CN113538560B - 基于三维重建的叶面积指数提取方法 - Google Patents
基于三维重建的叶面积指数提取方法 Download PDFInfo
- Publication number
- CN113538560B CN113538560B CN202110779454.3A CN202110779454A CN113538560B CN 113538560 B CN113538560 B CN 113538560B CN 202110779454 A CN202110779454 A CN 202110779454A CN 113538560 B CN113538560 B CN 113538560B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- data
- dimensional
- plant
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 48
- 240000008042 Zea mays Species 0.000 description 6
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 6
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 235000005822 corn Nutrition 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 240000003248 Zanthoxylum nitidum Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 244000061457 Solanum nigrum Species 0.000 description 1
- 241000949456 Zanthoxylum Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于三维重建的叶面积指数提取方法，对于所需进行叶面积指数提取的植株，环绕该植株拍摄多视角植株图像序列，然后提取出该植株的三维点云数据，对三维点云数据进行背景噪声点滤除、植株分割、茎部分点云滤除，根据处理后的三维点云数据计算叶面积指数。本发明通过对植株的三维点云数据进行多项预处理，提高植株三维点云数据的准确性，从而提高叶面积指数的准确率。
Description
技术领域
本发明属于叶面积指数测量技术领域，更为具体地讲，涉及一种基于三维重建的叶面积指数提取方法。
背景技术
叶面积指数(Leaf Area Index,LAI)是衡量植被生长的一个重要参数。它也是农业科学、生态科学、遥感科学中众多数学模型的基本参数。叶面积指数(LAI)控制着水、营养和碳循环中的许多生物和物理过程，被定义为单位地表面积的单面绿叶面积。这些参数通常用于评估作物健康状况、养分供应和农业管理实践的影响。
LAI测量方法分为直接法和间接法。直接法是最为精确的测量方法，但是它具有破坏性并且效率低下，因此，将其大规模的应用在实践中的可能性很小。但是由于直接法估算LAI是最为精确的，因此通常作为间接测量的校准工具来实现。
间接法是通过测量植被冠层辐射透过率来计算LAI，常见的有多光谱传感器、鱼眼摄像头。最为先进的间接测量技术有基于三维激光雷达及基于多图像序列的三维重建测量法。但是地面雷达存在数据量大、算法复杂、测量范围较小等问题。且基于三维激光雷达重建技术具有设备昂贵、操作复杂等缺点。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于三维重建的叶面积指数提取方法，重建植株的三维点云结构，并对三维点云数据进行背景噪声点滤除、植株分割、茎部分点云滤除，根据处理后的三维点云数据计算叶面积指数，以提高叶面积指数的准确率。
为实现上述发明目的，本发明基于三维重建的叶面积指数提取方法包括以下步骤：
S1：对于所需进行叶面积指数提取的植株，环绕该植株拍摄多视角植株图像序列；
S2：根据步骤S1得到的多视角植株图像序列提取出该植株的三维点云数据，并将各个数据点的坐标变换到现实世界的三维坐标系中，该三维坐标系中x轴位于水平面，x轴和y轴构成的面垂直于水平面，z轴根据右手坐标系规则确定；
S3：对步骤S2得到的三维点云数据进行去噪处理，去除背景噪声点；
S4：对三维点云数据进行分割，得到植株部分点云；
S5：从步骤S4分割出的植株部分点云中提取出植株中的茎部分点云并滤除，剩余点云即为叶片部分点云；
S6：根据步骤S5得到的叶片部分点云计算得到叶片面积leaf；
S7：采用以下公式计算得到叶面积指数LAI：
