树叶信息的影响，提取到的枝条骨架的准确性也将受影响；二是该方法在提取果树枝干骨架时，仅提取主要枝干的骨架，而幼枝是后期通过该类果树幼枝的冠层空间分布模型增加的，因此也降低了最终重建的果树三维模型的准确性。
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：如何避免在海量的原始点云数据中进行果树枝干的提取，进行而提高提取的速度和质量。
（二）技术方案
为解决上述技术问题，本发明提供了一种果树枝干骨架提取方法，包括：
获取果树的三维点云数据集以及所述三维点云数据集中每一个数据点的颜色值；
根据所述数据点的颜色值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集；
在所述主枝数据集中提取主枝骨架；
在所述幼枝数据集中提取幼枝骨架；
将所述主枝骨架和所述幼枝骨架进行骨架合成，得到所述果树的枝干骨架。
进一步地，根据所述数据点的颜色值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集，包括：
获取所述果树的枝干颜色特征值；
获取所述果树的叶子颜色特征值；
分别计算所述每一个数据点的颜色值与所述枝干颜色特征值的距离，得到所述每一个数据点的第一距离；
分别计算所述每一个数据点的颜色值与所述叶子颜色特征值的距离，得到所述每一个数据点的第二距离；
分别计算所述每一个数据点的第一距离与第二距离的比值；
根据所述比值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集。
进一步地，根据所述比值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集，包括：
若所述比值小于或等于第一预设值，将所述比值对应的数据点加入所述主枝数据集；
若所述比值大于或等于所述第二预设值，将所述比值对应的数据点加入所述幼枝数据集，所述第一预设值小于所述第二预设值。
进一步地，所述第一预设值为区间[0.4,0.8]中的任意值，所述第二预设值为区间[1.5,2.0]中的任意值。
进一步地，还包括：
若所述比值大于第一预设值且小于第二预设值，将所述比值对应的数据点进行以下处理：
获取所述果树的枝干颜色极值，所述枝干颜色极值包括所述枝干颜色在每一个颜色分量上的最大值和最小值；
获取所述果树的叶子颜色极值，所述叶子颜色极值包括所述叶子颜色在每一个颜色分量上的最大值和最小值；
计算所述比值对应的数据点的颜色值与所述枝干颜色极值的距离，得到所述数据点的第三距离；
计算所述比值对应的数据点的颜色值与所述叶子颜色极值的距离，得到所述数据点的第四距离；
将所述第三距离与所述第四距离进行大小比较，若所述第三距离小于所述第四距离，将所述比值对应的数据点加入主枝数据集，否则，将所述比值对应的数据点加入幼枝数据集。
进一步地，在所述主枝数据集中提取主枝骨架，包括：
根据数据点坐标的z分量值以及预先设置的多个数值区间将所述主枝数据集分割为多个主枝子数据集；
对于每一个所述主枝子数据集，采用基于距离的聚类方法进行聚类，得到多个聚类；
计算所述每一个聚类的中心点；
将所述计算得到的中心点采用下方优先原则进行连接，得到主枝骨架。
进一步地，根据数据点坐标的z分量值以及预先设置的多个数值区间将所述主枝数据集分割为多个主枝子数据集，包括：
在预先设置的多个数据区间中获取所述数据点坐标的z分量值所在的区间[pcl(2i-2),pcl(2i-1)]，所述i为自然数，所述pcl为预先设置的等高线间距参数；
将所述数据点加入所述区间[pcl(2i-2),pcl(2i-1)]对应的第i个主枝子数据集。
进一步地，在所述幼枝数据集中提取幼枝骨架，包括：
计算所述三维点云数据集的最小外接正方形SD以及所述SD的中心点坐标v_SD；
计算所述主枝数据集的最小外接正方形SDb；
将所述SDb移动使所述SDb的中心点与所述SD的中心点坐标v_SD重合；
根据所述移动后的所述主枝数据集的最小外接正方形将所述幼枝数据集分割，得到第一幼枝子数据集和第二幼枝子数据集；
分别将所述第一幼枝子数据集和第二幼枝子数据集采用基于距离的聚类方法进行聚类，得到多个聚类；
计算得到每一个所述聚类的中心点；
