CN110853044A - 基于条件欧式聚类的盆栽玉米点云快速分割方法 - Google Patents

基于条件欧式聚类的盆栽玉米点云快速分割方法 Download PDF

Info

Publication number
CN110853044A
CN110853044A CN201910374602.6A CN201910374602A CN110853044A CN 110853044 A CN110853044 A CN 110853044A CN 201910374602 A CN201910374602 A CN 201910374602A CN 110853044 A CN110853044 A CN 110853044A
Authority
CN
China
Prior art keywords
point cloud
corn
potted
dimensional
conditional
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
Application number
CN201910374602.6A
Other languages
English (en)
Inventor
梁秀英
周风燃
杨万能
陈欢
王康
卢少志
熊立仲
陈国兴
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.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN201910374602.6A priority Critical patent/CN110853044A/zh
Publication of CN110853044A publication Critical patent/CN110853044A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于条件欧式聚类的盆栽玉米点云快速分割方法。该方法编写了基于条件欧式聚类的盆栽玉米点云快速分割方法的算法。首先多盆盆栽玉米顶视图经过运动恢复结构(SFM)三维重建生成三维点云数据，然后进行相关点云预处理，将多盆盆栽玉米植株点云过分割成若干部分后，根据盆栽玉米植株点云之间的距离差异，用Point Cloud Library(PCL)设置条件距离阈值将单株玉米快速聚类分割出来。该方法能够在三维空间下，自动快速的聚类分割出目标植株，为后续研究提取相关目标植株性状做好了前提准备，相比传统点云分割技术而言，具备分割效果好、适用性强的技术优势。