其中，ground表示叶片部分点云对应的土地面积。
本发明基于三维重建的叶面积指数提取方法，对于所需进行叶面积指数提取的植株，环绕该植株拍摄多视角植株图像序列，然后提取出该植株的三维点云数据，对三维点云数据进行背景噪声点滤除、植株分割、茎部分点云滤除，根据处理后的三维点云数据计算叶面积指数。本发明通过对植株的三维点云数据进行多项预处理，提高植株三维点云数据的准确性，从而提高叶面积指数的准确率。
附图说明
图1是本发明基于三维重建的叶面积指数提取方法的具体实施方式流程图；
图2是本实施例中所拍摄的多视角植株图像序列中的部分图像；
图3是本实施例中的三维点云数据示例图；
图4是本实施例中第二种基于离群点分析的背景噪声点去除方法的流程图；
图5是对图3所示三维点云数据进行背景噪声点去除后的三维点云图；
图6是本发明中三维点云数据分割方法的流程图；
图7是对图5所示三维点云数据进行分割后得到的植株点云图；
图8是本实施例中茎部分点云提取的流程图；
图9是对图7所示植株点云进行茎部分点云滤除的点云图；
图10是本实施例中计算叶片面积的流程图；
图11是本实施例中叶片部分点云对应的土地面积示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于三维重建的叶面积指数提取方法的具体实施方式流程图。如图1所示，本发明基于三维重建的叶面积指数提取方法的具体步骤包括：
S101：获取多视角植株图像序列：
对于所需进行叶面积指数提取的植株，环绕该植株拍摄多视角植株图像序列。
为了能够更好地反映植株的三维结构，在拍摄多视角植株图像序列时，需要相邻两幅图像间应具有较窄的基线和较多相互重叠区域。图2是本实施例中所拍摄的多视角植株图像序列中的部分图像。如图2所示，本实施例中选用圆叶椒草和仿真玉米作为实验对象，分别在实验室环境和野外环境进行实验。
S102：获取三维点云数据：
根据步骤S101得到的多视角植株图像序列提取出该植株的三维点云数据，并将各个数据点的坐标变换到现实世界的三维坐标系中，该三维坐标系中x轴位于水平面，x轴和y轴构成的面垂直于水平面，z轴根据右手坐标系规则确定。
本实施例使用基于OpenMVG+OpenMVS的三维点云数据提取方法，该方法较传统的三维激光雷达具有设备成本低、数据获取便利、使用方式灵活等优势。坐标变换是根据拍摄时摄像头的坐标和现实世界的旋转位移关系来实现，坐标变换是三维重建领域的常用技术，其具体过程在此不再赘述。图3是本实施例中的三维点云数据示例图。
S103：去除背景噪声点：
由于复杂的拍摄环境，因此会生成不同点密度的点云数据集，此外测量的误差也会产生一些稀疏的异常点，从而进一步破坏结果。这会使局部点云特征的估计复杂化，从而导致产生错误的值，进而可能导致点云配准的失败。因此需要对步骤S102得到的三维点云数据进行去噪处理，去除背景噪声点。
本实施例中采用基于离群点分析的背景噪声点去除方法，具体方法提供了两种。第一种基于离群点分析的背景噪声点去除方法的具体方法为：计算三维点云数据中所有数据点之间的平均距离D和标准差σ，然后对于三维点云数据中的每个数据点，将与其距离小于预设阈值的数据点作为其相邻点，计算该数据点到所有相邻点的平均距离d，如果d∈[D-σ,D+σ]，则不做任何操作，否则将该数据点作为离群点进行删除。
图4是本实施例中第二种基于离群点分析的背景噪声点去除方法的流程图。如图4所示，本实施例中第二种基于离群点分析的背景噪声点去除方法的具体步骤包括：
S401：初始化迭代次数t＝1。
S402：随机选择描述符：
在当前的三维点云数据中随机选择一个描述符的子集，并在预设范围内随机确定邻居数K。
S403：计算数据点距离：
对于步骤S402选择的描述符空间中的数据点，两两计算数据点之间的距离。
S404：删除离群点：
对于步骤S402选择的描述符空间中的每个数据点，筛选得到其与K个最近的邻居数据点之间的平均距离，然后将平均距离最大的数据点作为离群点从当前的三维点云数据中删除。
S405：判断是否t＜tmax，tmax表示预设的最大迭代次数，如果是，进入步骤S406，否则背景噪声点去除结束。
S406：令t＝t+1，返回步骤S402。
对于图3所示三维点云数据，采用本实施例中第二种基于离群点分析的背景噪声点去除方法进行处理。图5是对图3所示三维点云数据进行背景噪声点去除后的三维点云图。如图5所示，离群点移除后的植株部分更加洁净，效果达到预期。
S104：植株分割：
在步骤S103所得到的三维点云数据中，仍然包含有植株以外的点云数据，如花盆、土壤等，还需要进行进一步处理，对三维点云数据进行分割，得到植株部分点云。本实施例选择基于随机采样一致性(Random sample consensus,RANSAC)平面分割算法对三维点云数据进行分割。图6是本实施例中中三维点云数据分割方法的流程图。如图6所示，本实施例中三维点云数据分割方法的具体步骤包括：
