CN106709998A - 一种农作物叶面属性数字化重建的自组织映射建模方法 - Google Patents
一种农作物叶面属性数字化重建的自组织映射建模方法 Download PDFInfo
- Publication number
- CN106709998A CN106709998A CN201611210107.4A CN201611210107A CN106709998A CN 106709998 A CN106709998 A CN 106709998A CN 201611210107 A CN201611210107 A CN 201611210107A CN 106709998 A CN106709998 A CN 106709998A
- Authority
- CN
- China
- Prior art keywords
- self
- organizing maps
- modeling method
- leaf surface
- rebuild
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种农作物叶面属性数字化重建的自组织映射建模方法。方法包括:在一组图像中,获取农作物叶面的三维几何数据和色彩纹理数据;从可见光谱中提取所有信息,建立农作物叶面的统计模型;基于自组织映射,建立农作物叶面特征的三维重建模型;在贝叶斯框架下,建立叶面的概率统计模型。本发明中的方法既能够重构农作物叶面的全局几何特征信息和颜色特征信息,同时建立了叶面属性的统计基础模型。应用本发明后,可以有效降低农作物叶面三维建模的复杂度,并提高农作物自动评估的效率。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及农作物的数字建模和分析技术。
背景技术
农作物数字化模型已经成为越来越有用的工具,可用于理解和指导更好地实施农业技术以促进农业增收。同时,对于经济学家和决策者来说,农作物数字化模型也能够作为一种分析和准确预测作物产量的工具。
农作物的叶面结构与农作物生长特性和农作物产量密切相关,如叶片形状、叶片颜色、叶面积指数、叶片方位角分布、叶片空间分布的异质性等属性随着农作物的生长发育阶段和种植环境的变化而变化。准确地获取农作物的叶面信息,是掌握和分析农作物特性的重要途径,对于提高农作物产量和应对气候变化的适应能力具有重要的作用。
三维重建是指对物体建立三维数学模型,是在计算机环境下对物体进行处理和分析的基础和核心。物体三维重建是计算机辅助几何设计(CAGD)、计算机图形学(CG)、计算机动画、计算机视觉、医学图像处理、科学计算和虚拟现实、数字媒体创作等领域的共性科学问题和核心技术。
农作物的三维重建可分为基于规则的方法、基于图像的方法、基于三维扫描仪的方法等。然而,基于规则的重建方法无法捕获农作物叶面详细的结构;基于图像的方法往往受限于农作物周围复杂的生长环境,无法有效解决遮挡等噪声问题;基于三维扫描仪的方法难以保证重建的精度和效率。传统的三维重建方法往往以农作物的虚拟可视化为目的,不仅会增加分析的复杂性,而且大大降低了后期评估的效率。所以,如何设计更有效、更准确、更合理的农作物叶面属性数字化重建方法成为一个亟待解决的问题。
发明内容
针对以上所述问题,本发明提供了一种农作物叶面属性数字化重建的自组织映射建模方法,本发明通过综合运用立体视觉、神经网络和贝叶斯混合模型等技术,使得农作物叶面的数字化建模效率大大提高,并能够有效降低模型的复杂度。
为了达到上述技术效果,本发明采用如下技术方案:一种农作物叶面属性数字化重建的自组织映射建模方法,包括:
利用立体视觉算法,生成农作物叶面几何和纹理数据;
基于自组织映射进行点云曲面重建;
在贝叶斯框架下,基于过去的经验以及新观测的信息对模型的相关参数进行统计建模。
利用神经网络方法保持图像的全局几何形状信息和颜色信息,并消除高度估计中的误差。
自组织映射通过学习随机抽取的一段时间内输入数据的样本,形成自我组织的基础。
利用层次树结构加速自组织映射的学习过程,在该方案下,学习过程从只有少数节点的树顶开始,只改变搜索最佳匹配节点的方式,不改变顺序学习中的任何一步。
保证每个节点具有充分的更新,尽量构造较小的自组织映射。
本发明有益效果是:数字化模型能够准确保持农作物叶面的全局几何特征信息和颜色特征信息,同时消除立体视觉算法中高度的估计误差。应用本发明后,可以有效降低农作物叶面属性数字化建模的复杂度,并提高农作物自动评估的效率。
附图说明
图1为本发明的总体流程图。
图2为本发明的基于树结构的自组织映射算法流程图。
具体实施方式
下面结合附图对本发明做更详细说明。
参阅图 1,一种农作物叶面属性数字化重建的自组织映射建模方法,包括如下步骤:
利用立体视觉算法,生成农作物叶面几何和纹理数据;
基于自组织映射进行点云曲面重建;
在贝叶斯框架下,基于过去的经验以及新观测的信息对模型的相关参数进行统计建模。
通过比较两幅图像中对应像素的相对位移,即可以重构深度信息,主要包括两步:
(1)、识别匹配两幅图像中的对应点;
(2)、计算深度。