Description

基于条件欧式聚类的盆栽玉米点云快速分割方法
技术领域
本发明属于农业自动化领域，具体涉及玉米表型参数自动化测量，尤其涉及一种基于条件欧式聚类的盆栽玉米点云快速分割方法。
背景技术
玉米是我国第一大粮食作物。高产一直是玉米育种与栽培的重要目标之一。玉米的绿叶面积跟玉米的产量有着密切的关系，而传统的基于二维图像处理的算法很难测量出叶片的真实面积，因此，三维重建出玉米植株就显得非常重要。而要实现后期性状的准确提取与测量，把多盆盆栽玉米点云植株以单株的形式自动、快速的分割出来就必不可少了，该方法相比传统的三维点云分割技术而言，具备分割效果好、适用性强的技术优势。
运动恢复结构(SFM)是基于图像序列的三维重建方法的一种，它能通过一系列图像系列真实的、比较精确的重建出当时的场景，为相关研究人员提供了与真实情况一样的三维点云模型，方便后期性状的提取与研究。
发明内容
(一)要解决的技术问题
为了解决传统三维点云分割很难非常好的把多株盆栽玉米以单株的形式完整的分割出来这一问题，本发明提供了一种基于条件欧式聚类的盆栽玉米点云快速分割方法，从而实现多品种全生育期的盆栽玉米点云单株完整自动、快速分割。
(二)技术方案
本发明为了解决其技术问题所采用的技术方案，提供了一种基于条件欧式聚类的盆栽玉米点云快速分割方法，该方法的总体技术流程见图1。
一种基于条件欧式聚类的盆栽玉米点云快速分割方法，其特征在于，包括：
步骤A，将获取的多盆盆栽玉米的二维顶视图像导入到VisualSFM软件中，重建出多盆玉米植株的三维点云数据；
步骤B，将重建出来的多盆盆栽玉米植株点云数据进行体素栅格下采样，统计学去噪，坐标变换，尺度校正和平面去除等预处理，以便于后续多盆盆栽玉米点云的快速分割；
步骤C，用Point Cloud Library(PCL)超体素聚类算法将待分割的多盆盆栽玉米植株点云过分割成若干部分；
步骤D，基于条件距离阈值将过分割的玉米植株点云以单株玉米植株点云的形式快速聚类分割出来。
更具体地，步骤B中玉米三维点云的预处理，具体流程包括5个步骤：
(1)用PCL中的VoxelGrid类对重建出来的玉米点云数据进行下采样，下采样的原理是用体素的质心来代表体素中的所有点，下采样的体素大小为0.035m；
(2)用PCL中的统计学滤波来进行三维点云的噪声点去除，统计学滤波的原理是算出每个点到它所有领域的距离，假设结果服从高斯分布，把点的距离不在设定均值和标准差区间的点视为噪声点进行去除。
(3)将重建出来的原始三维点云数据导入到CloudCompare软件进行相应的平移和旋转变换，变换之后的玉米点云数据的株高生长的方向为Z轴的正方向，地面为oxy平面。
(4)由于重建出来的玉米点云植株与真实玉米植株不一样大，往往存在一个确定的比例关系，故需进行相关的尺度校正处理，校正的参照物为种植玉米植株的盆子，校正比例见公式(1)：
Figure BSA0000182690320000021
式中，s-校正比例，dreal-种植玉米植株盆子的实际高度为19.2cm dreconstructed-种植玉米植株盆子的三维重建高度。
(5)用PCL中的平面模型分割算法将多盆盆栽玉米植株点云所共用的平面(地面)
提取出来并去除掉。
更具体地，步骤C的用Point Cloud Library(PCL)超体素聚类算法将待分割的多盆盆栽玉米植株点云过分割成若干部分的具体流程为，首先用八叉树Octree对点云进行划分，获得不同点团之间的临接关系，把点云分成一堆三维体素3D Voxel，首先需要规律的布置区域生长“晶核”。晶核在空间中实际上是均匀分布的，并指定晶核距离(Rseed)。再指定粒子距离(Rvoxel)。再指定最小晶粒(MOV)，过小的晶粒需要融入最近的大晶粒，直到没有过小的晶粒融入其它大晶粒为止超体聚类结束，经历这个过程，使得整个点云被晶格所分开来，并且保证了每个晶包里的粒子都是类似的，从而达到纹理，材质，颜色类似的部分会被自动的过分割成一块。
上述所述的基于条件欧式聚类的盆栽玉米点云快速分割方法，该方法能够在三维空间下，自动快速的聚类分割出目标植株，为后续研究提取相关目标植株性状做好了前提准备，相比传统二维图像分割技术而言，具备分割效果好、适用性强的技术优势。
(三)有益效果
本发明基于发明人在本领域的技术积累和研发，提供了一种基于条件欧式聚类的盆栽玉米点云快速分割方法，从而实现多品种全生育期的盆栽玉米点云单株完整自动、快速分割。该方法能克服传统三维点云处理方法不好分割或者分割效果不好的缺点。可推广运用于所有盆栽植株的点云单株分割，相比传统图像处理技术而言，具备分割效果好、适用性强的技术优势。