S601：令迭代次数k＝1。
S602：随机选取数据点对：
在三维点云数据中随机选择两个数据点作为数据点对。
S603：计算直线模型：
根据数据点对计算得到通过该数据点对的直线模型y＝akx+bk，ak表示斜率，bk为常数。
S604：计算数据点误差：
计算三维点云数据中每个数据点相对于直线模型的误差值，记数据点坐标为(x*,y*,z*)，将值x*代入直线模型，计算得到yk＝akx*+bk，则误差值Δ＝|yk-y*|。
S605：统计数据点数量：
统计误差值小于预设的误差阈值的数据点的数量Nk。
S606：判断是否k＜kmax，kmax表示预设的最大迭代次数，如果是，进入步骤S607，否则进入步骤S608。
S607：令k＝k+1，返回步骤S602。
S608：确定分割直线模型：
从K个数据点数量Nk中筛选出最大值，该最大值所对应的直线模型即作为分割直线模型。
S609：植株分割：
将分割直线模型所在水平面以下的三维点云数据删除，分割直线模型所在水平面以上的三维点云数据即为植株部分点云。
图7是对图5所示三维点云数据进行分割后得到的植株点云图。如图7所示，通过植株分割，去除了无用点，仅保留了植株部分点云，以便于后续操作。
S105：提取叶片部分点云：
由于植株叶片分布具有随机性，步骤S104中分割出的植株部分点云分为叶片和茎两部分，而在叶面积指数计算时，需要排除茎部分的影响，以便令得到的叶面积指数更加准确。因此需要从步骤S104分割出的植株部分点云中提取出植株中的茎部分点云并滤除，剩余点云即为叶片部分点云。
图8是本实施例中茎部分点云提取的流程图。如图8所示，本实施例中茎部分点云提取的具体步骤包括：
S801：提取疑似茎部点云集：
对步骤S104得到的植株部分点云进行点云骨架提取，得到骨骼点集，然后采用随机拦截节点算法(Randomly Intercepted Nodes，简称为RAIN算法)对植株部分点云进行处理，此时随机拦截节点算法中随机生成的雨滴降落在植株部分点云的任意位置，将骨骼点集按照得到的雨滴路径划分为若干点云集，每个点云集即作为一个疑似茎部点云集Φm，m＝1,2,…,M，M表示疑似茎部点云集数量。
本实施例中采用L1-medial骨架提取方法，其具体原理和步骤可以参见文献“Song,Chengfang,Pang,et al.Distance field guided L1-median skeletonextraction[J].Visual Computer,2018.”随机拦截节点算法的具体原理和步骤可以参见文献“Zermas D,Morellas V,Mulla D,et al.3D model processing for highthroughput phenotype extraction–the case of corn[J].Computers Electronics inAgriculture,2020,172:105047.”。
S802：令点集序号m＝1
S803：令迭代次数λ＝1。
S804：更新点集：
对疑似茎部点云集Φm进行点云骨架提取得到骨骼点集
然后采用随机拦截节点算法对疑似茎部点云集Φm进行处理，此时随机拦截节点算法中随机生成的雨滴降落在疑似茎部点云集Φm中点云的任意位置，按照得到的雨滴路径从骨骼点集/>
中提取出疑似茎部点云集Φ′m。
S805：判断是否λ＜λmax，如果是，进入步骤S806，否则进入步骤S807。
S806：令λ＝λ+1，疑似茎部点云集Φm＝Φ′m，返回步骤S804。
S807：判断当前疑似茎部点云集Φ′m中的数据点是否在误差范围内位于同一直线上，如果是，进入步骤S808，否则进入步骤S809。
S808：确定茎部分点云：
将疑似茎部点云集Φ′m中的点云作为茎部分点云，进入步骤S809。
S809：判断是否m＜M，如果是，进入步骤S810，否则茎部分点云提取结束。
S810：令m＝m+1，返回步骤S803。
图9是对图7所示植株点云进行茎部分点云滤除的点云图。如图9所示，对茎部分点云滤除后可得到完整的叶片点云。
S106：计算叶片面积：
根据步骤S105得到的叶片点云计算得到叶片面积leaf。
图10是本实施例中计算叶片面积的流程图。如图10所示，本实施例中计算叶片面积的具体步骤包括：
S1001：叶片曲面重建：
对步骤S105得到的叶片部分点云采用SOM神经网络模型进行叶片的曲面重建。
SOM(Self-Organizing Maps，自组织映射)神经网络模型是一种用于特征检测的无监督学习神经网络，通过学习输入空间的数据，生成一个低维、离散的映射。这二维映射包含了数据点之间的相对距离。输入空间中相邻的样本会被映射到相邻的输出神经元。所有的神经元组织成一个网格，网格可以是六边形、四边形等等，SOM的作用是将这个网格铺满数据存在的空间。当SOM收敛到最终形式时，几个具有已知顶点的四边形覆盖了叶片的表面，然后再将每个四边形分解为两个三角形。