将所述计算得到的多个中心点作为幼枝骨架。
进一步地，根据所述移动后的所述主枝数据集的最小外接正方形将所述幼枝数据集分割，得到第一幼枝子数据集和第二幼枝子数据集，包括：
对于所述幼枝数据集中的每一个数据点，若所述数据点位于所述移动后的所述主枝数据集的最小外接正方形中，将所述数据点加入第二幼枝子数据集，否则，将所述数据点加入第一幼枝子数据集。
（三）有益效果
本发明通过根据该数据点的颜色值将该三维点云数据集分割，得到主枝数据集和幼枝数据集，在该主枝数据集中提取主枝骨架，在该幼枝数据集中提取幼枝骨架，将该主枝骨架和该幼枝骨架进行骨架合成，得到该果树的枝干骨架，避免了在海量的原始点云数据中进行果树枝干的提取，进行而提高提取的速度和质量。
附图说明
图1是本发明提供的一种果树枝干骨架提取方法的流程图；
图2是本发明提供的聚类中心点计算结果的示意图；
图3为本发明提取得到的果树主枝骨架结构的示意图；
图4为本发明提供的幼枝顶端聚类结果的示意图；
图5为本发明提供的提取得到的果树枝干骨架提取结果的示意图。
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的描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明的核心思想为：根据所述数据点的颜色值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集；在所述主枝数据集中提取主枝骨架；在所述幼枝数据集中提取幼枝骨架；进而合成得到果树枝干骨架，实现了果树枝干骨架的自动提取，避免了在海量的原始点云数据中进行果树枝干的提取，进行而提高提取的速度和质量。
图1是本发明提供的一种果树枝干骨架提取方法的流程图，该方法包括：
S1：获取果树的三维点云数据集以及所述三维点云数据集中每一个数据点的颜色值；
获取带叶状态下果树的三维点云数据集，例如，可以在果园选取1棵成年果树，在非落叶期利用激光三维扫描仪（例如FARO focus3D120）进行数据获取，得到该果树的带颜色信息的三维点云数据集。
S2：根据所述数据点的颜色值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集；
S3：在所述主枝数据集中提取主枝骨架；
S4：在所述幼枝数据集中提取幼枝骨架；
S5：将所述主枝骨架和所述幼枝骨架进行骨架合成，得到所述果树的枝干骨架。
本实施方式通过根据该数据点的颜色值将该三维点云数据集分割，得到主枝数据集和幼枝数据集，在该主枝数据集中提取主枝骨架，在该幼枝数据集中提取幼枝骨架，将该主枝骨架和该幼枝骨架进行骨架合成，得到该果树的枝干骨架，避免了在海量的原始点云数据中进行果树枝干的提取，进行而提高提取的速度和质量。
优选地，该步骤S2具体包括：
S21：获取所述果树的枝干颜色特征值；
可以对步骤S1中选取的果树，选取主干和主要枝条5-8根，利用数码相机对每根枝条从3个不同部位拍摄图像，对该拍摄得到的枝干图像的每个像素点的颜色值进行统计，例如，可以将这些像素点的颜色值的平均值cb(r,g,b)作为枝干颜色特征值。
S22：获取所述果树的叶子颜色特征值；
可以对步骤S1中选取的果树，选取3-5个不同生长位置的叶子，每个叶位选取叶子3个，每个叶子拍摄数码图像1张。对该拍摄得到的叶子图像的每个像素点的颜色值进行统计，例如，可以将这些像素点的颜色值的平均值cl(r,g,b)作为叶子颜色特征值。
S23：分别计算所述每一个数据点的颜色值与所述枝干颜色特征值的距离，得到所述每一个数据点的第一距离，具体地，可以采用以下方式：
数据点的颜色值与枝干颜色特征值的距离为db=|cpr–cbr|+|cpg–cbg|+|cpb–cbb|,其中，cpr、cpg和cpb分别为数据点p的颜色的r分量值、g分量值和b分量值，cbr、cbg和cbb则分别为果树枝干颜色特征值的r分量值、g分量值和b分量值。
S24：分别计算所述每一个数据点的颜色值与所述叶子颜色特征值的距离，得到所述每一个数据点的第二距离；
数据点的颜色值与叶子颜色特征值的距离为dl=|cpr-clr|+|cpg-clg|+|cpb-clb|，其中，cpr、cpg和cpb分别为数据点p的颜色的r分量值、g分量值和b分量值，clr、clg和clb则分别为果树叶子颜色特征值的r分量值、g分量值和b分量值。