附图说明
图1为本发明的总体技术方案图。
具体实施方式
本发明为了解决其技术问题所采用的技术方案，提供了一种基于条件欧式聚类的盆栽玉米点云快速分割方法，该方法的总体技术流程见图1。
一种基于条件欧式聚类的盆栽玉米点云快速分割方法，其特征在于，包括：
步骤A，将获取的多盆盆栽玉米的二维顶视图像导入到VisualSFM软件中，重建出多盆玉米植株的三维点云数据；
步骤B，将重建出来的多盆盆栽玉米植株点云数据进行体素栅格下采样，统计学去噪，坐标变换，尺度校正和平面去除等预处理，以便于后续多盆盆栽玉米点云的快速分割；
步骤C，用Point Cloud Library(PCL)超体素聚类算法将待分割的多盆盆栽玉米植株点云过分割成若干部分；
步骤D，基于条件距离阈值将过分割的玉米植株点云以单株玉米植株点云的形式快速聚类分割出来。
更具体地，步骤A中导入到VisualSFM软件的顶视图像大小为4000x6000，即宽度4000像素，高度6000像素，运动恢复结构(SfM)重建玉米植株三维点云的基本原理是利用大量重叠度较高的像片通过SFM算法重建物体三维模型，具体流程包括以下3个步骤。
(1)特征点提取与匹配：通过尺度不变特征变换SIFT(Scale-invariant featuretransform)局部特征描述子去提取图像特征，用K维空间二叉树kd-tree模型去计算两张图片特征点之间的欧氏距离来进行特征点的立体匹配。
(2)稀疏点云重建：用集束调整BA(Bundle Adjustment)算法来减少因图像的增多而累计的误差，并估计每一幅图片的相机参数，生成稀疏点云。
(3)稠密点云重建：先用CMVS(cluster multi view stereo)算法对图像集进行聚簇，以减少重建过程的数据量，提高运算速度和重建精度，然后用PMVS(patch-based multiview stereo)算法通过匹配、膨胀、过滤三个步骤，在局部光度一致性和全局可见性约束下完成稠密点云的重建。
更具体地，步骤B中盆栽玉米三维点云的预处理，具体流程包括5个步骤：
(1)用PCL中的VoxelGrid类对重建出来的玉米点云数据进行下采样，下采样的原理是用体素的质心来代表体素中的所有点，下采样的体素大小为0.035m；
(2)用PCL中的统计学滤波来进行三维点云的噪声点去除，统计学滤波的原理是算出每个点到它所有领域的距离，假设结果服从高斯分布，把点的距离不在设定均值和标准差区间的点视为噪声点进行去除。
(3)将重建出来的原始三维点云数据导入到CloudCompare软件进行相应的平移和旋转变换，变换之后的玉米点云数据的株高生长的方向为Z轴的正方向，地面为oxy平面。
(4)由于重建出来的玉米点云植株与真实玉米植株不一样大，往往存在一个确定的比例关系，故需进行相关的尺度校正处理，校正的参照物为种植玉米植株的盆子，校正比例见公式(1)：
Figure BSA0000182690320000041
式中，s-校正比例，dreal-种植玉米植株盆子的实际高度为19.2cm dreconstructed-种植玉米植株盆子的三维重建高度。
(5)用PCL中的平面模型分割算法将多盆盆栽玉米植株点云所共用的平面(地面)提取出来并去除掉。
更具体地，步骤C的用Point Cloud Library(PCL)超体素聚类算法将待分割的多盆盆栽玉米植株点云过分割成若干部分的具体流程为，首先用八叉树Octree对点云进行划分，获得不同点团之间的临接关系，把点云分成一堆三维体素3D Voxel，首先需要规律的布置区域生长“晶核”。晶核在空间中实际上是均匀分布的，并指定晶核距离(Rseed)。再指定粒子距离(Rvoxel)。再指定最小晶粒(MOV)，过小的晶粒需要融入最近的大晶粒，直到没有过小的晶粒融入其它大晶粒为止超体聚类结束，经历这个过程，使得整个点云被晶格所分开来，并且保证了每个晶包里的粒子都是类似的，从而达到纹理，材质，颜色类似的部分会被自动的过分割成一块。
