CN109166145A - 一种基于聚类分割的果树叶片生长参数提取方法及系统 - Google Patents
一种基于聚类分割的果树叶片生长参数提取方法及系统 Download PDFInfo
- Publication number
- CN109166145A CN109166145A CN201810911265.5A CN201810911265A CN109166145A CN 109166145 A CN109166145 A CN 109166145A CN 201810911265 A CN201810911265 A CN 201810911265A CN 109166145 A CN109166145 A CN 109166145A
- Authority
- CN
- China
- Prior art keywords
- clustering
- cluster
- point
- fruit tree
- cloud data
- 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.)
- Granted
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 83
- 230000011218 segmentation Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002015 leaf growth Effects 0.000 title claims abstract description 12
- 230000012010 growth Effects 0.000 claims abstract description 43
- 102100040359 Angiomotin-like protein 2 Human genes 0.000 claims abstract description 28
- 101000891151 Homo sapiens Angiomotin-like protein 2 Proteins 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 244000141359 Malus pumila Species 0.000 description 3
- 235000011430 Malus pumila Nutrition 0.000 description 3
- 235000015103 Malus silvestris Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于聚类分割的果树叶片生长参数提取方法及系统,包括:对目标果树冠层枝叶的点云数据进行超体聚类,并对得到的体素块集合中的多个邻接体素块进行LCCP聚类得到第一聚类集合;采用动态K值对第一聚类集合中的任一点群进行Kmeans聚类得到第二聚类集合;根据第二聚类集合中各点群对应的点云数据,基于边界提取分别获取每一叶片的生长参数。通过对超体聚类得到的点群采用LCCP聚类分割后,进一步采用基于动态K值的Kmeans聚类算法,对聚类Kmeans算法的改进能够自动获取K值,克服了传统算法中需人工设定K值的缺点,使得对目标果树冠层枝叶的点云数据分割更完整、更彻底,进而提取到叶片生长参数更准确。
Description
技术领域
本发明实施例涉及三维重建技术领域,更具体地,涉及一种基于聚类分割的果树叶片生长参数提取方法及系统。
背景技术
果树冠层作为果树光合作用的主要场所,其枝叶形态结构以及空间分布直接影响果实的质量和产量,对果树枝叶进行聚类分割并进一步对叶片的生长参数进行提取,能够为果树冠层形态结构分析和光照分布计算以及果树整形修剪等提供理论基础。国内外学者针对树木点云数据处理以及生长参数提取方面开展了大量的工作,随着三维激光扫描设备的生产数量增多和价格的降低,其能够被逐渐应用到果树建模领域中,对果树空间信息的表达精准且快速。
通过三维激光扫描设备可获取到大规模的场景点云数据,点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点的集合。为获取高精度、低误差的果树冠层点云,点云获取利用多站点扫描、后期处理的方法,并进行去噪、精简等预处理。果树冠层的生长过长复杂性较高,为了获取单叶片点云,并对冠层每片叶片点云进行生长参数的提取,首要目标即完成叶片的聚类分割。
目前,针对树体较大的果树叶片聚类分割的研究相对较少,较多数的聚类分割方法是针对场景文件中独立物体的分割,或对具有规则特征的平面、圆柱等的分割,少量针对果树叶片的点云分割聚类方法也多倾向于叶片较大、数量较少、对生叶序的果树,数据复杂性较低,对算法的鲁棒性、适用性要求也相对降低。例如常见的苹果树,由于苹果树的叶片较小较紧密且生长叶序为旋生,生长参数的提取对叶片点云的完整性和细节描述要求较高,采用传统的Kmeans算法、DBSCAN密度聚类算法、Region-growing区域生长算法得到的结果,不能得到完整单叶片,不适用于苹果苹果树等的叶片较小较紧密且生长叶序为旋生的枝叶点云的聚类分割,进而导致提取到的叶片生长参数不准确。