参阅图 2,基于树结构的自组织映射算法主要包含以下步骤:
(1)、初值设置为2*2网络,算法开始;
(2)、为每个单元格指定数据样本;
(3)、将网络中的每个细胞划分成 4 个子细胞;
(4)、在每一层,对于每个数据样本:从数据样本中找到父细胞的最佳匹配,更新最佳匹配细胞及其领域,并重新分配子细胞的数据样本;
(5)、回到步骤(3)。
具体实施时,自组织映射用一个由细胞组成的二维网格表示:{C 1 ,C 2 ,…, C m }。每个单元格包含一个模型向量,是六维的输入数据(R,G,B,X,Y,Z)。自组织映射通过学习输入数据的随机选择样本进行演化。对于每个样本x(t),自组织映射选择最佳细胞C b (t)进行数据匹配,公式如下:
被选的细胞C b (t)及其邻域C i (t)的更新取决于学习过程。该学习过程定义如下:
其中,是邻域函数,类似于一个平滑内核,时间变量和它的位置取决于C b (t)。重复该学习过程,直到表面模型得到足够精确的表示。
Claims (5)
1.一种农作物叶面属性数字化重建的自组织映射建模方法,其特征在于:利用立体视觉算法,生成农作物叶面几何和纹理数据;基于自组织映射进行点云曲面重建;在贝叶斯框架下,模型的相关参数可基于过去的经验以及新观测的信息进行统计建模。
2.根据权利要求1所述的一种农作物叶面属性数字化重建的自组织映射建模方法,其特征在于:利用神经网络方法可以保持图像的全局几何形状信息和颜色信息,并能够有效消除高度估计中的误差。
3.根据权利要求1所述的一种农作物叶面属性数字化重建的自组织映射建模方法,其特征在于:自组织映射通过学习随机抽取的一段时间内输入数据的样本,形成了自我组织的基础。
4.根据权利要求1所述的一种农作物叶面属性数字化重建的自组织映射建模方法,其特征在于:层次树结构加速自组织映射的学习过程,在该方案下,学习过程从只有少数节点的树顶开始,只改变搜索最佳匹配节点的方式,不改变顺序学习中的任何一步;同时,该方案解决了初始化的问题,可以使用每个节点的任意值进行初始化。
5.根据权利要求1所述的一种农作物叶面属性数字化重建的自组织映射建模方法,其特征在于:每个节点具有充分的更新,因此很容易构造较小的自组织映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611210107.4A CN106709998A (zh) | 2016-12-24 | 2016-12-24 | 一种农作物叶面属性数字化重建的自组织映射建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611210107.4A CN106709998A (zh) | 2016-12-24 | 2016-12-24 | 一种农作物叶面属性数字化重建的自组织映射建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106709998A true CN106709998A (zh) | 2017-05-24 |
Family
ID=58903169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611210107.4A Pending CN106709998A (zh) | 2016-12-24 | 2016-12-24 | 一种农作物叶面属性数字化重建的自组织映射建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709998A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306180A (zh) * | 2011-08-29 | 2012-01-04 | 北京建筑工程学院 | 一种基于海量激光雷达栅格点云数据的建模方法 |
CN102473247A (zh) * | 2009-06-30 | 2012-05-23 | 陶氏益农公司 | 用于在包含分子遗传标志物的植物和动物数据集中挖掘关联规则,继而利用由这些关联规则创建的特征进行分类或预测的机器学习方法的应用 |
-
2016
- 2016-12-24 CN CN201611210107.4A patent/CN106709998A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102473247A (zh) * | 2009-06-30 | 2012-05-23 | 陶氏益农公司 | 用于在包含分子遗传标志物的植物和动物数据集中挖掘关联规则,继而利用由这些关联规则创建的特征进行分类或预测的机器学习方法的应用 |
CN102306180A (zh) * | 2011-08-29 | 2012-01-04 | 北京建筑工程学院 | 一种基于海量激光雷达栅格点云数据的建模方法 |
Non-Patent Citations (3)
Title |
---|
张群洪等: "一种改进的自组织映射树算法及在组织际关系分类中的应用", 《系统工程理论与实践》 * |
