CN110163854B - 玉米节间表型参数获取方法及装置 - Google Patents

玉米节间表型参数获取方法及装置 Download PDF

Info

Publication number
CN110163854B
CN110163854B CN201910405791.9A CN201910405791A CN110163854B CN 110163854 B CN110163854 B CN 110163854B CN 201910405791 A CN201910405791 A CN 201910405791A CN 110163854 B CN110163854 B CN 110163854B
Authority
CN
China
Prior art keywords
corn
internodes
network model
internode
dimensional network
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
Application number
CN201910405791.9A
Other languages
English (en)
Other versions
CN110163854A (zh
Inventor
温维亮
郭新宇
王传宇
郭小东
王殿亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201910405791.9A priority Critical patent/CN110163854B/zh
Publication of CN110163854A publication Critical patent/CN110163854A/zh
Application granted granted Critical
Publication of CN110163854B publication Critical patent/CN110163854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供一种玉米节间表型参数获取方法及装置，属于农业信息化技术领域。包括：获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型；基于三维网络模型，获取玉米节间的表型参数。本发明实施例提供的方法，通过获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型。基于三维网络模型，获取玉米节间的表型参数。由于可以结合三维网络模型自动化地确定玉米节间的表型参数，从而能够提高测量结构的精度及效率。另外，还可以满足后续玉米结构功能分析和基因组‑表型组关联分析的需求。

