CN112819963A - 一种树木枝干模型批量差异化建模方法以及相关设备 - Google Patents
一种树木枝干模型批量差异化建模方法以及相关设备 Download PDFInfo
- Publication number
- CN112819963A CN112819963A CN202110193116.1A CN202110193116A CN112819963A CN 112819963 A CN112819963 A CN 112819963A CN 202110193116 A CN202110193116 A CN 202110193116A CN 112819963 A CN112819963 A CN 112819963A
- Authority
- CN
- China
- Prior art keywords
- tree
- branch
- point cloud
- point
- picture
- 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
Images
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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 Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种树木枝干模型批量差异化建模方法及相关设备,可以快速的实现树木枝干模型批量差异化重建的目的。该方法包括:将树木图片集合排序编号相邻的树木图片进行图像特征点匹配得到平移向量和旋转矩阵;确定树木图像中用于重建点云的图像特征点;根据平移向量以及旋转矩阵确定用图像特征点的目标空间坐标点;确定树木三维点云模型中的每个点到根节点的最短路径长度;基于最短路径长度将每个点进行聚类,得到多个聚类;将多个聚类中每个聚类的重心确定为树木三维点云模型的骨架点;将骨架点进行连接,得到树木骨架线;确定树木骨架线中各级枝段对应的初始字符串表达式;根据初始字符串表达式生成批量差异化的树木枝干模型。
Description
技术领域
本发明涉及虚拟现实领域,尤其涉及一种树木枝干模型批量差异化建模方法以及相关设备。
背景技术
虚拟现实技术是一种用于创建虚拟世界和提供给用户近乎还原现实的虚拟体验的计算机仿真技术,它利用计算机生成一种模拟环境,使用户沉浸到该环境中。虚拟现实技术作为计算机图形学领域的重要研究课题,近些年快速发展,也在各个领域得到广泛应用,如虚拟手术训练、心理治疗、仿真交互、三维游戏、航空航天、军事演练等。树木作为一种非常常见的自然景观元素,其三维模型的构建在虚拟世界的组织和自然场景的模拟中是广泛应用的。
树木建模的方法目前大致有以下几类。
基于图像的树木建模。此类方法以树木的真实图像作为输入,采用各种图形学技术和三维重建的方法构建树木模型。这类方法使用图像中的数据完成树木模型的重建,但基本上是针对单一对象的建模。
基于草图的树木建模。此类方法以用户手绘勾勒二维草图作为输入,以此作为树木枝干形态的参考生成树木模型。草图的绘制对于操作人员有一定要求,如果要求生成的树木真实度较高,需要操作人员有一定基础或者需要经过一定培训,才能保证绘制的草图符合树木枝干的大致形态,对用户产生了较高的门槛。
基于三维扫描的树木建模。此类方法利用三维扫描获取树木各部位的详细参数,根据扫描获取的参数信息进行树木三维重建。基于扫描的方法,对树木重建的还原度相比其他方法是更高的。但一方面也只是针对单一对象的重建。另一方面,这种方法的参数获取过程和计算机重建的过程中,硬件的代价都比较高。
发明内容
本发明实施例提供了一种树木枝干模型批量差异化建模方法及相关设备,可以非常便捷地实现树木枝干模型批量差异化重建的目的。
本发明实施例的第一方面提供了一种树木枝干模型批量差异化建模方法,该方法包括:
通过目标棋盘对目标相机进行标定;
将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
确定所述树木骨架线中各级枝段对应的初始字符串表达式;
根据所述初始字符串表达式生成批量差异化的树木枝干模型。
可选地,所述根据所述初始字符串表达式生成批量差异化的树木枝干模型包括:
设置批量差异化的树木模型数量;
通过二进制数改写所述批量差异化的树木枝干模型中每个模型的编号,所述编号的每一位数为从0级主干至各级分支的判别数字;
通过所述初始字符串表达式对所述各级分支的判别数字进行差异化修改;
对差异化修改后的所述字符串表达式进行海龟图解释,得到所述批量差异化的树木枝干模型。
可选地,所述确定所述树木骨架线中各级枝段对应的初始字符串表达式包括:
统计所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式;
通过L-System字符串表达式对所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式进行记录,得到所述初始字符串表达式。
可选地,所述将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵包括:
通过尺度不变特征变换算法提取所述树木图片集合中每个树木图片的图像特征点;
将所述第一树木图片的图像特征点与所述第二树木图片的图像特征点进行特征点匹配,得到所述平移向量以及所述旋转矩阵。
可选地,所述基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类包括:
设置聚类区间;