S1002：叶片平滑处理：
经SOM神经网络模型处理后的叶片表面由三角形组成，不符合实际叶片表面的光滑性特征。因此，本实施例中使用Netfabb的修复脚本对步骤S1001得到的叶片点云进行平滑处理，恢复叶片表面的光滑性。
S1003：孔洞填充：
对平滑处理后的叶片点云进行孔洞填充。本实施例中采用文献“Kazhdan M,Bolitho M,Hoppe H.Poisson surface reconstruction[C].Proceedings of the fourthEurographics symposium on Geometry processing,2006.”中的有监督的孔洞填充算法进行孔洞填充。
S1004：计算叶片面积：
根据孔洞填充后的叶片点云计算得到叶片面积leaf。
S107：计算叶面积指数：
计算得到叶片部分点云对应的土地面积ground，然后采用以下公式计算得到叶面积指数LAI：
叶片部分点云对应的土地面积的具体计算方法可以根据实际选用。例如可以直接采用土地点云进行求取，但是这种方式如何确定土地点云的厚度是一大问题。例如还可以采用叶片部分点云在水平面的投影面积，但是由于叶片之间存在重叠，或是植物生长初期叶片的面积会明显的小于土地面积，导致计算得到的结果出现较大误差。经过研究，本实施例所采用的叶片部分点云对应的土地面积ground为叶片部分点云在水平面所形成投影的轮廓的外接矩形面积。图11是本实施例中叶片部分点云对应的土地面积示意图。
为了更好地说明本发明的技术效果，采用本实施例中圆叶椒草和仿真玉米为例进行实验验证，并将采用本发明得到的叶面积指数与基于LI-3000计算得到的叶面积指数真实值进行比较，统计准确率。表1是本实施例中叶面积指数的准确率统计值。
| 植株 | 圆叶椒草 | 仿真玉米 |
| LAI测量值 | 0.74 | 1.51 |
| LAI真实值 | 0.71 | 1.50 |
| 绝对误差 | 0.01 | 0.01 |
| 标准偏差 | 0.01 | 0.01 |
| 准确率 | 98.63％ | 99.33％ |
表1
如表1所示，采用本发明计算得到的圆叶椒草和仿真玉米的叶面积指数均可达到98％以上，可以满足实际需要。
接下来为了说明茎部分点云滤除对叶面积指数准确度的影响，对茎部分点云滤除前后所得到的叶面积指数进行实验对比。表2是本实施例中茎部分点云滤除前后的叶面积指数的准确率统计值。
表2
如表2所示，进行茎部分点云滤除后，可以有效提高叶面积指数的准确率。特别是对于仿真玉米，由于其木质成分占植株整体比例较大，因此滤除茎部后叶面积指数的准确率由46.80％提升至99.11％，效果极为显著。
最后对不同土地面积计算方法对叶面积指数准确度的影响进行实验验证，其中方法1为基于土地点云计算土地面积，方法2为基于叶片投影面积计算土地面积，方法3为基于投影轮廓外接矩形面积计算土地面积。表3是本实施例中基于三种不同土地面积计算方法所得到的叶面积指数的准确率统计值。
表3
如表3所示，采用基于投影轮廓外接矩形面积计算土地面积所计算得到的叶面积指数最为准确，准确率高达98.63％。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种基于三维重建的叶面积指数提取方法，其特征在于，包括以下步骤：
S1：对于所需进行叶面积指数提取的植株，环绕该植株拍摄多视角植株图像序列；
S2：根据步骤S1得到的多视角植株图像序列提取出该植株的三维点云数据，并将各个数据点的坐标变换到现实世界的三维坐标系中，该三维坐标系中x轴位于水平面，x轴和y轴构成的面垂直于水平面，z轴根据右手坐标系规则确定；
S3：对步骤S2得到的三维点云数据进行去噪处理，去除背景噪声点；
S4：对三维点云数据进行分割，得到植株部分点云；三维点云数据分割方法的具体方法为：
S4.1：令迭代次数k＝1；
S4.2：在三维点云数据中随机选择两个数据点作为数据点对；
S4.3：根据数据点对计算得到通过该数据点对的直线模型y＝akx+bk，ak表示斜率，bk为常数；
S4.4：计算三维点云数据中每个数据点相对于直线模型的误差值，记该数据点坐标为(x*,y*,z*)，将值x*代入直线模型，计算得到yk＝akx*+bk，则误差值Δ＝|yk-y*|
S4.5：统计误差值小于预设的误差阈值的数据点的数量Nk；
S4.6：判断是否k＜K，K表示预设的最大迭代次数，如果是，进入步骤S4.7，否则进入步骤S4.8；
S4.7：令k＝k+1，返回步骤S4.2；