本专利的算法处理主要是基于美国微软公司的Microsoft Visual Studio软件，ROS(Robot Operating System)下的大型跨平台开源C++编程库PCL(Point CloudLibrary)，三维重建开源软件VisualSFM和三维点云处理开源软件CloudCompare。首先通过VisualSFM软件完成玉米植株的三维重建，然后利用Microsoft Visual Studio+PCL和CloudCompare软件来实现玉米植株的下采样、去噪、坐标变换、尺度校正和平面去除等预处理，最后利用基于条件距离阈值将过分割的玉米植株点云以单株玉米植株点云的形式快速聚类分割出来。
该方法也能够应用于盆栽的其他作物，例如小麦、油菜、水稻、棉花等作物的快速聚类分割。
本申请中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于条件欧式聚类的盆栽玉米点云快速分割方法，其特征在于，包括：
步骤A，将获取的多盆盆栽玉米的二维顶视图像导入到VisualSFM软件中，重建出多盆玉米植株的三维点云数据；
步骤B，将重建出来的多盆盆栽玉米植株点云数据进行体素栅格下采样，统计学去噪，坐标变换，尺度校正和平面去除等预处理，以便于后续多盆盆栽玉米点云的快速分割；
步骤C，用Point Cloud Library(PCL)超体素聚类算法将待分割的多盆盆栽玉米植株点云过分割成若干部分；
步骤D，基于条件距离阈值将过分割的玉米植株点云以单株玉米植株点云的形式快速聚类分割出来。
2.根据权利要求1所述的基于条件欧式聚类的盆栽玉米点云快速分割方法，其特征在于，所述步骤B中玉米三维点云的预处理，具体流程包括5个步骤：
(1)用PCL中的VoxelGrid类对重建出来的玉米点云数据进行下采样，下采样的原理是用体素的质心来代表体素中的所有点，下采样的体素大小为0.035m；
(2)用PCL中的统计学滤波来进行三维点云的噪声点去除，统计学滤波的原理是算出每个点到它所有领域的距离，假设结果服从高斯分布，把点的距离不在设定均值和标准差区间的点视为噪声点进行去除。
(3)将重建出来的原始三维点云数据导入到CloudCompare软件进行相应的平移和旋转变换，变换之后的玉米点云数据的株高生长的方向为Z轴的正方向，地面为oxy平面。
(4)由于重建出来的玉米点云植株与真实玉米植株不一样大，往往存在一个确定的比例关系，故需进行相关的尺度校正处理，校正的参照物为种植玉米植株的盆子，校正比例见公式①：
Figure FSA0000182690310000011
式中，s-校正比例，dreal-种植玉米植株盆子的实际高度为19.2cmdreconstructed-种植玉米植株盆子的三维重建高度。
(5)用PCL中的平面模型分割算法将多盆盆栽玉米植株点云所共用的平面(地面)提取出来并去除掉。
3.根据权利要求1所述的基于条件欧式聚类的盆栽玉米点云快速分割方法，其特征在于，所述步骤C的用Point Cloud Library(PCL)超体素聚类算法将待分割的多盆盆栽玉米植株点云过分割成若干部分的具体流程为，首先用八叉树Octree对点云进行划分，获得不同点团之间的临接关系，把点云分成一堆三维体素3D Voxel，首先需要规律的布置区域生长“晶核”。晶核在空间中实际上是均匀分布的，并指定晶核距离(Rseed)。再指定粒子距离(Rvoxel)。再指定最小晶粒(MOV)，过小的晶粒需要融入最近的大晶粒，直到没有过小的晶粒融入其它大晶粒为止超体聚类结束，经历这个过程，使得整个点云被晶格所分开来，并且保证了每个晶包里的粒子都是类似的，从而达到纹理，材质，颜色类似的部分会被自动的过分割成一块。
4.根据权利要求1所述的基于条件欧式聚类的盆栽玉米点云快速分割方法，该方法能够在三维空间下，自动快速的聚类分割出目标植株，为后续研究提取相关目标植株性状做好了前提准备，相比传统三维点云分割技术而言，具备分割效果好、适用性强的技术优势。
CN201910374602.6A 2019-04-25 2019-04-25 基于条件欧式聚类的盆栽玉米点云快速分割方法 Pending CN110853044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910374602.6A CN110853044A (zh) 2019-04-25 2019-04-25 基于条件欧式聚类的盆栽玉米点云快速分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910374602.6A CN110853044A (zh) 2019-04-25 2019-04-25 基于条件欧式聚类的盆栽玉米点云快速分割方法