S25：分别计算所述每一个数据点的第一距离与第二距离的比值；
S26：根据所述比值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集。具体地，步骤S26包括：
若所述比值小于或等于第一预设值，将所述比值对应的数据点加入所述主枝数据集；其中，所述第一预设值为区间[0.4,0.8]中的任意值，例如，该第一预设值可以为0.6；
若所述比值大于或等于所述第二预设值，将所述比值对应的数据点加入所述幼枝数据集，所述第一预设值小于所述第二预设值。其中，所述第二预设值为区间[1.5,2.0]中的任意值，例如，该第二预设值可以为1.67。
若所述比值大于第一预设值且小于第二预设值，将所述比值对应的数据点进行以下处理：
S261：获取所述果树的枝干颜色极值，所述枝干颜色极值包括所述枝干颜色在每一个颜色分量上的最大值和最小值；
可以对步骤S1中选取的果树，选取主干和主要枝条5-8根，利用数码相机对每根枝条从3个不同部位拍摄图像，对该拍摄得到的枝干图像的每个像素点的颜色值进行统计，得到所有像素点在r颜色分量上的最大值cbr_max和最小值cbr_min，在g颜色分量上的最大值cbg_max和最小值cbg_min，在b颜色分量上的最大值cbb_max和最小值cbb_min。
S262：获取所述果树的叶子颜色极值，所述叶子颜色极值包括所述叶子颜色在每一个颜色分量上的最大值和最小值；
可以对步骤S1中选取的果树，选取3-5个不同生长位置的叶子，每个叶位选取叶子3个，每个叶子拍摄数码图像1张。对该拍摄得到的叶子图像的每个像素点的颜色值进行统计，得到所有像素点在r颜色分量上的最大值clr_max和最小值clr_min，在g颜色分量上的最大值clg_max和最小值clg_min，在b颜色分量上的最大值clb_max和最小值clb_min。
S263：计算所述比值对应的数据点的颜色值与所述枝干颜色极值的距离，得到所述数据点的第三距离；
数据点的颜色值与所述枝干颜色极值的距离dbe＝|cpr–(cbr_max-cbr_min)/2|+|cpg–(cbg_max-cbg_min)/2|+|cpb–(cbb_max-cbb_min)/2|，其中，cpr、cpg和cpb分别为数据点p的颜色的r分量值、g分量值和b分量值，cbr_max和cbr_min分别为枝干图像所有像素点在r颜色分量上的最大值和最小值，cbg_max和cbg_min分别为枝干图像所有像素点在g颜色分量上的最大值和最小值，cbb_max和cbb_min分别为枝干图像所有像素点在b颜色分量上的最大值和最小值。
S264：计算所述比值对应的数据点的颜色值与所述叶子颜色极值的距离，得到所述数据点的第四距离；
数据点的颜色值与所述叶子颜色极值的距离dle＝|cpr–(clr_max-clr_min)/2|+|cpg–(clg_max-clg_min)/2|+|cpb–(clb_max-clb_min)/2|，其中，cpr、cpg和cpb分别为数据点p的颜色的r分量值、g分量值和b分量值，clr_max和clr_min分别为叶子图像所有像素点在r颜色分量上的最大值和最小值，clg_max和clg_min分别为叶子图像所有像素点在g颜色分量上的最大值和最小值，clb_max和clb_min分别为叶子图像所有像素点在b颜色分量上的最大值和最小值。
S265：将所述第三距离与所述第四距离进行大小比较，若所述第三距离小于所述第四距离，将所述比值对应的数据点加入主枝数据集，否则，将所述比值对应的数据点加入幼枝数据集。
优选地，步骤S3具体包括：
S31：根据数据点坐标的z分量值以及预先设置的多个数值区间将所述主枝数据集分割为多个主枝子数据集；
具体地，在预先设置的多个数据区间中获取所述数据点坐标的z分量值所在的区间[pcl(2i-2),pcl(2i-1)]，所述i为自然数，所述pcl为预先设置的等高线间距参数；其中，可以从主枝数据集中测量得到树干的最大直径diab,定义等高线间距参数pcl=diab×0.6。
将所述数据点加入所述区间[pcl(2i-2),pcl(2i-1)]对应的第i个主枝子数据集。