S4.8：从K个数据点数量Nk中筛选出最大值，该最大值所对应的直线模型即作为分割直线模型；
S4.9：将分割直线模型所在水平面以下的三维点云数据删除，分割直线模型所在水平面以上的三维点云数据即为植株部分点云；
S5：从步骤S4分割出的植株部分点云中提取出植株中的茎部分点云并滤除，剩余点云即为叶片部分点云；茎部分点云提取的具体方法为：
S5.1：对步骤S4得到的植株部分点云进行点云骨架提取，得到骨骼点集，然后采用随机拦截节点算法对植株部分点云进行处理，此时随机拦截节点算法中随机生成的雨滴降落在植株部分点云的任意位置，将骨骼点集按照得到的雨滴路径划分为若干点云集，每个点云集即作为一个疑似茎部点云集Φm，m＝1,2,…,M，M表示疑似茎部点云集数量；
S5.2：令点集序号m＝1；
S5.3：令迭代次数λ＝1；
S5.4：对疑似茎部点云集Φm进行点云骨架提取得到骨骼点集
然后采用随机拦截节点算法对疑似茎部点云集Φm进行处理，此时随机拦截节点算法中随机生成的雨滴降落在疑似茎部点云集Φm中点云的任意位置，按照得到的雨滴路径从骨骼点集/>
中提取出疑似茎部点云集Φ′m；
S5.5：判断是否λ＜λmax，如果是，进入步骤S5.6，否则进入步骤S5.7；
S5.6：令λ＝λ+1，疑似茎部点云集Φm＝Φ′m，返回步骤S5.4；
S5.7：判断当前疑似茎部点云集Φ′m中的点是否在误差范围内位于同一直线上，如果是，进入步骤S5.8，否则进入步骤S5.9；
S5.8：将疑似茎部点云集Φ′m中的点云作为茎部分点云，进入步骤S5.9；
S5.9：判断是否m＜M，如果是，进入步骤S5.10，否则茎部分点云提取结束；
S5.10：令m＝m+1，返回步骤S5.3；
S6：根据步骤S5得到的叶片部分点云计算得到叶片面积leaf；
S7：采用以下公式计算得到叶面积指数LAI：
其中，ground表示叶片部分点云对应的土地面积。
2.根据权利要求1所述的叶面积指数提取方法，其特征在于，所述步骤S3中去除背景噪声点的具体方法为：
计算三维点云数据中所有数据点之间的平均距离D和标准差σ，然后对于三维点云数据中的每个数据点，将与其距离小于预设阈值的数据点作为其相邻点，计算该数据点到所有相邻点的平均距离d，如果d∈[D-σ,D+σ]，则不做任何操作，否则将该数据点作为离群点进行删除。
3.根据权利要求1所述的叶面积指数提取方法，其特征在于，所述步骤S3中去除背景噪声点的具体方法为：
S3.1：初始化迭代次数t＝1；
S3.2：在当前的三维点云数据中随机选择一个描述符的子集，并在预设范围内随机确定邻居数K；
S3.3：对于步骤S3.2选择的描述符空间中的数据点，两两计算数据点之间的距离；
S3.4：对于步骤S3.2选择的描述符空间中的每个数据点，筛选得到其与K个最近的邻居数据点之间的平均距离，然后将平均距离最大的数据点作为离群点从当前的三维点云数据中删除；
S3.5：判断是否t＜tmax，tmax表示预设的最大迭代次数，如果是，进入步骤S3.6，否则背景噪声点去除结束；
S3.6：令t＝t+1，返回步骤S3.2。
4.根据权利要求1所述的叶面积指数提取方法，其特征在于，所述步骤S6中计算叶片面积的具体方法为：
S6.1：对步骤S5得到的叶片部分点云采用SOM神经网络模型进行叶片的曲面重建；
S6.2：使用Netfabb的修复脚本对步骤S6.1得到的叶片点云进行平滑处理；
S6.3：对平滑处理后的叶片点云进行孔洞填充；
S6.4：根据孔洞填充后的叶片点云计算得到叶片面积leaf。
5.根据权利要求1所述的叶面积指数提取方法，其特征在于，所述步骤S7中叶片部分点云对应的土地面积ground为叶片部分点云在水平面所形成投影的轮廓的外接矩形面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110779454.3A CN113538560B (zh) | 2021-07-09 | 2021-07-09 | 基于三维重建的叶面积指数提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110779454.3A CN113538560B (zh) | 2021-07-09 | 2021-07-09 | 基于三维重建的叶面积指数提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538560A CN113538560A (zh) | 2021-10-22 |
| CN113538560B true CN113538560B (zh) | 2023-05-30 |
Family