Description

玉米节间表型参数获取方法及装置
技术领域
本发明涉及农业信息化技术领域，尤其涉及一种玉米节间表型参数获取方法及装置。
背景技术
玉米是我国最重要的粮食作物之一，增产潜力巨大。玉米节单位的形态结构是玉米植株和冠层的基本组成单元，高通量精准解析玉米节间形态结构对理解玉米株高形态建成、玉米形态对环境的响应等具有重要意义。但由于玉米节间被叶鞘和叶片包裹，无法直接自动化地测量玉米节间的表型参数。其中，表型参数可以包括玉米节间的长短直径、长度、周长等。在相关技术中，玉米节间表型参数主要是通过人工测量，即通过将叶片和叶鞘剥离后，采用尺子和游标卡尺等测量玉米节间的表型参数。或者，通过单目图像解析的方法自动解析玉米节间的表型参数。
由于手工测量效率低，且难以反映节间长短直径及周长随节间长的变化，且玉米节和节间不是规则的圆柱体，基于单目图像的方法得到的节间长短直径只能反映当前测量视角的参数，从而相关技术在测量长短直径及估算周长方面存在一定的误差。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的玉米节间表型参数获取方法及装置。
根据本发明实施例的第一方面，提供了一种玉米节间表型参数获取方法，包括：
获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型；
基于三维网络模型，获取玉米节间的表型参数。
根据本发明实施例的第二方面，提供了一种玉米节间表型参数获取装置，包括：
第一获取模块，用于获取不同视角下玉米节间的图像；
构建模块，用于基于图像构建玉米节间的三维网格模型；
第二获取模块，用于基于三维网络模型，获取玉米节间的表型参数。
根据本发明实施例的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的玉米节间表型参数获取方法。
根据本发明的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的玉米节间表型参数获取方法。
本发明实施例提供的玉米节间表型参数获取方法及装置，通过获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型。基于三维网络模型，获取玉米节间的表型参数。由于可以结合三维网络模型自动化地确定玉米节间的表型参数，从而能够提高测量结构的精度及效率。另外，还可以满足后续玉米结构功能分析和基因组-表型组关联分析的需求。
应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种玉米节间表型参数获取方法的流程示意图；
图2为本发明实施例提供的一种玉米节间表型参数获取装置的结构示意图；
图3为本发明实施例提供的一种电子设备的框图。
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、完整地描述，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作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。
针对相关技术中的问题，本发明实施例提供了一种玉米节间表型参数获取方法。参见图1，该方法包括：101、获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型；102、基于三维网络模型，获取玉米节间的表型参数。
其中，表型参数可以包括玉米节间的长直径、短直径、节间长及周长等，本发明实施例对此不作具体限定。通过结合三维网络模型以及实际拍摄得到的不同视角下玉米节间的图像，可以得到玉米节间的表型参数。
本发明实施例提供的方法，通过获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型。基于三维网络模型，获取玉米节间的表型参数。由于可以结合三维网络模型自动化地确定玉米节间的表型参数，从而能够提高测量结构的精度及效率。另外，还可以满足后续玉米结构功能分析和基因组-表型组关联分析的需求。
基于上述实施例的内容，作为一种可选实施例，本发明实施例不对获取不同视角下玉米节间的图像的方式作具体限定，包括但不限于：将玉米节间固定在旋转平台的中心位置，以使得相机通过旋转平台围绕玉米节间旋转，通过相机拍摄得到不同视角下玉米节间的图像；或者，将相机固定在旋转平台的中心位置，以使得玉米节间通过旋转平台围绕相机旋转，通过相机拍摄得到不同视角下玉米节间的图像。
具体地，在选定目标节间后，可将包裹目标节间的叶片和叶鞘进行破坏性地手动剥离，设计自动化图像获取装置，以获取玉米节间多视角图像，也即不同视角下玉米节间的图像。这种装置可以是玉米节间垂直固定在中心位置，相机围绕玉米节间旋转；也可以是相机固定，玉米节间在旋转平台上垂直放置并水平转动。其中，在玉米节间周围可放置已知尺寸的棋盘格标定板，以进行定标。在获取多视角图像时，可设置均匀的时间步长拍照。另外，所获取的节间多视角图像可至少包含8幅图像，具体可以为24幅图像。
基于上述实施例的内容，作为一种可选实施例，基于图像构建玉米节间的三维网格模型，包括：基于图像，构建玉米节间的三维点云；对三维点云进行网格生成，得到玉米节间的三维网络模型。
具体地，利用所获取的玉米节间多视角图像数据，通过基于多视角的三维重建方法，重建出玉米节间三维点云。在此基础上，通过点云去噪、基于点云的网格生成方法，可得到玉米节间的三维网格模型。
基于上述实施例的内容，作为一种可选实施例，对三维点云进行网格生成，得到玉米节间的三维网络模型之后，还包括：通过定标装置，对三维网络模型进行缩放校准，以使得缩放校准后的三维网络模型与实际三维空间尺寸一致；将缩放校准后的三维网络模型进行旋转平移，以使得玉米节间的中心点位于旋转平移后的三维网络模型的原点；其中，玉米节间竖直向上。
具体地，该三维网格模型可通过定标装置实现模型的缩放校准，使得当前三维网格模型的尺寸与实际三维空间尺寸相同。同时，可将该三维网格模型旋转平移，使得玉米节间底部中心点位于原点，节间竖直向上。
基于上述实施例的内容，作为一种可选实施例，基于三维网络模型，获取玉米节间的表型参数，包括：在三维网络模型中，根据玉米节间中垂直于中轴线的切面直径，识别玉米节间两端节的位置；根据玉米节间两端节的位置，确定玉米节间两端节之间的垂直高度，并作为玉米节间的节间长。