Publications (1)

Publication Number Publication Date
CN110853044A true CN110853044A (zh) 2020-02-28

Family

ID=69595463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910374602.6A Pending CN110853044A (zh) 2019-04-25 2019-04-25 基于条件欧式聚类的盆栽玉米点云快速分割方法

Country Status (1)

Country Link
CN (1) CN110853044A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487646A (zh) * 2020-03-31 2020-08-04 安徽农业大学 一种玉米植株形态在线检测方法
CN111652885A (zh) * 2020-04-28 2020-09-11 沈阳农业大学 一种玉米苗期点云茎叶器官分割方法
CN111724433A (zh) * 2020-06-24 2020-09-29 广西师范大学 一种基于多目视觉的作物表型参数提取方法及系统
CN111768413A (zh) * 2020-05-29 2020-10-13 北京农业信息技术研究中心 一种植物三维点云分割方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574929A (zh) * 2015-12-15 2016-05-11 电子科技大学 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN107369161A (zh) * 2017-07-19 2017-11-21 无锡信捷电气股份有限公司 一种基于改进欧式聚类的散乱工件点云分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574929A (zh) * 2015-12-15 2016-05-11 电子科技大学 一种基于地面LiDAR点云数据的单株植被三维建模方法
CN107369161A (zh) * 2017-07-19 2017-11-21 无锡信捷电气股份有限公司 一种基于改进欧式聚类的散乱工件点云分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘慧等: "植株点云超体聚类分割方法", 《农业机械学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487646A (zh) * 2020-03-31 2020-08-04 安徽农业大学 一种玉米植株形态在线检测方法
CN111652885A (zh) * 2020-04-28 2020-09-11 沈阳农业大学 一种玉米苗期点云茎叶器官分割方法
CN111652885B (zh) * 2020-04-28 2023-08-18 沈阳农业大学 一种玉米苗期点云茎叶器官分割方法
CN111768413A (zh) * 2020-05-29 2020-10-13 北京农业信息技术研究中心 一种植物三维点云分割方法及系统
CN111768413B (zh) * 2020-05-29 2023-12-05 北京农业信息技术研究中心 一种植物三维点云分割方法及系统
CN111724433A (zh) * 2020-06-24 2020-09-29 广西师范大学 一种基于多目视觉的作物表型参数提取方法及系统
CN111724433B (zh) * 2020-06-24 2022-10-28 广西师范大学 一种基于多目视觉的作物表型参数提取方法及系统

Similar Documents

Publication Publication Date Title
CN110853044A (zh) 基于条件欧式聚类的盆栽玉米点云快速分割方法
CN111724433B (zh) 一种基于多目视觉的作物表型参数提取方法及系统
Barth et al. Data synthesis methods for semantic segmentation in agriculture: A Capsicum annuum dataset
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
Chaivivatrakul et al. Automatic morphological trait characterization for corn plants via 3D holographic reconstruction
Pound et al. Automated recovery of three-dimensional models of plant shoots from multiple color images
CN113128405A (zh) 一种结合语义分割与点云处理的植物识别与模型构建方法
Gibbs et al. Plant phenotyping: an active vision cell for three-dimensional plant shoot reconstruction
Das Choudhury et al. Leveraging image analysis to compute 3D plant phenotypes based on voxel-grid plant reconstruction
Gélard et al. Model-based segmentation of 3D point clouds for phenotyping sunflower plants
CN111667529A (zh) 一种植物点云叶片分割与表型特征测量方法
CN109859099A (zh) 基于sfm点云深度的盆栽玉米杂草快速去除方法
CN113920106B (zh) 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
CN115049925A (zh) 田块田坎提取方法、电子设备及存储介质
CN113011221A (zh) 作物分布信息的获取方法、装置及测量系统
Zhu et al. A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy
Li et al. Multi-source data fusion improves time-series phenotype accuracy in maize under a field high-throughput phenotyping platform
Li et al. Three-dimensional reconstruction and phenotype measurement of maize seedlings based on multi-view image sequences
Meyer et al. CherryPicker: Semantic skeletonization and topological reconstruction of cherry trees
CN116523898A (zh) 一种基于三维点云的烟草表型性状提取方法
CN115393418A (zh) 一种基于三维点云图像的马尾松部分表型参数自动测量方法
Zhu et al. A method for detecting tomato canopies’ phenotypic traits based on improved skeleton extraction algorithm
CN114419367A (zh) 一种农作物高精度制图方法及系统
CN115937151B (zh) 一种作物叶片卷曲程度的判定方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200228