根据所述聚类区间将所述树木三维点云模型中的每个点与根节点的最短路径长度划分至不同的点云聚类中,以得到所述多个聚类。
本发明实施例第二方面提供了一种树木枝干模型批量差异化建模装置,包括:
标定单元,用于通过目标棋盘对目标相机进行标定;
排序单元,用于将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
匹配单元,用于将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
第一确定单元,用于确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
第二确定单元,用于根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
合并单元,用于将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
第三确定单元,用于确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
聚类单元,用于基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
骨架点确定单元,用于将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
连接单元,用于将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
所述第三确定单元,还用于确定所述树木骨架线中各级枝段对应的初始字符串表达式;
生成单元,用于根据所述初始字符串表达式生成批量差异化的树木枝干模型。
可选地,所述生成单元具体用于:
设置批量差异化的树木模型数量;
通过二进制数改写所述批量差异化的树木枝干模型中每个模型的编号,所述编号的每一位数为从0级主干至各级分支的判别数字;
通过所述初始字符串表达式对所述各级分支的判别数字进行差异化修改;
对差异化修改后的所述字符串表达式进行海龟图解释,得到所述批量差异化的树木枝干模型。
可选地,所述第三确定单元具体用于:
统计所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式;
通过L-System字符串表达式对所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式进行记录,得到所述初始字符串表达式。
可选地,所述匹配单元具体用于:
通过尺度不变特征变换算法提取所述树木图片集合中每个树木图片的图像特征点;
将所述第一树木图片的图像特征点与所述第二树木图片的图像特征点进行特征点匹配,得到所述平移向量以及所述旋转矩阵。
可选地,所述聚类单元具体用于:
设置聚类区间;
根据所述聚类区间将所述树木三维点云模型中的每个点与根节点的最短路径长度划分至不同的点云聚类中,以得到所述多个聚类。
本发明实施例第三方面提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述第一方面所述的树木枝干模型批量差异化建模方法的步骤。
本发明实施例第四方面提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如上述第一方面所述的树木枝干模型批量差异化建模方法的步骤。
综上所述,可以看出,本发明提供的实施例中,树木枝干模型批量差异化建模采集树木真实图像,通过点云重建、骨架点提取和骨架线生成等步骤从树木真实图像获取初始字符串表达式,这样生成的树木枝干模型真实感较高,并根据初始字符串表达式生成批量差异化的树木枝干模型,可以使得每一个树木枝干模型有了相对初始字符串表达式的修改方式,能达到非常便捷地实现树木枝干模型批量差异化重建的目的。
附图说明
图1为本发明实施例提供的一种树木枝干模型批量差异化建模方法的流程示意图;
图2为本发明实施例提供的目标棋盘的示意图;
图3为本发明实施例提供的目标棋盘对应的角点识别结果示意图;
图4为本发明实施例提供的图像像素坐标像相机坐标转换的原理示意图;
图5为本发明实施例提供的同一相机在不同时刻拍摄的两幅图像的示意图;
图6为本发明实施例提供的通过最短路径长度确定树木三维点云模型的骨架点的示意图;
图7A为本发明实施例提供的连线前的树木枝干骨架点示意图;
图7B为本发明实施例提供的连线后的树木枝干骨架点示意图;
图8为本发明实施例提供的树木枝干模型分支级数示意图;
图9为本发明实施例提供的一种树木枝干模型批量差异化建模装置的虚拟结构示意图;
图10为本发明实施例提供的一种树木枝干模型批量差异化建模装置的硬件结构示意图;
图11为本发明实施例提供的一种电子设备的实施例示意图;
图12为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
下面从树木枝干模型批量差异化建模装置的角度对树木枝干模型批量差异化建模方法进行说明,该树木枝干模型批量差异化建模装置可以为服务器,也可以为服务器中的服务单元。
请参阅图1,图1为本发明实施例提供的树木枝干模型批量差异化建模方法的一个实施例示意图,该树木枝干模型批量差异化建模方法包括:
101、通过目标棋盘对目标相机进行标定。
本实施例中,树木枝干模型批量差异化建模装置可以对用于拍摄树木图像的目标相机使用目标棋盘进行相机标定。标定过程需要求解4个内参数(fx,fy,cx,cy)以及5个畸变参数,畸变参数包括3个径向畸变参数(k1,k2,k3)和两个切向畸变参数(p1,p2)。