由于在玉米节间两端节的位置，会比较粗，其切面直径会比较大，从而可根据玉米节间中垂直于中轴线的切面直径，可以确定玉米节间两端节的位置。玉米节间两端节的位置确定了，由于三维网格模型与玉米节间的尺寸相同，从而三维网格模型中玉米节间两端节的位置之间的垂直高度，可以作为玉米节间的实际节间长。
基于上述实施例的内容，作为一种可选实施例，本发明实施例不对基于三维网络模型，获取玉米节间的表型参数的方式作具体限定，包括但不限于：基于三维网络模型，获取玉米节间中的初始长直径及初始短直径，确定三维网络模型在初始长直径下的第一视角，并确定三维网络模型在初始短直径下的第二视角；根据第一视角从图像中筛选出第一目标图像，根据第二视角从图像中筛选出第二目标图像；根据第一目标图像，重新计算长直径，并根据第二目标图像，重新计算短直径。
由于玉米节间与三维网格模型的尺寸是相同的，从而虚拟观测三维网格模型，相当于通过相机拍摄玉米节间。玉米节间的切面通常是椭圆形的，相机在拍摄玉米节间时，只有在一种特殊拍摄视角，也即只有刚好长直径与相机平行时，才能拍到玉米节间长直径对应的图像。同理，只有在另一种特殊拍摄视角，也即只有刚好短直径与相机平行时，才能拍到玉米节间短直径对应的图像。由于玉米节间与三维网格模型的尺寸是相同的，从而可以确定在三维网格模型中观测到玉米节间长直径的视角，也即上述步骤中“确定三维网络模型在初始长直径下的第一视角”，还可以确定在三维网格模型中观测到玉米节间短直径的视角，也即上述步骤中“确定三维网络模型在初始短直径下的第二视角”。
由于在拍摄玉米节间图像时，即为按照不同视角进行拍摄，而玉米节间与三维网格模型的尺寸是相同的，三维网格模型相当于实际玉米节间的虚拟化，两者之间存在对应关系，从而可以找到之前拍摄的图像中，有哪张图像是按照第一视角进行拍摄的，有哪张是按照第二视角拍摄的。因此，可以得到第一目标图像及第二目标图像。在得到第一目标图像及第二目标图像后，可以计算第一目标图像中的长直径，并计算第二目标图像中的短直径。另外，还可以计算随着节间长的变化，长直径、短直径及周长的变化规律。
基于上述实施例的内容，作为一种可选实施例，根据第一视角从图像中筛选出第一目标图像，根据第二视角从图像中筛选出第二目标图像之后，还包括：分别去除第一目标图像及目标图像的背景，根据去除背景后的第一目标图像及第二目标图像，获取玉米节间的轮廓信息；根据玉米节间的轮廓信息，对三维网络模型进行边缘校准，以校准三维网格模型中边缘点的位置。
具体地，在得到第一目标图像及第二目标图像后，可通过图像分割去除背景得到玉米节间部分，进而得到当前玉米节间的轮廓信息，由于图像分辨率较所重建的三维网格模型分辨率高得多，从而利用图像得到的轮廓信息对当前视角的三维网格模型进行边缘校准，可调整三维网格模型的边缘点位置，以使得三维网格模型更为精准。
基于上述实施例的内容，本发明实施例提供了一种玉米节间表型参数获取装置，该玉米节间表型参数获取装置用于执行上述方法实施例中提供的玉米节间表型参数获取方法。参见图2，该装置包括：
第一获取模块201，用于获取不同视角下玉米节间的图像；
构建模块202，用于基于图像构建玉米节间的三维网格模型；
第二获取模块203，用于基于三维网络模型，获取玉米节间的表型参数。
作为一种可选实施例，第一获取模块201，用于将玉米节间固定在旋转平台的中心位置，以使得相机通过旋转平台围绕玉米节间旋转，通过相机拍摄得到不同视角下玉米节间的图像；或者，将相机固定在旋转平台的中心位置，以使得玉米节间通过旋转平台围绕相机旋转，通过相机拍摄得到不同视角下玉米节间的图像。
作为一种可选实施例，构建模块202，用于基于图像，构建玉米节间的三维点云；对三维点云进行网格生成，得到玉米节间的三维网络模型。
作为一种可选实施例，该装置还包括：
缩放校准模块，用于通过定标装置，对三维网络模型进行缩放校准，以使得缩放校准后的三维网络模型与实际三维空间尺寸一致；
旋转平移模块，用于将缩放校准后的三维网络模型进行旋转平移，以使得玉米节间的中心点位于旋转平移后的三维网络模型的原点；其中，玉米节间竖直向上。
作为一种可选实施例，第二获取模块203，用于在三维网络模型中，根据玉米节间中垂直于中轴线的切面直径，识别玉米节间两端节的位置；根据玉米节间两端节的位置，确定玉米节间两端节之间的垂直高度，并作为玉米节间的节间长。
作为一种可选实施例，第二获取模块203，包括：
确定单元，用于基于三维网络模型，获取玉米节间中的初始长直径及初始短直径，确定三维网络模型在初始长直径下的第一视角，并确定三维网络模型在初始短直径下的第二视角；
筛选单元，用于根据第一视角从图像中筛选出第一目标图像，根据第二视角从图像中筛选出第二目标图像；
计算单元，用于根据第一目标图像，重新计算长直径，并根据第二目标图像，重新计算短直径。
作为一种可选实施例，第二获取模块203，还包括：
获取单元，用于分别去除第一目标图像及目标图像的背景，根据去除背景后的第一目标图像及第二目标图像，获取玉米节间的轮廓信息；
校准单元，用于根据玉米节间的轮廓信息，对三维网络模型进行边缘校准，以校准三维网格模型中边缘点的位置。
本发明实施例提供的装置，通过获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型。基于三维网络模型，获取玉米节间的表型参数。由于可以结合三维网络模型自动化地确定玉米节间的表型参数，从而能够提高测量结构的精度及效率。另外，还可以满足后续玉米结构功能分析和基因组-表型组关联分析的需求。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型；基于三维网络模型，获取玉米节间的表型参数。
此外，上述的存储器330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，电子设备，或者网络设备等)执行本发明各个实施例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 AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：获取不同视角下玉米节间的图像，并基于图像构建玉米节间的三维网格模型；基于三维网络模型，获取玉米节间的表型参数。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
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 (9)