例如，对主枝数据集中的每个数据点p，若该数据点坐标的z分量值vpz大于或等于vz_min并且vpz在区间[0,pcl]内，则将p点加入第1个主枝子数据集Db_c1中，其中vz_min为主枝数据集中所有数据点坐标的z分量最小值，若p点坐标的z分量值在区间[2pc,3pcl]，则将p点加入第2个主枝子数据集Db_c2中，依次类推，若点p坐标的z分量值在区间[4pc,5pcl]内，则将p点加入第3个主枝子数据集Db_c3中。通过这种方法可以得到若干个小的数据集Db_c1，Db_c2，Db_c3，....。
S32：对于每一个所述主枝子数据集，采用基于距离的聚类方法进行聚类，得到多个聚类；
即对每个数据集Db_ci，首先将数据集中第一个数据点v1加入聚类cci1中，然后检查该数据集中所有其他数据点，若某个数据点到聚类cci1的中心点的距离小于预先设置的聚类距离参数pcd，则将该数据点加入聚类cci1中，否则加入聚类cci2中。采用这种方法，可将数据集Db_ci分成若干个小的聚类cci1，cci2，cci3，…。其中，可以从主枝数据集中测量得到树干的最大直径diab,定义聚类距离参数pcd=diab×0.1。
S33：计算所述每一个聚类的中心点；
对于每一个聚类，可以计算该聚类中所有数据点的平均值，将该平均值作为该聚类的中心点，例如，聚类M中包含的数据点的坐标分别为（x1，y1，z1）、（x2，y2，z2）和（x3，y3，z3），则聚类M的中心点的坐标为
参见图2，图2中的点即为聚类的中心点。
S34：将所述计算得到的中心点采用下方优先原则进行连接，得到主枝骨架。
对步骤S33得到的每个聚类中心点坐标，首先以最下方的数据点为起始点，采用下方优先的原则（即若1个点到若干个点的距离都小于pcl，则选这些点中处在最下方的点），将每个中心点连接到与其最近的点上，例如，与中心点A的距离小于pcl的点为B点、C点和D点，在B点、C点和D点中，C点处于最下方，则选择C点与中心点A连接。图3所示的果树主枝骨架即为对图2所示的聚类计算中心点连接得到的。
优选地，步骤S4具体包括：
S41：计算所述三维点云数据集的最小外接正方形SD以及所述SD的中心点坐标v_SD；
S42：计算所述主枝数据集的最小外接正方形SDb；
S43：将所述SDb移动使所述SDb的中心点与所述SD的中心点坐标v_SD重合；
参见图4，图4中的大小两个正方形分别是经过上述处理得到的SD以及移动后的所述主枝数据集的最小外接正方形。
S44：根据所述移动后的所述主枝数据集的最小外接正方形将所述幼枝数据集分割，得到第一幼枝子数据集和第二幼枝子数据集；
具体地，对于所述幼枝数据集中的每一个数据点，若所述数据点位于所述移动后的所述主枝数据集的最小外接正方形中，将所述数据点加入第二幼枝子数据集，否则，将所述数据点加入第一幼枝子数据集。
S45：分别将所述第一幼枝子数据集和第二幼枝子数据集采用基于距离的聚类方法进行聚类，得到多个聚类；
S46：计算得到每一个所述聚类的中心点；
如图5，图5中的圆点即为对图4所示的聚类计算中心点坐标得到的。
S47：将所述计算得到的多个中心点作为幼枝骨架。
步骤S4实现果树幼枝的顶端坐标提取，然后采用与步骤S34相同的下方优先的连接方法，将步骤S47计算得到的中心点坐标连接到步骤S34处理得到的果树主枝骨架中，得到完整的果树枝干骨架。
本发明实施方式通过果树主枝和叶子颜色的差别，对带叶状态下获取的果树三维点云数据集进行分割，然后分别从主枝数据集中提取主枝骨架，从幼枝数据集中提取幼枝的顶端位置坐标，并将其连接到主枝骨架上，从而实现了果树枝干骨架的自动提取，极大地避免了在海量的原始点云数据中进行果树枝干的提取，提高了提取的速度和质量，其次，在进行枝干骨架提取过程中，根据植物的形态特征进行参数取值，并在骨架连接时按树木的分枝特性进行连接，使得最终提取的枝干骨架更加符合果树的形态特征。
Claims (8)
1.一种果树枝干骨架提取方法，其特征在于，包括：
获取果树的三维点云数据集以及所述三维点云数据集中每一个数据点的颜色值；
根据所述数据点的颜色值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集；
在所述主枝数据集中提取主枝骨架；
在所述幼枝数据集中提取幼枝骨架；