下面结合图2以及图3进行说明,请参阅图2以及图3,图2为本发明实施例提供的目标棋盘的示意图,图3为本发明实施例提供的目标棋盘对应的角点识别结果示意图,其中,目标棋盘中每个格子的边长是已知的,也就是角点的理想坐标(u,v)是已知的,而角点的实际坐标可以由角点识别的结果得到,下面对径向畸变参数和切向畸变参数对角点的横纵坐标的影响以及畸变后的实际坐标进行说明:
径向畸变对横纵坐标的影响:
udr=u(1+k1r2+k2r4+k3r6);
vdr=v(1+k1r2+k2r4+k3r6),其中,udr为受径向畸变参数影响后角点的横向坐标,vdr为受径向畸变参数影响后角点的纵向坐标。
切向畸变对横纵坐标的影响:
udt=2p1uv+p2(r2+2u)+1;
vdt=2p1(r2+2v2)+2p2uv+1,udt为受切向畸变参数影响后角点的横向坐标,vdt为受切向畸变参数影响后角点的纵向坐标。
畸变后角点的实际坐标(ud,vd)为:
ud=udr+udt,vd=vdr+vdt,
有足够的角点信息后就可以根据以上坐标求出3个径向畸变参数(k1,k2,k3)和两个切向畸变参数(p1,p2),之后再根据上式对树木图像中的像素坐标做校正,可以得到畸变校正后的树木图像。
内参数的求解是与棋盘格的空间位置相关联的,也就是说在对内参数的求解过程需要用到外参数。棋盘格的空间位置由三个旋转参数和三个平移参数(T1,T2,T3)确定。那么对于目标棋盘中的每个棋盘格,需要计算4个内参数和6个外参数,假设拍摄k张图像,每张图像中角点数为n,k个棋盘格图像提供约束条件数量为2nk(每个角点坐标都由横纵坐标两个值组成,所以提供两个约束)。忽略每次的畸变参数,需要求解的未知量有6k+4个,能解得这6k+4个未知参数的前提为2nk≥6k+4,即(n-3)k≥2;因为在已知平面两个不重合的点时,平面上任意其他点的坐标都可以由这两个点的坐标线性表示,所以单个平面最多只能提供四个有效的角点信息,所以在k=1的情况下是不能解出所有未知参数的,那么k>1。
可以理解的是,在通过目标棋盘对目标相机进行实际标定过程中,为了避免噪声的影响和达到数值的稳定性,应采用较大棋盘收集更多图像。如图2采用到的是8×6的棋盘格,共对棋盘格拍摄了20张图片,图3是对应的角点识别并标记的图像,如图3中的301。
102、将树木图片集合中的树木图片按照空间变换的顺序进行排序,得到树木图片集合对应的排序编号。
本实施例中,树木枝干模型批量差异化建模装置在得到标定后的目标相机之后,可以通过标定后的目标相机对树木进行图像拍摄得到树木图片集合,之后将树木图片集合中的树木图片按照空间变换的顺序进行依次排序,得到树木图片集合中每个树木图片的排序编号。
103、将树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵。
本实施例中,树木枝干模型批量差异化建模装置在通过空间变换的顺序对树木图片集合进行排序编号之后,可以通过尺度不变特征变换算法(Scale-invariant featuretransform,SIFT)提取树木图片集合中每个树木图片的图像特征点;将第一树木图片的图像特征点与第二树木图片的图像特征点进行特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量以及所述旋转矩阵,其中,第一树木图片与第二树木图片为不同状态下的目标相机拍摄的树木图片。
下面通过图4以及图5对如何每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵进行详细说明:
请参阅图4,图4为本发明实施例提供的图像像素坐标向相机坐标转换的原理示意图,假设相机坐标系中有一点Q,该点在相机坐标系中的坐标为(X,Y,Z),其中Z=s为该点到相机光心的垂直距离,该点在像面上的像点为q,像素坐标为(x,y),根据三角形相似关系得到:
图像的像素坐标系原点在左上角,而上面公式假定原点在图像中心,为了处理这一偏移,设光心在图像上对应的像素坐标为(cx,cy),则该像素坐标即为:
将上面两式合并写成矩阵形式,得到
其中,K为相机内参矩阵,fx为相机坐标系x轴方向焦距,fy为y轴方向焦距,Cx、Cy为光心在图像坐标系上的横纵坐标,所以内参矩阵表征相机本身属性,只与相机属性有关。
分别以向量x和X代替关系式中的像素坐标系坐标和相机坐标系坐标,则像素坐标系到相机坐标系之间的转换式为
xs=KX。
请参阅图5,图5为本发明实施例提供的同一相机在不同时刻拍摄的两幅图像,图像501与图像502的空间变换顺序是相邻的,分别称这两个时间状态的目标相机为相机1和相机2,二者光心分别为O1和O2,假设在世界坐标系中有一像素点p,坐标为X,该像素点在相机1中成像,像素坐标为x1,在相机2中成像,像素坐标为x2。设p到两个相机像面的垂直距离分别为s1、s2,且这两个相机具有相同的内参矩阵k,与世界坐标系之间的变换关系分别为[R1 T1]、[R2 T2],则它在两个相机坐标系中的坐标分别为R1X+T1和R2X+T2,根据像素坐标系坐标和相机坐标系坐标的变换关系,可以得到下面两个等式:
x1s1=K(R1X+T1),x2s2=K(R2X+T2)。
通过SIFT算法获取相邻两幅树木图像中的多个对应点(至少5对)之后,则可以通过上式解出矩阵T2×R2,可以从中分解出T2和R2,分别为相机2相对相机1的位移向量和旋转矩阵;以此类推,可以得到树木图片集合中所有相邻编号的树木图像在对应状态下的相机之间的相对平移向量和旋转矩阵都求得之后,以第一个状态下的相机坐标系作为世界坐标系,就可以得到每一个状态下的相机坐标系相对于世界坐标系的平移向量T和旋转矩阵R。
104、确定树木图像集合的每个树木图像中用于重建点云的图像特征点。