对于叶片生长参数的提取方面,现有技术中大多采用投影法,将三维点云降维,转换为二维图像下求解最长、最短距离,作为叶长、叶宽,但忽略了叶片在空间条件下发生卷曲等特性,从而导致所得生长参数相较于真实值减小。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的果树冠层叶片生长参数提取方法及系统。
一方面本发明实施例提供了一种基于聚类分割的果树叶片生长参数提取方法,包括:
对目标果树冠层枝叶的点云数据进行超体聚类,得到由多个体素块组成的体素块集合;
对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合;
采用第一预设数量作为K值对所述第一聚类集合中的任一点群进行Kmeans聚类,得到由所述第一预设数量的点群组成的第一聚类子集,根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,并采用所述第二预设数量作为K值对所述任一点群进行Kmeans聚类,得到由所述第二预设数量的点群组成的第二聚类子集;重复上述步骤直至得到由所述第一聚类集合中所有点群对应的第二聚类子集合并组成的第二聚类集合;其中,所述目标果树冠层枝叶中不同叶片分别对应所述第二聚类集合中不同的点群;所述预设阈值通过所述目标果树冠层枝叶的点云数据得到;
根据所述第二聚类集合中各点群对应的点云数据,分别获取每一叶片的生长参数。
进一步地,在所述对目标果树冠层枝叶的点云数据进行超体聚类之前,还包括:
获取所述目标果树冠层的原始点云数据,并依次对所述原始点云数据进行去噪和简化;
将经去噪和简化后的所述原始点云数据按八叉树的空间存储方式进行存储,得到所述目标果树冠层枝叶的点云数据。
进一步地,所述对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合,具体包括:
获取所述体素块集合中邻接体素块的局部凹凸性;
根据所述局部凹凸性,获取所述体素块集合中凹凸性不同的邻接体素块;
对所述体素块集合中凹凸性不同的邻接体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合。
进一步地,所述获取所述体素块集合中邻接体素块的局部凹凸性,具体包括:
当所述体素块集合中邻接体素块连接时,采用CC准则获取所述邻接体素块的局部凹凸性;当所述体素块集合中邻接体素块不连接时,采用SC准则获取所述邻接体素块的局部凹凸性。
进一步地,所述预设阈值通过以下方法获得:
从所述目标果树冠层枝叶的点云数据获取各叶片对应的多个中心,并对所述多个中心采用最小二乘进行拟合得到参考直线;
获取所述各叶片中每一叶片对应的中心到所述参考直线的距离,取所述各叶片中所有叶片对应的多个中心到所述参考直线的多个距离的平均值为所述预设阈值。
进一步地,所述第一预设数量为4,相应地,
所述根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,具体包括:
比较所述第一聚类子集中每两个点群对应的两个中心点之间的欧氏距离与所述预设阈值之间的大小关系,得到m个所述欧氏距离大于所述预设阈值,n个所述欧氏距离小于所述预设阈值,则所述第二预设数量通过下式计算:
其中,K为所述第二预设数量,m、n都为自然数。
进一步地,所述根据所述第二聚类集合中各点群对应的点云数据,分别获取每一叶片的生长参数,具体包括:
将所述第二聚类集合中每一点群对应的点云数据作为输入参数,利用PCA主成分分析方法和边界提取方法,获取每一叶片的生长参数。
另一方面本发明实施例提供了一种果树冠层叶片生长参数提取系统,所述系统包括:
超体聚类模块,用于对目标果树冠层枝叶的点云数据进行超体聚类,得到由多个体素块组成的体素块集合;
LCCP聚类模块,用于对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合;
Kmeans聚类模块,用于采用第一预设数量作为K值对所述第一聚类集合中的任一点群进行Kmeans聚类,得到由所述第一预设数量的点群组成的第一聚类子集,根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,并采用所述第二预设数量作为K值对所述任一点群进行Kmeans聚类,得到由所述第二预设数量的点群组成的第二聚类子集;重复上述步骤直至得到由所述第一聚类集合中所有点群对应的第二聚类子集合并组成的第二聚类集合;其中,所述目标果树冠层枝叶中不同叶片分别对应所述第二聚类集合中不同的点群;所述预设阈值通过所述目标果树冠层枝叶的点云数据得到;
生长参数获取模块,用于根据所述第二聚类集合中各点群对应的点云数据,分别获取每一叶片的生长参数。
第三方面本发明实施例提供了一种基于聚类分割的果树叶片生长参数提取设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取方法及系统,通过对目标果树冠层枝叶的点云数据进行超体聚类为后续聚类分割提供了精度基础;对超体聚类得到的点群采用LCCP聚类分割后,进一步采用基于动态K值的Kmeans聚类算法,对聚类Kmeans算法的改进能够自动获取K值,克服了传统算法中需人工设定K值的缺点,对所得聚类进行不同K值的Kmeans算法聚类,使得对目标果树冠层枝叶的点云数据分割更完整、更彻底,进而使提取的叶片生长参数更准确。
附图说明