将所述主枝骨架和所述幼枝骨架进行骨架合成，得到所述果树的枝干骨架；
其中，在所述主枝数据集中提取主枝骨架，包括：
根据数据点坐标的z分量值以及预先设置的多个数值区间将所述主枝数据集分割为多个主枝子数据集；
对于每一个所述主枝子数据集，采用基于距离的聚类方法进行聚类，得到多个聚类；
计算所述每一个聚类的中心点；
将所述计算得到的中心点采用下方优先原则进行连接，得到主枝骨架。
2.根据权利要求1所述的果树枝干骨架提取方法，其特征在于，根据所述数据点的颜色值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集，包括：
获取所述果树的枝干颜色特征值；
获取所述果树的叶子颜色特征值；
分别计算所述每一个数据点的颜色值与所述枝干颜色特征值的距离，得到所述每一个数据点的第一距离；
分别计算所述每一个数据点的颜色值与所述叶子颜色特征值的距离，得到所述每一个数据点的第二距离；
分别计算所述每一个数据点的第一距离与第二距离的比值；
根据所述比值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集。
3.根据权利要求2所述的果树枝干骨架提取方法，其特征在于，根据所述比值将所述三维点云数据集分割，得到主枝数据集和幼枝数据集，包括：
若所述比值小于或等于第一预设值，将所述比值对应的数据点加入所述主枝数据集；
若所述比值大于或等于第二预设值，将所述比值对应的数据点加入所述幼枝数据集，所述第一预设值小于所述第二预设值。
4.根据权利要求3所述的果树枝干骨架提取方法，其特征在于，所述第一预设值为区间[0.4,0.8]中的任意值，所述第二预设值为区间[1.5,2.0]中的任意值。
5.根据权利要求3所述的果树枝干骨架提取方法，其特征在于，还包括：
若所述比值大于第一预设值且小于第二预设值，将所述比值对应的数据点进行以下处理：
获取所述果树的枝干颜色极值，所述枝干颜色极值包括所述枝干颜色在每一个颜色分量上的最大值和最小值；
获取所述果树的叶子颜色极值，所述叶子颜色极值包括所述叶子颜色在每一个颜色分量上的最大值和最小值；
计算所述比值对应的数据点的颜色值与所述枝干颜色极值的距离，得到所述数据点的第三距离；
计算所述比值对应的数据点的颜色值与所述叶子颜色极值的距离，得到所述数据点的第四距离；
将所述第三距离与所述第四距离进行大小比较，若所述第三距离小于所述第四距离，将所述比值对应的数据点加入主枝数据集，否则，将所述比值对应的数据点加入幼枝数据集。
6.根据权利要求1所述的果树枝干骨架提取方法，其特征在于，根据数据点坐标的z分量值以及预先设置的多个数值区间将所述主枝数据集分割为多个主枝子数据集，包括：
在预先设置的多个数据区间中获取所述数据点坐标的z分量值所在的区间[pcl(2i-2),pcl(2i-1)]，所述i为自然数，所述pcl为预先设置的等高线间距参数；
将所述数据点加入所述区间[pcl(2i-2),pcl(2i-1)]对应的第i个主枝子数据集。
7.根据权利要求1所述的果树枝干骨架提取方法，其特征在于，在所述幼枝数据集中提取幼枝骨架，包括：
计算所述三维点云数据集的最小外接正方形SD以及所述SD的中心点坐标v_SD；
计算所述主枝数据集的最小外接正方形SDb；
将所述SDb移动使所述SDb的中心点与所述SD的中心点坐标v_SD重合；
根据所述移动后的所述主枝数据集的最小外接正方形将所述幼枝数据集分割，得到第一幼枝子数据集和第二幼枝子数据集；
分别将所述第一幼枝子数据集和第二幼枝子数据集采用基于距离的聚类方法进行聚类，得到多个聚类；
计算得到每一个所述聚类的中心点；
将所述计算得到的多个中心点作为幼枝骨架。
8.根据权利要求7所述的果树枝干骨架提取方法，其特征在于，根据所述移动后的所述主枝数据集的最小外接正方形将所述幼枝数据集分割，得到第一幼枝子数据集和第二幼枝子数据集，包括：