1.一种玉米节间表型参数获取方法，其特征在于，包括：
获取不同视角下玉米节间的图像，并基于所述图像构建玉米节间的三维网格模型；
基于所述三维网络模型，获取所述玉米节间的表型参数；
所述基于所述三维网络模型，获取所述玉米节间的表型参数，包括：
基于所述三维网络模型，获取所述玉米节间中的初始长直径及初始短直径，确定所述三维网络模型在所述初始长直径下的第一视角，并确定所述三维网络模型在所述初始短直径下的第二视角；
根据所述第一视角从所述图像中筛选出第一目标图像，根据所述第二视角从所述图像中筛选出第二目标图像；
根据所述第一目标图像，重新计算长直径，并根据所述第二目标图像，重新计算短直径。
2.根据权利要求1所述的玉米节间表型参数获取方法，其特征在于，所述获取不同视角下玉米节间的图像，包括：
将所述玉米节间固定在旋转平台的中心位置，以使得相机通过所述旋转平台围绕所述玉米节间旋转，通过所述相机拍摄得到不同视角下玉米节间的图像；或者，
将所述相机固定在所述旋转平台的中心位置，以使得所述玉米节间通过所述旋转平台围绕所述相机旋转，通过所述相机拍摄得到不同视角下玉米节间的图像。
3.根据权利要求1所述的玉米节间表型参数获取方法，其特征在于，所述基于所述图像构建玉米节间的三维网格模型，包括：
基于所述图像，构建所述玉米节间的三维点云；
对所述三维点云进行网格生成，得到所述玉米节间的三维网络模型。
4.根据权利要求3所述的玉米节间表型参数获取方法，其特征在于，所述对所述三维点云进行网格生成，得到所述玉米节间的三维网络模型之后，还包括：
通过定标装置，对所述三维网络模型进行缩放校准，以使得缩放校准后的三维网络模型与实际三维空间尺寸一致；
将缩放校准后的三维网络模型进行旋转平移，以使得所述玉米节间的中心点位于所述旋转平移后的三维网络模型的原点；其中，所述玉米节间竖直向上。
5.根据权利要求1所述的玉米节间表型参数获取方法，其特征在于，所述基于所述三维网络模型，获取所述玉米节间的表型参数，包括：
在所述三维网络模型中，根据所述玉米节间中垂直于中轴线的切面直径，识别所述玉米节间两端节的位置；
根据所述玉米节间两端节的位置，确定所述玉米节间两端节之间的垂直高度，并作为所述玉米节间的节间长。
6.根据权利要求5所述的玉米节间表型参数获取方法，其特征在于，所述根据所述第一视角从所述图像中筛选出第一目标图像，根据所述第二视角从所述图像中筛选出第二目标图像之后，还包括：
分别去除所述第一目标图像及所述第二目标图像的背景，根据去除背景后的第一目标图像及第二目标图像，获取所述玉米节间的轮廓信息；
根据所述玉米节间的轮廓信息，对所述三维网络模型进行边缘校准，以校准所述三维网格模型中边缘点的位置。
7.一种玉米节间表型参数获取装置，其特征在于，包括：
第一获取模块，用于获取不同视角下玉米节间的图像；
构建模块，用于基于所述图像构建玉米节间的三维网格模型；
第二获取模块，用于基于所述三维网络模型，获取所述玉米节间的表型参数；
第二获取模块，具体用于：
基于所述三维网络模型，获取所述玉米节间中的初始长直径及初始短直径，确定所述三维网络模型在所述初始长直径下的第一视角，并确定所述三维网络模型在所述初始短直径下的第二视角；
根据所述第一视角从所述图像中筛选出第一目标图像，根据所述第二视角从所述图像中筛选出第二目标图像；
根据所述第一目标图像，重新计算长直径，并根据所述第二目标图像，重新计算短直径。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
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6任一所述的方法。
9.一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6任一所述的方法。
CN201910405791.9A 2019-05-16 2019-05-16 玉米节间表型参数获取方法及装置 Active CN110163854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910405791.9A CN110163854B (zh) 2019-05-16 2019-05-16 玉米节间表型参数获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910405791.9A CN110163854B (zh) 2019-05-16 2019-05-16 玉米节间表型参数获取方法及装置