图1为本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取方法的流程图;
图2为本发明实施例中某一果树枝叶对应的第一聚类集合中4个点群的效果图;
图3为本发明实施例中对第一聚类集合中某一点群进行Kmeans聚类分割得到的分割结果的效果图,且K=4;
图4为本发明实施例中对第一聚类集合中某一点群进行Kmeans聚类分割得到的分割结果的效果图,且K=3;
图5为本发明实施例中对第一聚类集合中某一点群进行Kmeans聚类分割得到的分割结果的效果图,且K=2;
图6为本发明实施例中对第一聚类集合中某一点群进行Kmeans聚类分割得到的分割结果的效果图,且K=1;
图7为本发明实施例中第二聚类集合中某一点群的示意图;
图8为本发明实施例中计算图7中点群对应的叶片的生长参数的示意图;
图9为本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取系统的结构框图;
图10为本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取方法的流程图,如图1所示,所述方法包括:
S1,对目标果树冠层枝叶的点云数据进行超体聚类,得到由多个体素块组成的体素块集合;
S2,对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合;
S3,采用第一预设数量作为K值对所述第一聚类集合中的任一点群进行Kmeans聚类,得到由所述第一预设数量的点群组成的第一聚类子集,根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,并采用所述第二预设数量作为K值对所述任一点群进行Kmeans聚类,得到由所述第二预设数量的点群组成的第二聚类子集;重复上述步骤直至得到由所述第一聚类集合中所有点群对应的第二聚类子集合并组成的第二聚类集合;其中,所述目标果树冠层枝叶中不同叶片分别对应所述第二聚类集合中不同的点群;所述预设阈值通过所述目标果树冠层枝叶的点云数据得到;
S4,根据所述第二聚类集合中各点群对应的叶片点云数据,分别获取每一叶片的生长参数。
其中,在步骤S1中,对于目标果树的冠层进行聚类分割时,可每次从冠层中手动选取一条枝叶作为处理对象,分多次处理完目标果树的冠层点云数据。
在步骤S2中,经LCCP聚类后,邻接叶片、枝干点云可能会同时存在于相同的第一聚类集合中,在后续步骤中需要将单独叶片、枝干点云进行区分。
在步骤S3中,由于步骤S2中LCCP聚类没有将叶片中的独立叶片完全区分开,故需要进一步对第一聚类集合中的每个点群进行聚类分割。采用动态K值的Kmeans聚类对第一聚类集合中的每个点群进行进行进一步的聚类分割,其中K值通过比较第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系来确定。由于在LCCP聚类之后,第一聚类集合中每个点群最多对应三个叶片和一段枝干,不会出现更多的需要分割的数目,故在得到第一聚类子集时所采用的第一预设数量一般设置为大于三即能满足需求。
在步骤S4中,对经步骤S1至S3得到的聚类分割后的第二聚类集合,每个点群即可认为对应彻底分割的叶片或枝干。
本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取方法,通过对目标果树冠层枝叶的点运数据进行超体聚类为后续聚类分割提供了精度基础;对超体聚类得到的点群采用LCCP聚类分割后,进一步采用基于动态K值的Kmeans聚类算法,对聚类Kmeans算法的改进能够自动获取K值,克服了传统算法中需人工设定K值的缺点,对所得聚类进行不同K值的Kmeans算法聚类,使得对目标果树冠层枝叶的点运数据分割更完整、更彻底,进而使得提取的叶片生长参数更准确。
在上述实施例中,在所述对目标果树冠层枝叶的点云数据进行超体聚类之前,还包括:
获取所述目标果树冠层的原始点云数据,并依次对所述原始点云数据进行去噪和简化;
将经去噪和简化后的所述原始点云数据按八叉树的空间存储方式进行存储,得到所述目标果树冠层枝叶的点云数据。
具体地,首先使用三维激光扫描设备,如采用地面三维激光扫描仪Trimble TX8,获取目标果树冠层的空间三维信息即点云数据,可以采用多台三维激光扫描仪作为多个扫描基站分别进行扫描,再对多台扫描仪所得到的点云数据经过基于KD-tree-ICP配准方法处理后得到大场景点云数据,即目标果树冠层的原始点云数据。由于扫描设备的限制和自然环境中风、光等的影响,获取的点云数据不可避免的会有噪点产生,为了最大程度地还原真实苹果树冠层的三维形态,需对叶片三维点云进行去噪处理,另外,由于扫描设备的精度较高,所得点云数量庞大,直接处理会降低运算速度、增加计算机资源开销,需要在不影响点云质量的前提下进行精简处理。
设置八叉树的深度,将上述预处理后的目标果树冠层的原始点云数据按照八叉树的空间存储方式进行初始化,构建八叉树搜索方法,建立所述点云的八叉树空间存储结构,即得到目标果树冠层枝叶的点云数据。
在上述实施例中,所述对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合,具体包括:
获取所述体素块集合中邻接体素块的局部凹凸性;
根据所述局部凹凸性,获取所述体素块集合中凹凸性不同的邻接体素块;