谭云兰等: "3D树木建模技术研究进展", 《中国图象图形学报》 * |
郭浩等: "基于体着色的植物构型三维重建和可视化模拟", 《农业工程学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112002014B (zh) | 面向精细结构的三维人脸重建方法、系统、装置 | |
Grosman | Reaching the point of no return: the computational revolution in archaeology | |
Makowski et al. | Synthetic silviculture: multi-scale modeling of plant ecosystems | |
CN109285217B (zh) | 基于多视角图像的过程式植物模型重建方法 | |
CN103745497B (zh) | 植物生长建模方法和系统 | |
JPWO2006132194A1 (ja) | 情報処理装置及び情報処理方法、画像処理装置及び画像処理方法、並びにコンピュータ・プログラム | |
CN104548597B (zh) | 导航网格的自动生成方法和装置 | |
Tang et al. | Three-dimensional Forest growth simulation in virtual geographic environments | |
Zhu et al. | Analysing the phenotype development of soybean plants using low-cost 3D reconstruction | |
CN111612896A (zh) | 一种基于机载激光雷达树点云重建三维树模型的方法 | |
Xu et al. | An improved space colonization algorithm with DBSCAN clustering for a single tree skeleton extraction | |
Wang et al. | Statistical modeling of the 3D geometry and topology of botanical trees | |
Wang et al. | Oblique photogrammetry supporting procedural tree modeling in urban areas | |
US20200161004A1 (en) | Unified anisotropic volume and surface mesh storage | |
CN116502803A (zh) | 土地资源资产实物量核算方法、装置 | |
CN106709998A (zh) | 一种农作物叶面属性数字化重建的自组织映射建模方法 | |
Yang et al. | Three-dimensional modeling and visualization of rice root system based on the improved dual-scale automaton and L-system | |
CN112509142B (zh) | 基于面向表型精确鉴定的豆株快速三维重建方法 | |
Yang et al. | Modeling and visualization of rice roots based on morphological parameters | |
CN108985154A (zh) | 基于影像聚集度的小尺寸地物亚像元定位方法和系统 | |
Cournède et al. | A forest growth simulator based on functional-structural modelling of individual trees | |
Kohek et al. | Interactive synthesis and visualization of self-organizing trees for large-scale forest succession simulation | |
Le et al. | Visual modeling of rice root growth based on B-spline curve | |
CN111368468A (zh) | 基于数理方法及编程算法求取集中型村落二维边界的方法 | |
Jurado et al. | Accurate Plant Modeling based on the Real Light Incidence. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170524 |
|
WD01 | Invention patent application deemed withdrawn after publication |