本实施例中,树木枝干模型批量差异化建模装置可以通过SURF算法在树木图像集合的每个树木图像中获取用于重建点云的图像特征点。
需要说明的是,树木枝干模型批量差异化建模装置通过步骤103可以确定平移向量和旋转矩阵,通过步骤104可以确定每个树木图像中用于重建点云的图像特征点,然而这两个步骤之间并没有先后执行顺序的限制,可以先执行步骤103,也可以先执行步骤104,或者同时执行,具体不做限定。
105、根据平移向量以及旋转矩阵确定用于重建点云的图像特征点在世界坐标系中的目标空间坐标点。
本实施例中,树木枝干模型批量差异化建模装置在得到移向量、旋转矩阵以及重建点云的图像特征点之后,可以根据平移向量以及旋转矩阵确定用于重建点云的图像特征点在世界坐标系中的目标空间坐标点,下面进行具体说明:
对于通过SURF算法识别到树木图像中的特征点,其在像素坐标系下的坐标为x,对应物点的空间坐标为X,由此可以得到如下等式:
其中,图像特征点在树木图像中的像素坐标x已知,内参矩阵K在上述步骤中已经计算得到,当前树木图像对应相机状态的平移向量T和旋转矩阵R也已经得出,由此根据上述等式可以求解该图像特征点在世界坐标系中对应的空间坐标点,也即得到目标空间坐标点。
106、将加入世界坐标系中的目标空间坐标点进行合并,得到树木三维点云模型。
本实施例中,树木枝干模型批量差异化建模装置在得到目标空间坐标点之后,可以将目标空间坐标点加入世界坐标系统中,之后将加入世界坐标系中的目标空间坐标点进行合并,得到树木三维点云模型。
107、确定树木三维点云模型中每个点到根节点的最短路径长度。
本实施例中,树木枝干模型批量差异化建模装置在得到树木三维点云模型之后,可以设定树木三维点云模型中树木底端生长点为根节点,之后对树木三维点云模型采用最短路径法获取树木三维点云模型中每个点到根节点的最短路径长度。
108、基于最短路径长度将树木三维点云模型中的每个点进行聚类,得到多个聚类。
本实施例中,树木枝干模型批量差异化建模装置在获取树木三维点云模型中每个点到根节点的最短路径长度,可以根据最短路径长度将树木三维点云模型中的每个点进行聚类,得到多个聚类,该多个聚类中每个聚类均包含至少一个树木三维点云模型中的点。具体的,树木枝干模型批量差异化建模装置可以设置聚类区间,之后根据聚类区间将树木三维点云模型中每个点与根节点之间的最短路径长度划分至不同的点云聚类中,以得到多个聚类。也就是说,树木枝干模型批量差异化建模装置可以设定合适的区间大小,划分最短路径长度为不同的等距区间,将树木三维点云中的每个点根据其与根节点最短路径的长度所处的区间范围将之划分到不同的点云聚类当中。
109、将多个聚类中每个聚类的重心确定为树木三维点云模型的骨架点。
本实施例中,树木枝干模型批量差异化建模装置在得到多个聚类之后,可以对多个聚类中每个聚类进行重心计算,得到每个聚类的重心,之后将多个聚类中每个聚类的重心确定为树木三维点云模型的骨架点。请参阅图6,图6为本发明实施例提供的通过最短路径长度确定树木三维点云模型的骨架点的示意图。
110、将树木三维点云模型的骨架点进行连接,得到树木骨架线。
本实施例中,树木枝干模型批量差异化建模装置在得到骨架点之后,可以使用迪杰斯特拉最短路径算法将骨架点连接起来形成树木骨架线。图7A至图7B为树木骨架点根据最短路径算法连接成线的示意图,图7A为连线前的树木枝干骨架点示意图,图7B为连线后形成的树木骨架线示意图。
111、确定树木骨架线中各级枝段对应的初始字符串表达式。
本实施例中,树木枝干模型批量差异化建模装置可以统计树木骨架线中各级枝段的长度以及各级枝段中每个枝段相对于上一级枝段的旋转变换方式,之后通过L-System字符串表达式对树木骨架线中各级枝段的长度以及各级枝段中每个枝段相对于上一级枝段的旋转变换方式进行记录,得到初始字符串表达式。
112、根据初始字符串表达式生成批量差异化的树木枝干模型。
本实施例中,树木枝干模型批量差异化建模装置在得到初始字符串表达式之后,可以根据初始字符串表达式生成批量差异化的树木枝干模型。具体的,树木枝干模型批量差异化建模装置根据初始字符串表达式生成批量差异化的树木枝干模型包括:
设置批量差异化的树木模型数量;
通过二进制数改写批量差异化的树木枝干模型中每个模型的编号,编号的每一位数为从0级主干至各级分支枝段的判别数字;
通过初始字符串表达式对各级分支枝段的判别数字进行差异化修改;
对差异化修改后的字符串表达式进行海龟图解释,得到批量差异化的树木枝干模型。
也就是说,树木枝干模型批量差异化建模装置可以首先设置差异化生成的树木枝干模型的数量,之后用30位二进制数(当然也还可以是其他位数的二进制数,具体不做限定)改写将要生成的树木枝干模型编号,编号的每一位数作为从0级主干到各级分支共30个枝段的判别数字,之后通过L-System字符串表达式对各枝干对应的判别数字进行差异化修改,2级以上(包括2级)枝段设置一定的枯萎概率,并将修改后的字符串表达式经海龟图解释后可以还原为批量差异化的树木枝干模型。
需要说明的是,传统L-System可以表示为L=(w,P,V),w为公理,即L-System的初始状态,P为各级枝段向下一级枝段生成的规则,V为字符集合,是用于书写L-System会用到的所有字符。对L-System表达式进行海龟图解释,海龟在空间中行进的轨迹即为树木枝干模型,表1中所示的为各字符对应的海龟行为方式描述,其中,行进方向中的6个符号分别代表沿空间坐标系的三个坐标轴顺时针或者逆时针旋转角度θ。入栈符号“[”表示开始绘制某一枝段,出栈符号“]”表示完成绘制当下枝段。本发明实施例中,使用二进制对树干模型重新编号,相应的对树木枝干也从零级主干开始到末端枝段逐一编号,二进制的每一位数作为标志位对应到每一枝干,没有对应到标志位的枝段,标志位置空。入栈后,首先判断标志位,若标志位为0,则对该枝段生成的方向相对初始字符串表达式添加随机变量,随机变量取值范围为(-β,-α)∪(α,β);若标志位为1,则对枝段长度添加随机变量,其取值范围为(-b,-a)∪(a,b);若标志位为空,则不作操作,其中α,β为角度小变量,a,b为百分比小变量,具体取值与树木类型有关。请参阅图8,图8为本发明实施例提供的树木枝干模型分支级数示意图,特别的,当分支级数不小于3时,当入栈之后有一定概率直接出栈,即枝干枯萎,不再继续生长或往下分枝。由此可以通过海龟图解释得到树木枝干模型。