对所述体素块集合中凹凸性不同的邻接体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合。
进一步地,所述获取所述体素块集合中邻接体素块的局部凹凸性,具体包括:
当所述体素块集合中邻接体素块连接时,采用CC准则获取所述邻接体素块的局部凹凸性;当所述体素块集合中邻接体素块不连接时,采用SC准则获取所述邻接体素块的局部凹凸性。
具体地,以由多个体素块组成的体素块集合为处理对象,按照八叉树的搜索方式,构建体素空间存储结构,明确邻接关系,计算每个体素块的中心点,连接邻接体素块中心点,得到体素中心点、连通边集合。
根据得到的连通图以及体素邻接关系,判定邻接体素的局部凹凸性。凹凸性判断准则分为两种:CC(Extended Convexity Criterion)和SC(Sanity Criterion)。CC准则涉及的主要参数为相邻体素中心点以及体素法向量凹凸性可以根据中心点连线向量向量及其夹角与法向量角度偏差阈值βThresh关系判定。
CC准则判定表达式为:
当邻接体素面不连接时,CC的判定准则即不适用,此时使用SC准则对邻接体素关系进行判定,SC准则涉及的参数有:体素中心点坐标及其连线向量法向量及其向量积SC准则判定表达式为:
其中,涉及的参数定义有
为经验值。
综合CC准则和SC准则,最终局部凹凸性判定为:
根据区域生长算法聚类原理,对具有不同凹凸性质的体素进行LCCP聚类分割,得到第一聚类集合cluster={cluster1,cluster2,……,clusterM},其中M为LCCP聚类结果个数,对某一枝叶的点云进行LCCP聚类分割得到的第一聚类集合中部分点群的效果图如图2所示。
在上述实施例中,所述预设阈值通过以下方法获得:
从所述目标果树冠层枝叶的点云数据获取各叶片对应的多个中心,并对所述多个中心采用最小二乘进行拟合得到参考直线;
获取所述各叶片中每一叶片对应的中心到所述参考直线的距离,取所述各叶片中所有叶片对应的多个中心到所述参考直线的多个距离的平均值为所述预设阈值。
具体地,手动分割枝条叶片,计算叶片中心点,所有中心点做最小二乘拟合,得到直线L,计算中心点到直线L的距离均值,作为预设阈值Dthreshold。
在上述实施例中,所述第一预设数量为4,相应地,
所述根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,具体包括:
比较所述第一聚类子集中每两个点群对应的两个中心点之间的欧氏距离与所述预设阈值之间的大小关系,得到m个所述欧氏距离大于所述预设阈值,n个所述欧氏距离小于所述预设阈值,则所述第二预设数量通过下式计算:
其中,K为所述第二预设数量,m、n都为自然数。
具体地,设定K=4,对第一聚类集合中的任一点群进行Kmeans聚类分割,计算4个点群的中心点K_centroli(xi,yi,zi)以及4个中心点之间的组欧氏距离:
将计算得出的中心点欧氏距离,与预设阈值Dthreshold进行比较,大于、小于距离阈值的个数分别为m、n,根据m与n的大小关系,确定此点群需要分割的点群个数再次实现基于动态K阈值的Kmeans算法对clusteri进行聚类分割,得到单独叶片和分离的枝干点云。如图3-6所示,分别为对第一聚类集合中某一点群进行Kmeans聚类分割得到的分割结果的效果图,其中图3中,K=4,其中图4中,K=3,其中图5中,K=2,其中图6中,K=1,且每附图中分别用不同的形状区分不同聚类中的点云。
在上述实施例中,所述根据所述第二聚类集合中各点群对应的点云数据,分别获每一叶片的生长参数,具体包括:
将所述第二聚类集合中每一点群对应的点云数据作为输入参数,利用PCA主成分分析方法并基于边界提取方法,获取每一叶片的生长参数。
具体地,图7所示为聚类所得单叶片,将叶片点云三维空间信息作为输入参数,利用PCA主成分分析法构建协方差矩阵,计算叶片的拟合平面法向量,即计算协方差矩阵的特征值和特征向量,得到最大特征值max_eigenvalue,对应的特征向量max_eigenvector()作为所述叶片点云的曲面拟合法向量,即叶片的生长角度,如图8中标示的N。通过建立叶片点云的k-d树空间拓扑结构并利用所述当前点云中各个点与其K-邻域内各邻近点之间的位置关系,确定当前点云中的边界点。边计算界点中点与叶片中心点的最大距离,作为叶片的叶长,与叶长空间垂直的边界点连线欧式距离为叶宽,图8中的o为叶片中心点,l1和l2为叶片边界点与中心距离最大的两端点,即叶长端点;w1和w2为叶片叶宽的端点。
图9为本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取系统,所述系统包括:超体聚类模块901、LCCP聚类模块902、Kmeans聚类模块903及生长参数获取模块904。其中:
超体聚类模块901用于对目标果树冠层枝叶的点云数据进行超体聚类,得到由多个体素块组成的体素块集合。LCCP聚类模块902用于对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合。Kmeans聚类模块903用于采用第一预设数量作为K值对所述第一聚类集合中的任一点群进行Kmeans聚类,得到由所述第一预设数量的点群组成的第一聚类子集,根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,并采用所述第二预设数量作为K值对所述任一点群进行Kmeans聚类,得到由所述第二预设数量的点群组成的第二聚类子集;重复上述步骤直至得到由所述第一聚类集合中所有点群对应的第二聚类子集合并组成的第二聚类集合;其中,所述目标果树冠层枝叶中不同叶片分别对应所述第二聚类集合中不同的点群;所述预设阈值通过所述目标果树冠层枝叶的点云数据得到。生长参数获取模块904用于根据所述第二聚类集合中各点群对应的叶片点云数据,分别获取每一叶片的生长参数。