对于所述幼枝数据集中的每一个数据点，若所述数据点位于所述移动后的所述主枝数据集的最小外接正方形中，将所述数据点加入第二幼枝子数据集，否则，将所述数据点加入第一幼枝子数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310221116.3A CN103337092B (zh) | 2013-06-05 | 2013-06-05 | 果树枝干骨架提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310221116.3A CN103337092B (zh) | 2013-06-05 | 2013-06-05 | 果树枝干骨架提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103337092A CN103337092A (zh) | 2013-10-02 |
| CN103337092B true CN103337092B (zh) | 2015-09-30 |
Family
ID=49245240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310221116.3A Active CN103337092B (zh) | 2013-06-05 | 2013-06-05 | 果树枝干骨架提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103337092B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824324B (zh) * | 2014-02-28 | 2016-08-17 | 北京农业信息技术研究中心 | 一种果树冠层叶子和果实三维重建方法及系统 |
| CN103824325B (zh) * | 2014-02-28 | 2016-09-28 | 北京农业信息技术研究中心 | 一种果树枝干交互式三维重建方法及系统 |
| CN105373814B (zh) * | 2014-08-26 | 2019-04-02 | 南京林业大学 | 一种基于激光点云数据的真实阔叶树器官分类识别方法 |
| CN105719282B (zh) * | 2016-01-16 | 2018-06-08 | 常州大学 | 一种果园红色苹果图像果实枝叶区域获取方法 |
| CN108362698B (zh) * | 2018-02-06 | 2020-08-11 | 北京农业智能装备技术研究中心 | 一种秧苗主茎节点检测方法及装置 |
| CN113838045B (zh) * | 2021-09-30 | 2024-02-02 | 佛山市南海区广工大数控装备协同创新研究院 | 一种改进骨刺去除算法的pcb覆铜线路骨架轮廓提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101488226A (zh) * | 2008-01-16 | 2009-07-22 | 中国科学院自动化研究所 | 基于单次三维激光扫描的树木测量和重建方法 |
| CN101706968A (zh) * | 2009-12-10 | 2010-05-12 | 江苏大学 | 基于图像的果树枝干三维模型重建方法 |
| CN101887596A (zh) * | 2010-06-01 | 2010-11-17 | 中国科学院自动化研究所 | 树木点云数据基于分割和自动生长的三维模型重建方法 |
| CN102163342A (zh) * | 2011-04-07 | 2011-08-24 | 北京农业信息技术研究中心 | 基于多尺度测量数据的果树形态结构三维重建方法 |
| CN103106684A (zh) * | 2013-01-15 | 2013-05-15 | 北京农业信息技术研究中心 | 一种带叶状态树木形态结构三维重建的方法和系统 |
-
2013
- 2013-06-05 CN CN201310221116.3A patent/CN103337092B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101488226A (zh) * | 2008-01-16 | 2009-07-22 | 中国科学院自动化研究所 | 基于单次三维激光扫描的树木测量和重建方法 |
| CN101706968A (zh) * | 2009-12-10 | 2010-05-12 | 江苏大学 | 基于图像的果树枝干三维模型重建方法 |