表1
综上所述,可以看出,本发明提供的实施例中,树木枝干模型批量差异化建模采集树木真实图像,通过点云重建、骨架点提取和骨架线生成等步骤从树木真实图像获取初始字符串表达式,这样生成的树木枝干模型真实感较高,并根据初始字符串表达式生成批量差异化的树木枝干模型,可以使得每一个树木枝干模型有了相对初始字符串表达式的修改方式,能达到非常便捷地实现树木枝干模型批量差异化重建的目的。
上面对本发明实施例中树木枝干模型批量差异化建模方法进行了描述,下面对本发明实施例中的树木枝干模型批量差异化建模装置进行描述。
请参阅图9,本发明实施例中树木枝干模型批量差异化建模装置的虚拟结构示意图,该树木枝干模型批量差异化建模装置900包括:
标定单元901,用于通过目标棋盘对目标相机进行标定;
排序单元902,用于将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
匹配单元903,用于将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
第一确定单元904,用于确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
第二确定单元905,用于根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
合并单元906,用于将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
第三确定单元907,用于确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
聚类单元908,用于基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
骨架点确定909,用于将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
连接单元910,用于将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
所述第三确定单元907,还用于确定所述树木骨架线中各级枝段对应的初始字符串表达式;
生成单元911,用于根据所述初始字符串表达式生成批量差异化的树木枝干模型。
可选地,所述生成单元911具体用于:
设置批量差异化的树木模型数量;
通过二进制数改写所述批量差异化的树木枝干模型中每个模型的编号,所述编号的每一位数为从0级主干至各级分支的判别数字;
通过所述初始字符串表达式对所述各级分支的判别数字进行差异化修改;
对差异化修改后的所述字符串表达式进行海龟图解释,得到所述批量差异化的树木枝干模型。
可选地,所述第三确定单元910具体用于:
统计所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式;
通过L-System字符串表达式对所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式进行记录,得到所述初始字符串表达式。
可选地,所述匹配单元903具体用于:
通过尺度不变特征变换算法提取所述树木图片集合中每个树木图片的图像特征点;
将所述第一树木图片的图像特征点与所述第二树木图片的图像特征点进行特征点匹配,得到所述平移向量以及所述旋转矩阵。
可选地,所述聚类单元908具体用于:
设置聚类区间;
根据所述聚类区间将所述树木三维点云模型中的每个点与根节点的最短路径长度划分至不同的点云聚类中,以得到所述多个聚类。
上面图9从模块化功能实体的角度对本发明实施例中的树木枝干模型批量差异化建模装置进行了描述,下面从硬件处理的角度对本发明实施例中的树木枝干模型批量差异化建模设备进行详细描述,请参阅图10,本发明实施例中的树木枝干模型批量差异化建模设备1000的实施例示意图,该树木枝干模型批量差异化建模设备1000包括:
输入装置1001、输出装置1002、处理器1003和存储器1004(其中处理器1003的数量可以一个或多个,图10中以一个处理器1003为例)。在本发明的一些实施例中,输入装置1001、输出装置1002、处理器1003和存储器1004可通过通信总线或其它方式连接,其中,图10中以通信总线连接为例。
其中,通过调用存储器1004存储的操作指令,处理器1003,用于执行如下步骤:
通过目标棋盘对目标相机进行标定;
将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
确定所述树木骨架线中各级枝段对应的初始字符串表达式;
根据所述初始字符串表达式生成批量差异化的树木枝干模型。
通过调用存储器1004存储的操作指令,处理器1003,还用于执行图1对应的实施例中的任一方式。
请参阅图11,图11为本发明实施例提供的电子设备的实施例示意图。
如图11所示,本发明实施例提供了一种电子设备,包括存储器1110、处理器1120及存储在存储器1120上并可在处理器1120上运行的计算机程序1111,处理器1120执行计算机程序1111时实现以下步骤:
通过目标棋盘对目标相机进行标定;
将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
确定所述树木骨架线中各级枝段对应的初始字符串表达式;
根据所述初始字符串表达式生成批量差异化的树木枝干模型。
在具体实施过程中,处理器1120执行计算机程序1111时,可以实现图1对应的实施例中任一实施方式。
由于本实施例所介绍的电子设备为实施本发明实施例中一种树木枝干模型批量差异化建模装置所采用的设备,故而基于本发明实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍,只要本领域所属技术人员实施本发明实施例中的方法所采用的设备,都属于本发明所欲保护的范围。
请参阅图12,图12为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图12所示,本发明实施例还提供了一种计算机可读存储介质1200,其上存储有计算机程序1211,该计算机程序1211被处理器执行时实现如下步骤:
通过目标棋盘对目标相机进行标定;
将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
确定所述树木骨架线中各级枝段对应的初始字符串表达式;
根据所述初始字符串表达式生成批量差异化的树木枝干模型。
在具体实施过程中,该计算机程序1211被处理器执行时刻以实现图1对应的实施例中任一实施方式。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机软件指令,当计算机软件指令在处理设备上运行时,使得处理设备执行如图1对应实施例中的树木枝干模型批量差异化建模方法中的流程。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
Claims (10)
1.一种树木枝干模型批量差异化建模方法,其特征在于,包括:
通过目标棋盘对目标相机进行标定;
将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
确定所述树木骨架线中各级枝段对应的初始字符串表达式;
根据所述初始字符串表达式生成批量差异化的树木枝干模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始字符串表达式生成批量差异化的树木枝干模型包括:
设置批量差异化的树木模型数量;
通过二进制数改写所述批量差异化的树木枝干模型中每个模型的编号,所述编号的每一位数为从0级主干至各级分支的判别数字;
通过所述初始字符串表达式对所述各级分支的判别数字进行差异化修改;
对差异化修改后的所述字符串表达式进行海龟图解释,得到所述批量差异化的树木枝干模型。
3.根据权利要求1所述的方法,其特征在于,所述确定所述树木骨架线中各级枝段对应的初始字符串表达式包括:
统计所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式;
通过L-System字符串表达式对所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式进行记录,得到所述初始字符串表达式。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵包括:
通过尺度不变特征变换算法提取所述树木图片集合中每个树木图片的图像特征点;
将所述第一树木图片的图像特征点与所述第二树木图片的图像特征点进行特征点匹配,得到所述平移向量以及所述旋转矩阵。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类包括:
设置聚类区间;
根据所述聚类区间将所述树木三维点云模型中的每个点与根节点的最短路径长度划分至不同的点云聚类中,以得到所述多个聚类。
6.一种树木枝干模型批量差异化建模装置,其特征在于,包括:
标定单元,用于通过目标棋盘对目标相机进行标定;
排序单元,用于将树木图片集合中的树木图片按照空间变换的顺序进排序,得到所述树木图片集合中每个树木图片的排序编号,所述树木图片集合为通过标定后的所述目标相机进行拍摄得到的;
匹配单元,用于将所述树木图片集合中排序编号相邻第一树木图片与第二树木图片进行图像特征点匹配,得到每一个状态下的相机坐标系相对于世界坐标系的平移向量和旋转矩阵,所述第一树木图片与所述第二树木图片为不同状态下的所述目标相机拍摄的树木图片;
第一确定单元,用于确定所述树木图像集合的每个树木图像中用于重建点云的图像特征点;
第二确定单元,用于根据所述平移向量以及所述旋转矩阵确定所述用于重建点云的图像特征点在所述世界坐标系中的目标空间坐标点;
合并单元,用于将加入所述世界坐标系中的所述目标空间坐标点进行合并,得到树木三维点云模型;
第三确定单元,用于确定所述树木三维点云模型中的每个点到根节点的最短路径长度,所述根节点为所述树木三维点云模型中树木底端生长点;
聚类单元,用于基于所述最短路径长度将所述树木三维点云模型中的每个点进行聚类,得到多个聚类,所述多个聚类中每个聚类包括至少一个所述树木三维点云模型中的点;
骨架点确定单元,用于将所述多个聚类中每个聚类的重心确定为所述树木三维点云模型的骨架点;
连接单元,用于将所述树木三维点云模型的骨架点进行连接,得到树木骨架线;
所述第三确定单元,还用于确定所述树木骨架线中各级枝段对应的初始字符串表达式;
生成单元,用于根据所述初始字符串表达式生成批量差异化的树木枝干模型。
7.根据权利要求6所述的装置,其特征在于,所述生成单元具体用于:
设置批量差异化的树木模型数量;
通过二进制数改写所述批量差异化的树木枝干模型中每个模型的编号,所述编号的每一位数为从0级主干至各级分支的判别数字;
通过所述初始字符串表达式对所述各级分支的判别数字进行差异化修改;
对差异化修改后的所述字符串表达式进行海龟图解释,得到所述批量差异化的树木枝干模型。
8.根据权利要求6所述的装置,其特征在于,所述第三确定单元具体用于:
统计所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式;
通过L-System字符串表达式对所述树木骨架线中各级枝段的长度以及所述各级枝段中每个枝段相对于上一级枝段的旋转变换方式进行记录,得到所述初始字符串表达式。
9.根据权利要求6至8中任一项所述的装置,其特征在于,所述匹配单元具体用于:
通过尺度不变特征变换算法提取所述树木图片集合中每个树木图片的图像特征点;
将所述第一树木图片的图像特征点与所述第二树木图片的图像特征点进行特征点匹配,得到所述平移向量以及所述旋转矩阵。
10.根据权利要求6至8中任一项所述的装置,其特征在于,所述聚类单元具体用于:
设置聚类区间;
根据所述聚类区间将所述树木三维点云模型中的每个点与根节点的最短路径长度划分至不同的点云聚类中,以得到所述多个聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110193116.1A CN112819963B (zh) | 2021-02-20 | 2021-02-20 | 一种树木枝干模型批量差异化建模方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110193116.1A CN112819963B (zh) | 2021-02-20 | 2021-02-20 | 一种树木枝干模型批量差异化建模方法以及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819963A true CN112819963A (zh) | 2021-05-18 |
CN112819963B CN112819963B (zh) | 2022-04-26 |
Family
ID=75864377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110193116.1A Active CN112819963B (zh) | 2021-02-20 | 2021-02-20 | 一种树木枝干模型批量差异化建模方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819963B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512121A (zh) * | 2022-08-01 | 2022-12-23 | 南京林业大学 | 非完全模拟树木水分养分传输的枝干点云骨架提取方法 |
CN115937454A (zh) * | 2023-01-09 | 2023-04-07 | 航天宏图信息技术股份有限公司 | 一种在大规模城市场景中自动摆放树木模型的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739714A (zh) * | 2008-11-14 | 2010-06-16 | 北京大学 | 一种从图像中重建枝干模型的方法 |
CN101783016A (zh) * | 2009-12-16 | 2010-07-21 | 中国科学院自动化研究所 | 一种基于形状分析的树冠外形提取方法 |
CN105654548A (zh) * | 2015-12-24 | 2016-06-08 | 华中科技大学 | 一种基于大规模无序图像的多起点增量式三维重建方法 |
CN110992473A (zh) * | 2019-12-13 | 2020-04-10 | 武汉大学 | 一种基于车载激光扫描点云的树木枝干建模方法及系统 |
CN111161404A (zh) * | 2019-12-23 | 2020-05-15 | 华中科技大学鄂州工业技术研究院 | 一种环形扫描形貌三维重建方法、装置及系统 |
CN111784753A (zh) * | 2020-07-03 | 2020-10-16 | 江苏科技大学 | 自主水下机器人回收对接前景视场三维重建立体匹配方法 |
US20200342652A1 (en) * | 2019-04-25 | 2020-10-29 | Lucid VR, Inc. | Generating Synthetic Image Data for Machine Learning |
-
2021
- 2021-02-20 CN CN202110193116.1A patent/CN112819963B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739714A (zh) * | 2008-11-14 | 2010-06-16 | 北京大学 | 一种从图像中重建枝干模型的方法 |
CN101783016A (zh) * | 2009-12-16 | 2010-07-21 | 中国科学院自动化研究所 | 一种基于形状分析的树冠外形提取方法 |
CN105654548A (zh) * | 2015-12-24 | 2016-06-08 | 华中科技大学 | 一种基于大规模无序图像的多起点增量式三维重建方法 |
US20200342652A1 (en) * | 2019-04-25 | 2020-10-29 | Lucid VR, Inc. | Generating Synthetic Image Data for Machine Learning |
CN110992473A (zh) * | 2019-12-13 | 2020-04-10 | 武汉大学 | 一种基于车载激光扫描点云的树木枝干建模方法及系统 |
CN111161404A (zh) * | 2019-12-23 | 2020-05-15 | 华中科技大学鄂州工业技术研究院 | 一种环形扫描形貌三维重建方法、装置及系统 |
CN111784753A (zh) * | 2020-07-03 | 2020-10-16 | 江苏科技大学 | 自主水下机器人回收对接前景视场三维重建立体匹配方法 |
Non-Patent Citations (8)
Title |
---|
PING PAN ET AL.: "Image-based Tree Modeling", 《ACM TRANSACTIONS ON GRAPHICS》 * |
唐丽玉等: "基于点云数据的树木三维重建方法改进", 《农业机械学报》 * |
张海歆等: "面向GIS的动态树木建模研究", 《计算机工程与设计》 * |
李杨等: "基于点云数据的树木骨架线提取研究", 《科技创新与生产力》 * |
杨垠晖等: "树木的真实感建模与绘制综述", 《计算机辅助设计与图形学学报》 * |
石银涛等: "基于参数L-系统的三维树木仿真", 《同济大学学报(自然科学版)》 * |
谭云兰等: "3D树木建模技术研究进展", 《中国图象图形学报》 * |
高扬等: "基于参数L系统的小叶榕树建模方法研究", 《计算机技术与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512121A (zh) * | 2022-08-01 | 2022-12-23 | 南京林业大学 | 非完全模拟树木水分养分传输的枝干点云骨架提取方法 |
CN115512121B (zh) * | 2022-08-01 | 2023-05-16 | 南京林业大学 | 非完全模拟树木水分养分传输的枝干点云骨架提取方法 |
CN115937454A (zh) * | 2023-01-09 | 2023-04-07 | 航天宏图信息技术股份有限公司 | 一种在大规模城市场景中自动摆放树木模型的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112819963B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705448B (zh) | 一种人体检测方法及装置 | |
Chen et al. | Deep manifold learning combined with convolutional neural networks for action recognition | |
CN108509848A (zh) | 三维物体的实时检测方法及系统 | |
CN110020620A (zh) | 一种大姿态下的人脸识别方法、装置及设备 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN112819963B (zh) | 一种树木枝干模型批量差异化建模方法以及相关设备 | |
CN109359539B (zh) | 注意力评估方法、装置、终端设备及计算机可读存储介质 | |
CN107369183A (zh) | 面向mar的基于图优化slam的跟踪注册方法及系统 | |
CN109242961A (zh) | 一种脸部建模方法、装置、电子设备和计算机可读介质 | |
CN109948397A (zh) | 一种人脸图像校正方法、系统及终端设备 | |
CN112085835B (zh) | 三维卡通人脸生成方法、装置、电子设备及存储介质 | |
CN104318552B (zh) | 基于凸包投影图匹配的模型配准方法 | |
CN110163831A (zh) | 三维虚拟沙盘的物体动态展示方法、装置及终端设备 | |
Wang et al. | Transformer for 3D point clouds | |
CN107368820A (zh) | 一种精细化手势识别方法、装置及设备 | |
CN110930503A (zh) | 一种服装三维模型建立方法、系统、存储介质及电子设备 | |
Pan et al. | Residual meshnet: Learning to deform meshes for single-view 3d reconstruction | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN112258625A (zh) | 基于注意力机制的单幅图像到三维点云模型重建方法及系统 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN113763307B (zh) | 样本数据的获取方法和装置 | |
KR20160003020A (ko) | 다목적 이미지 프로세싱 코어 | |
CN117011465A (zh) | 一种树木三维重建方法、装置、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 |