ID=78127322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110779454.3A Active CN113538560B (zh) | 2021-07-09 | 2021-07-09 | 基于三维重建的叶面积指数提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538560B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114120158A (zh) * | 2021-11-29 | 2022-03-01 | 四川省自然资源科学研究院 | 基于超低空遥感的叶面积统计方法、装置及存储介质 |
| CN116580310B (zh) * | 2023-07-14 | 2023-10-20 | 宏景科技股份有限公司 | 一种基于图像识别的作物长势监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102997871A (zh) * | 2012-11-23 | 2013-03-27 | 南京大学 | 一种利用几何投影和激光雷达反演有效叶面积指数的方法 |
| CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
| 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 |
| CA3073713A1 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for agricultural data collection and agricultural operations |
| 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 |
-
2021
- 2021-07-09 CN CN202110779454.3A patent/CN113538560B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102997871A (zh) * | 2012-11-23 | 2013-03-27 | 南京大学 | 一种利用几何投影和激光雷达反演有效叶面积指数的方法 |
| CN104457626A (zh) * | 2014-12-08 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于激光雷达点云技术的植物叶面积指数测定方法 |
| 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 |
| CA3073713A1 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for agricultural data collection and agricultural operations |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Xuecheng Dai等.research on leaf area index extraction algorithm based on 3D reconstruction.2021 IEEE International geoscience and remote sensing symposium .2021,6696-6699. * |
| 周志宇 ; 陈斌 ; 郑光 ; 吴秉校 ; 苗馨予 ; 杨丹 ; 徐驰 ; .基于地基激光雷达点云的植被表型特征测量.生态学杂志.2020,第39卷(第01期),308-314. * |
| 温维亮 ; 赵春江 ; 郭新宇 ; 王勇健 ; 杜建军 ; 于泽涛 ; .基于t分布函数的玉米群体三维模型构建方法.农业工程学报.2018,第34卷(第04期),192-200. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113538560A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11188752B2 (en) | Crop biometrics detection | |
| Zermas et al. | 3D model processing for high throughput phenotype extraction–the case of corn | |
| Xiang et al. | Automated morphological traits extraction for sorghum plants via 3D point cloud data analysis | |