具体地,本发明实施例中的基于聚类分割的果树叶片生长参数提取系统中各模块的作用及操作流程与上述方法类实施例是一一对应的,在此不再赘述。
本发明实施例提供的一种基于聚类分割的果树叶片生长参数提取系统,通过对目标果树冠层枝叶的点云数据进行超体聚类为后续聚类分割提供了精度基础;对超体聚类得到的点群采用LCCP聚类分割后,进一步采用基于动态K值的Kmeans聚类算法,对聚类Kmeans算法的改进能够自动获取K值,克服了传统算法中需人工设定K值的缺点,对所得聚类进行不同K值的Kmeans算法聚类,使得对目标果树冠层枝叶的点云数据分割更完整、更彻底,进而使得提取的叶片生长参数更准确。
如图10所示,在上述实施例的基础上,本发明实施例还提供了一种果树冠层叶片生长参数提取设备,包括:至少一个处理器1001、至少一个存储器1002、通信接口1003和总线1004;其中,所述处理器1001、存储器1002、通信接口1003通过所述总线1004完成相互间的通信;所述通信接口1003用于该建模设备与显示装置的通信设备之间的信息传输;所述存储器1002存储有可被所述处理器1001执行的程序指令,所述处理器1001调用所述程序指令能够执行如图1所述的方法。
上述的存储器1002中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:对目标果树冠层枝叶的点云数据进行超体聚类,得到由多个体素块组成的体素块集合;对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合;采用第一预设数量作为K值对所述第一聚类集合中的任一点群进行Kmeans聚类,得到由所述第一预设数量的点群组成的第一聚类子集,根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,并采用所述第二预设数量作为K值对所述任一点群进行Kmeans聚类,得到由所述第二预设数量的点群组成的第二聚类子集;重复上述步骤直至得到由所述第一聚类集合中所有点群对应的第二聚类子集合并组成的第二聚类集合;其中,所述目标果树冠层枝叶中不同叶片分别对应所述第二聚类集合中不同的点群;所述预设阈值通过所述目标果树冠层枝叶的点云数据得到;根据所述第二聚类集合中各点群对应的点云数据,分别获取每一叶片的生长参数。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于聚类分割的果树叶片生长参数提取方法,其特征在于,包括:
对目标果树冠层枝叶的点云数据进行超体聚类,得到由多个体素块组成的体素块集合;
对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合;
采用第一预设数量作为K值对所述第一聚类集合中的任一点群进行Kmeans聚类,得到由所述第一预设数量的点群组成的第一聚类子集,根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,并采用所述第二预设数量作为K值对所述任一点群进行Kmeans聚类,得到由所述第二预设数量的点群组成的第二聚类子集;重复上述步骤直至得到由所述第一聚类集合中所有点群对应的第二聚类子集合并组成的第二聚类集合;其中,所述目标果树冠层枝叶中不同叶片分别对应所述第二聚类集合中不同的点群;所述预设阈值通过所述目标果树冠层枝叶的点云数据得到;
根据所述第二聚类集合中各点群对应的点云数据,分别获取每一叶片的生长参数。
2.根据权利要求1所述方法,其特征在于,在所述对目标果树冠层枝叶的点云数据进行超体聚类之前,还包括:
获取所述目标果树冠层的原始点云数据,并依次对所述原始点云数据进行去噪和简化;
将经去噪和简化后的所述原始点云数据按八叉树的空间存储方式进行存储,得到所述目标果树冠层枝叶的点云数据。
3.根据权利要求1所述方法,其特征在于,所述对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合,具体包括:
获取所述体素块集合中邻接体素块的局部凹凸性;
根据所述局部凹凸性,获取所述体素块集合中凹凸性不同的邻接体素块;
对所述体素块集合中凹凸性不同的邻接体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合。
4.根据权利要求3所述方法,其特征在于,所述获取所述体素块集合中邻接体素块的局部凹凸性,具体包括:
当所述体素块集合中邻接体素块连接时,采用CC准则获取所述邻接体素块的局部凹凸性;当所述体素块集合中邻接体素块不连接时,采用SC准则获取所述邻接体素块的局部凹凸性。
5.根据权利要求1所述方法,其特征在于,所述预设阈值通过以下方法获得:
从所述目标果树冠层枝叶的点云数据获取各叶片对应的多个中心,并对所述多个中心采用最小二乘进行拟合得到参考直线;
获取所述各叶片中每一叶片对应的中心到所述参考直线的距离,取所述各叶片中所有叶片对应的多个中心到所述参考直线的多个距离的平均值为所述预设阈值。
6.根据权利要求5所述方法,其特征在于,所述第一预设数量为4,相应地,
所述根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,具体包括:
比较所述第一聚类子集中每两个点群对应的两个中心点之间的欧氏距离与所述预设阈值之间的大小关系,得到m个所述欧氏距离大于所述预设阈值,n个所述欧氏距离小于所述预设阈值,则所述第二预设数量通过下式计算:
其中,K为所述第二预设数量,m、n都为自然数。
7.根据权利要求1所述方法,其特征在于,所述根据所述第二聚类集合中各点群对应的点云数据,分别获取每一叶片的生长参数,具体包括:
将所述第二聚类集合中每一点群对应的叶片点云数据作为输入参数,利用PCA主成分分析方法和边界提取方法,获取每一叶片的生长参数。
8.一种基于聚类分割的果树叶片生长参数提取系统,其特征在于,所述系统包括:
超体聚类模块,用于对目标果树冠层枝叶的点云数据进行超体聚类,得到由多个体素块组成的体素块集合;
LCCP聚类模块,用于对所述体素块集合中的所述多个体素块进行LCCP聚类,得到由多个点群组成的第一聚类集合;
Kmeans聚类模块,用于采用第一预设数量作为K值对所述第一聚类集合中的任一点群进行Kmeans聚类,得到由所述第一预设数量的点群组成的第一聚类子集,根据所述第一聚类子集中每两个点群对应的两个中心点之间的距离与预设阈值之间的大小关系,确定第二预设数量,并采用所述第二预设数量作为K值对所述任一点群进行Kmeans聚类,得到由所述第二预设数量的点群组成的第二聚类子集;重复上述步骤直至得到由所述第一聚类集合中所有点群对应的第二聚类子集合并组成的第二聚类集合;其中,所述目标果树冠层枝叶中不同叶片分别对应所述第二聚类集合中不同的点群;所述预设阈值通过所述目标果树冠层枝叶的点云数据得到;
生长参数获取模块,用于根据所述第二聚类集合中各点群对应的点云数据,分别获取每一叶片的生长参数。
9.一种基于聚类分割的果树叶片生长参数提取设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911265.5A CN109166145B (zh) | 2018-08-10 | 2018-08-10 | 一种基于聚类分割的果树叶片生长参数提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911265.5A CN109166145B (zh) | 2018-08-10 | 2018-08-10 | 一种基于聚类分割的果树叶片生长参数提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109166145A true CN109166145A (zh) | 2019-01-08 |
CN109166145B CN109166145B (zh) | 2020-12-11 |
Family
ID=64895550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810911265.5A Expired - Fee Related CN109166145B (zh) | 2018-08-10 | 2018-08-10 | 一种基于聚类分割的果树叶片生长参数提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109166145B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816682A (zh) * | 2019-01-22 | 2019-05-28 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
CN110427956A (zh) * | 2019-04-18 | 2019-11-08 | 中国林业科学研究院资源信息研究所 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
CN111427032A (zh) * | 2020-04-24 | 2020-07-17 | 森思泰克河北科技有限公司 | 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 |
CN111666946A (zh) * | 2020-05-26 | 2020-09-15 | 东华大学 | 基于点云过分割与面片生长的植株点云单叶片分割方法 |
CN112085785A (zh) * | 2019-06-12 | 2020-12-15 | 北京京东尚科信息技术有限公司 | 定位方法及装置 |
CN113469276A (zh) * | 2021-07-21 | 2021-10-01 | 苏州大学 | 果树检测方法及装置 |
CN113536958A (zh) * | 2021-06-23 | 2021-10-22 | 华南农业大学 | 导航路径提取方法、装置、农业机器人和存储介质 |
CN114492619A (zh) * | 2022-01-22 | 2022-05-13 | 电子科技大学 | 一种基于统计和凹凸性的点云数据集构建方法及装置 |
CN115205690A (zh) * | 2022-09-14 | 2022-10-18 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996198A (zh) * | 2014-06-04 | 2014-08-20 | 天津工业大学 | 复杂自然环境下感兴趣区域的检测方法 |
US20160358339A1 (en) * | 2014-01-17 | 2016-12-08 | Htc Corporation | Image segmentation device, image segmentation method, and depth map generating method |
CN106815843A (zh) * | 2016-11-30 | 2017-06-09 | 江苏城乡建设职业学院 | 一种基于凸包中心先验和马尔可夫吸收链的果实目标获取方法 |
CN107463933A (zh) * | 2017-07-24 | 2017-12-12 | 宗晖(上海)机器人有限公司 | 一种图像目标检测方法 |
US20180144458A1 (en) * | 2016-11-21 | 2018-05-24 | Seiko Epson Corporation | Multiple Hypotheses Segmentation-Guided 3D Object Detection and Pose Estimation |
CN108198244A (zh) * | 2017-12-20 | 2018-06-22 | 中国农业大学 | 一种苹果叶片点云精简方法及装置 |
-
2018
- 2018-08-10 CN CN201810911265.5A patent/CN109166145B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358339A1 (en) * | 2014-01-17 | 2016-12-08 | Htc Corporation | Image segmentation device, image segmentation method, and depth map generating method |
CN103996198A (zh) * | 2014-06-04 | 2014-08-20 | 天津工业大学 | 复杂自然环境下感兴趣区域的检测方法 |
US20180144458A1 (en) * | 2016-11-21 | 2018-05-24 | Seiko Epson Corporation | Multiple Hypotheses Segmentation-Guided 3D Object Detection and Pose Estimation |
CN106815843A (zh) * | 2016-11-30 | 2017-06-09 | 江苏城乡建设职业学院 | 一种基于凸包中心先验和马尔可夫吸收链的果实目标获取方法 |
CN107463933A (zh) * | 2017-07-24 | 2017-12-12 | 宗晖(上海)机器人有限公司 | 一种图像目标检测方法 |
CN108198244A (zh) * | 2017-12-20 | 2018-06-22 | 中国农业大学 | 一种苹果叶片点云精简方法及装置 |
Non-Patent Citations (4)
Title |
---|
R. ACHANTA 等: "SLIC Superpixels Compared to State-of-the-Art Superpixel Methods", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
SIMON CHRISTOPH STEIN 等: "Object partitioning using local convexity", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
姜媛媛: "基于超体素区域增长的点云分割算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
曾庆山 等: "基于距离阈值的自适应K-均值聚类算法", 《郑州大学学报(理学版)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816682B (zh) * | 2019-01-22 | 2022-12-06 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN109816682A (zh) * | 2019-01-22 | 2019-05-28 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN110427956A (zh) * | 2019-04-18 | 2019-11-08 | 中国林业科学研究院资源信息研究所 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
CN112085785A (zh) * | 2019-06-12 | 2020-12-15 | 北京京东尚科信息技术有限公司 | 定位方法及装置 |
CN112085785B (zh) * | 2019-06-12 | 2024-04-09 | 北京京东乾石科技有限公司 | 定位方法及装置 |
CN111427032A (zh) * | 2020-04-24 | 2020-07-17 | 森思泰克河北科技有限公司 | 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 |
CN111427032B (zh) * | 2020-04-24 | 2022-02-01 | 森思泰克河北科技有限公司 | 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 |
CN111666946A (zh) * | 2020-05-26 | 2020-09-15 | 东华大学 | 基于点云过分割与面片生长的植株点云单叶片分割方法 |
CN113536958A (zh) * | 2021-06-23 | 2021-10-22 | 华南农业大学 | 导航路径提取方法、装置、农业机器人和存储介质 |
CN113536958B (zh) * | 2021-06-23 | 2023-08-25 | 华南农业大学 | 导航路径提取方法、装置、农业机器人和存储介质 |
CN113469276A (zh) * | 2021-07-21 | 2021-10-01 | 苏州大学 | 果树检测方法及装置 |
CN114492619A (zh) * | 2022-01-22 | 2022-05-13 | 电子科技大学 | 一种基于统计和凹凸性的点云数据集构建方法及装置 |
CN115205690B (zh) * | 2022-09-14 | 2022-12-06 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
CN115205690A (zh) * | 2022-09-14 | 2022-10-18 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109166145B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166145B (zh) | 一种基于聚类分割的果树叶片生长参数提取方法及系统 | |
CN110322464B (zh) | 一种基于三维点云的小曲率薄壁零件边界提取方法 | |
CN111724433B (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN111080794B (zh) | 一种耕地现场边云协同的三维重建方法 | |
CN112489212A (zh) | 一种基于多源遥感数据的建筑物智能化三维测图方法 | |
CN107369161A (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
WO2015149302A1 (zh) | 基于点云与数据驱动的树木模型重建方法 | |
CN107680168B (zh) | 三维重建中基于平面拟合的网格简化方法 | |
CN109615581B (zh) | 一种融合扩展高斯球和颜色几何特征的三维碎片的拼接复原方法 | |
Zhang et al. | A method for organs classification and fruit counting on pomegranate trees based on multi-features fusion and support vector machine by 3D point cloud | |
CN111145129A (zh) | 基于超体素的点云去噪方法 | |
CN115018982B (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
CN115937151B (zh) | 一种作物叶片卷曲程度的判定方法 | |
CN103310481A (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN106683105A (zh) | 图像分割方法及图像分割装置 | |
CN115423931B (zh) | 一种基于点体素的实景树木三维模型重建方法 | |
CN105590313A (zh) | 一种基于主动轮廓模型的森林三维冠层形态结构提取方法 | |
CN114387288A (zh) | 基于车载激光雷达点云数据的单立木三维信息提取方法 | |
CN114998103A (zh) | 一种基于孪生网络的点云文物碎片的三维虚拟拼接方法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
CN112884884A (zh) | 一种候选区域生成方法及系统 | |
CN116763295B (zh) | 牲畜体尺测量方法、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201211 |
|
CF01 | Termination of patent right due to non-payment of annual fee |