Publications (2)

Publication Number Publication Date
CN110163854A CN110163854A (zh) 2019-08-23
CN110163854B true CN110163854B (zh) 2021-02-09

Family

ID=67634743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910405791.9A Active CN110163854B (zh) 2019-05-16 2019-05-16 玉米节间表型参数获取方法及装置

Country Status (1)

Country Link
CN (1) CN110163854B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409265B (zh) * 2021-06-11 2022-04-12 华中农业大学 全生育期番茄3d表型动态获取和分析方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590341A (zh) * 2015-12-18 2016-05-18 北京农业信息技术研究中心 一种玉米群体三维重建方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279981B (zh) * 2011-08-02 2013-04-24 北京农业信息技术研究中心 一种三维图像网格化方法
CN103049932B (zh) * 2012-12-20 2015-08-12 北京农业信息技术研究中心 一种基于径向基函数的植物三维形态虚拟建模方法
CN103077559B (zh) * 2012-12-25 2016-01-20 北京农业信息技术研究中心 基于序列图像的果穗三维重建方法
CN105674881A (zh) * 2016-01-26 2016-06-15 上海乾菲诺农业科技有限公司 一种植物茎秆测量方法及装置
CN107392956B (zh) * 2017-06-08 2020-04-10 北京农业信息技术研究中心 作物根系表型检测方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590341A (zh) * 2015-12-18 2016-05-18 北京农业信息技术研究中心 一种玉米群体三维重建方法及装置

Also Published As

Publication number Publication date
CN110163854A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN106709917B (zh) 神经网络模型训练方法、装置及系统
Gunz et al. The mammalian bony labyrinth reconsidered, introducing a comprehensive geometric morphometric approach
JP2020042028A (ja) コレクターの相対パラメータのキャリブレーション方法、装置、機器及び媒体
CN111062131B (zh) 一种输电线路弧垂计算方法和相关装置
CN112288786B (zh) 电子装置及非暂态计算机可读存储介质
US20160143604A1 (en) Ct image correction
CN108242067B (zh) 计算具有可变空间分辨率的四维dsa数据组
CN109974623B (zh) 基于线激光和双目视觉的三维信息获取方法和装置
CN111260642A (zh) 一种图像定位方法、装置、设备和存储介质
CN110163854B (zh) 玉米节间表型参数获取方法及装置
CN108802729B (zh) 时间序列InSAR最佳干涉像对选择的方法及装置
EP2469501A2 (fr) Procédé de détermination d'une erreur de localisation dans une image géoréférencée et dispositif associé
CN110866975A (zh) 基于多目视觉的油菜图像获取装置及三维特征提取方法
Indirabai et al. Direct estimation of leaf area index of tropical forests using LiDAR point cloud
CN112233144A (zh) 水下鱼体重量测量方法及装置
CN113962876B (zh) 一种像素畸变的校正方法、校正装置及终端
US20130170719A1 (en) Methods, apparatuses, and computer program products for determining a modulation transfer function of an imaging system
AU2014267257B2 (en) Device and method for the parameterisation of a plant
CN116430069A (zh) 机器视觉流体流速测量方法、装置、计算机设备及存储介质
CN115797416A (zh) 基于点云图像的图像重建方法、装置、设备及存储介质
Puletti et al. Influence of voxel size and point cloud density on crown cover estimation in poplar plantations using terrestrial laser scanning
CN112562030A (zh) 图像重建方法、装置和电子设备
CN108230377B (zh) 点云数据的拟合方法和系统
CN113920267A (zh) 三维场景模型构建方法、装置、设备及存储介质
CN109813259B (zh) 高动态x射线成像方法、存储介质和装置

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