| Li et al. | PlantNet: A dual-function point cloud segmentation network for multiple plant species | |
| Golbach et al. | Validation of plant part measurements using a 3D reconstruction method suitable for high-throughput seedling phenotyping | |
| Petit et al. | Integration of multi-source remote sensing data for land cover change detection | |
| Vidović et al. | Crop row detection by global energy minimization | |
| EP2788958B1 (en) | Method and system for characterising plant phenotype | |
| CN113538560B (zh) | 基于三维重建的叶面积指数提取方法 | |
| CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
| CN110796694A (zh) | 一种基于KinectV2的果实三维点云实时获取方法 | |
| Ando et al. | Robust surface reconstruction of plant leaves from 3D point clouds | |
| Zhu et al. | Analysing the phenotype development of soybean plants using low-cost 3D reconstruction | |
| CN112257722A (zh) | 基于抗差非线性高斯-赫尔默特模型的点云拟合方法 | |
| Zermas et al. | Estimating the leaf area index of crops through the evaluation of 3D models | |
| CN112288859B (zh) | 一种基于卷积神经网络的三维人脸建模方法 | |
| Zhu et al. | A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy | |
| Zermas et al. | Extracting phenotypic characteristics of corn crops through the use of reconstructed 3D models | |
| Coussement et al. | A flexible geometric model for leaf shape descriptions with high accuracy | |
| Hu et al. | Phenotyping of poplar seedling leaves based on a 3D visualization method | |
| Xiao et al. | Estimating economic benefit of sugar beet based on three-dimensional computer vision: a case study in Inner Mongolia, China | |
| Meyer et al. | CherryPicker: Semantic skeletonization and topological reconstruction of cherry trees | |
| Daviet et al. | PhenoTrack3D: an automatic high-throughput phenotyping pipeline to track maize organs over time | |
| Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
| Zhao et al. | Non-destructive 3D geometric modeling of maize root-stubble in-situ via X-ray computed tomography |
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 |