| CN101887596A (zh) * | 2010-06-01 | 2010-11-17 | 中国科学院自动化研究所 | 树木点云数据基于分割和自动生长的三维模型重建方法 |
| CN102163342A (zh) * | 2011-04-07 | 2011-08-24 | 北京农业信息技术研究中心 | 基于多尺度测量数据的果树形态结构三维重建方法 |
| CN103106684A (zh) * | 2013-01-15 | 2013-05-15 | 北京农业信息技术研究中心 | 一种带叶状态树木形态结构三维重建的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103337092A (zh) | 2013-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103337092B (zh) | 果树枝干骨架提取方法 | |
| CN102163342B (zh) | 基于多尺度测量数据的果树形态结构三维重建方法 | |
| KR101165534B1 (ko) | 수관 식물점 그룹에 대해 시뮬레이트된 나무 줄기 및 나무 가지를 제공하는 지리공간 모델링 시스템 | |
| CN103106684B (zh) | 一种带叶状态树木形态结构三维重建的方法和系统 | |
| CN103258345B (zh) | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 | |
| CN104166748B (zh) | 一种基于关系模型的林分生长建模方法 | |
| CN101488226A (zh) | 基于单次三维激光扫描的树木测量和重建方法 | |
| CN111612896B (zh) | 一种基于机载激光雷达树点云重建三维树模型的方法 | |
| CN106651900A (zh) | 一种基于轮廓分割的高架原位草莓三维建模方法 | |
| CN103745497B (zh) | 植物生长建模方法和系统 | |
| CN103824324A (zh) | 一种果树冠层叶子和果实三维重建方法及系统 | |
| CN105654543B (zh) | 面向激光点云数据的阔叶树真实叶片建模与形变方法 | |
| CN102074012A (zh) | 结合图像和计算模型的茶叶嫩芽形态的三维重建方法 | |
| CN103824325B (zh) | 一种果树枝干交互式三维重建方法及系统 | |
| CN103425851A (zh) | 基于三维虚拟植物的造林密度优化分析方法 | |
| CN104915982A (zh) | 树冠层光照分布预测模型构建方法及光照分布检测方法 | |
| CN105590341B (zh) | 一种玉米群体三维重建方法及装置 | |
| CN102930596B (zh) | 一种藤蔓类植物的三维模型建立方法 | |
| CN103021012A (zh) | 结合静态结构利用计算机绘制动态3d植物的方法 | |
| CN105608743B (zh) | 一种植物掌状叶片多尺度建模方法 | |
| Guo et al. | Apple tree canopy leaf spatial location automated extraction based on point cloud data | |
| CN103077554B (zh) | 基于节单位的作物交互式设计方法和系统 | |
| CN106056665A (zh) | 水稻群体三维形态结构数字化与可视化重构方法 | |
| Lu et al. | A novel method for extracting skeleton of fruit tree from 3D point clouds | |
| Lu et al. | Methods and Tools for Modeling 3D Plants with Detailed Features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |