WO2014169562A1

WO2014169562A1 - 植物器官点云的分割方法和系统

Info

Publication number: WO2014169562A1
Application number: PCT/CN2013/083455
Authority: WO
Inventors: 李扬彦; 陈宝权; 范晓晨
Original assignee: 深圳先进技术研究院
Priority date: 2013-04-19
Filing date: 2013-09-13
Publication date: 2014-10-23
Also published as: CN103218817B; US9547793B2; CN103218817A; US20150379350A1

Abstract

一种植物器官点云的分割方法和系统，根据待分割点云帧的前一相邻点云帧中叶片点块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征，将待分割点云帧的点云分割为叶片点块和枝干点云块，以相邻点云帧作为参照对点云帧进行分割，有利于分割出的器官在相邻点云帧之间保持时空一致性，提高植物器官分割的准确性。当发现新的叶片点云块或枝干点云块时，往前回溯重新分割待分割点云块前面的点云帧中的点云，重新分割时根据后一相邻点云帧中的叶片点云块和枝干点云块的信息分割待重新分割的点云帧，回溯过程中的重新分割有利于在点云帧中提取出新的在前面的分割过程中未被发现的叶片点云块或枝干点云块，从而进一步提高植物器官分割的准确性。

Description

说明书发明名称：植物器官点云的分割方法和系统

【技术领域】

本发明涉及点云处理领域，特别涉及一种植物器官点云的分割方法和系统。【背景技术】

为了监测了量化植物生长事件，例如植物器官（例如枝干、叶片等）的出现和凋零等事件，需在植物的整个生命周期不断的获取植物的四维点云，并将四维点云按照植物器官进行分割，以得到各个植物器官的状态数据，进而对各个植物器官进行量化分析。

传统的方法根据植物的几何结构（例如叶片的卷曲结构）、体积以及拓朴结构（例如枝干分支结构）等对植物点云进行分割，以求将植物点云分割为各个独立的植物器官。

但是，植物在其生命周期内不但緩慢而持续地生长或衰败，而且还可能因为寻求更有利的生存环境等原因而不停地运动，因此，植物的几何结构、体积以及拓朴结构都会发生巨大的变化。从而，传统的方法在对植物点云按照植物器官进行分割时存在误差。

【发明内容】

基于此，有必要提供一种能提高分割准确性的植物器官点云的分割方法和系统。

一种植物器官点云的分割方法，包括以下步骤 S120 ~ S160:

S 120: 获取被监测植物的多个植物生长时间对应的点云帧，按照对应的植物生长时间的先后顺序记获取的多个点云帧为 F¹ , .·· , Ft , . , Fⁿ;

S 140: 根据第一点云帧 ¹中数据点的平坦性特征将第一点云帧中的点云分割为叶片点云块和枝干点云块；

S 160：按照对应的植物生长时间的先后顺序依次将第一点云帧之后的点云帧至 ^中的点云分割为叶片点云块和枝干点云块，其中，将某一个点云帧 2 < t < n ) 中的点云分割为叶片点云块和枝干点云块包括以下步骤 S220 ~ S280：

S220: 根据的前一点云帧 ¹中叶片点云块和枝干点云块的信息以及的数据点的平坦性特征将^中的点云分割为叶片点云块和枝干点云块；

S240: 判断 F^f所包含的枝干点云块数量是否多于 F^f- ¹所包含的枝干点云块数量或者^所包含的叶片点云块数量是否多于 t- ¹包含的叶片点云块数量，若否，则执行步骤 S260, 若是，则执行步骤 S280;

S260: 当 t < n时则进入到将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块的步骤，当 t=n时结束；

S280: 往前回溯依次重新分割 1前面的点云帧中的点云，直到重新分割后的点云帧的叶片点云块和枝干点云块的数量没有增加，则停止回溯并进入到将 ^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块的步骤，其中，重新分割 ^⁷前面的某一个点云帧 ( Kj < t-1 ) 中的点云包括以下步骤：

S282：根据的后一点云帧 ¹中叶片点云块和枝干点云块的信息以及的数据点的平坦性特征将 ^中的点云分割为叶片点云块和枝干点云块。

在其中一个实施例中，将上述步骤 S220中的记为待分割点云帧、 t-¹记为待分割点云帧的相邻点云帧，上述步骤 S282中的记为待分割点云帧、记为待分割点云帧的相邻点云帧，则

上述根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的点云分割为叶片点云块和枝干点云块的步骤包括以下步骤 S310 ~ S360：

S310：根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的数据点分类为叶片点或枝干点；

S320: 聚合待分割点云帧中连通的叶片点构成叶片点云块；

S330: 建立待分割点云帧中枝干点的最小生成树，将最小生成树分割成不包含分叉枝干的独立分支，将待分割点云帧中的枝干点映射到各独立分支上，形成各个枝干点云块，一个独立分支对应一个枝干点云块； S340：查找待分割点云帧和相邻点云帧中每一个叶片点云块和枝干点云块对应的与自身重叠数据点最多的点云块，并标记该对应的点云块，提取待分割点云帧和相邻点云帧中被标记次数小于 2的叶片点云块和枝干点云块；

S350: 将待分割点云帧中的所述叶片点分类到提取的各个叶片点云块对应的类别上，将属于同一类别的叶片点构成待分割点云帧中的一个叶片点云块；

S360: 将待分割点云帧中的所述枝干点分类到提取的各个枝干点云块对应的类别上，将属于同一类别的枝干点构成待分割点云帧中的一个枝干点云块。

在其中一个实施例中，步骤 S310包括以下步骤：

S410: 求解使得目标能量函数达到最小的分类函数，该目标能量函数为关于分类函数的函数，其函数值表示分类代价，该分类函数为将待分割点云帧的数据点分类为叶片点和枝干点的分类函数；

记待分割点云帧中数据点集合为 /^ = { }, 植物器官数据点类别集合为 {L,S},其中 L代表叶片点类别、 S代表枝干点类别， /_β为将映射到集合 {L,S} 的分类函数，所述目标能量函数如下：

E(_b) = Z D_pt { P')) + Z v_Pw fB(p ,f_B qt p^tEP^t p^t,q^teN_pt

其巾：

( 1 ) ζ (/_β(ρ 表示将数据点分类为 fiCpt)的代价，

[max (?(p^f)― D,o) 若 | }|≠ 0且 |{S_s}|≠o

Rip - 若 | }|= 0|或 |{S_s }| = o o

0

z)_pt(/ 即为 ^( )= 的代价， z)_pt(S)即为 ^( ) = S的代价， ?( ）为 ^的平坦性特征， R( jt) = log (max (C(p^f),c_£)), c_£为预设的大于 0而小于 1/3的常量， ( )为^的曲率特征, Cip^ ^ +λ₂ +λ₃),其中 2和 ₃是对的邻域点进行主成份分析得到的特征值， λ ≤ λ₂3.λ₁≤ λ₃;

{ }为相邻点云帧中叶片点云块的集合， |{ }|为 { }元素的个数， /^为 {L_t }中与距离最近的叶片点云块， ?(/^)为/^中的数据点的平坦性特征的平均值； {S_s }为相邻点云帧中枝干点云块的集合， |{S_S }|为 {S_s }元素的个数， S_s*为 {S_s }中与距离最近的枝干点云块， 1(5₅*)为 *中的数据点的平坦性特征的平均值；

¾L = l g(c_£), = log (^j;

(2) 为中与相邻的数据点;

N_Pt = {(pt,qt)} = {(p qt) e DelaunayCpt): \p" - q'l < £^^是基于对 /^进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系；表示将相邻的数据点 ^和^分类为和 fiO )的代价， τ, " , t、 " t、、 )

) 其中， (p E N_pt, "( ）为^的曲率特征， C(qt)为 qt的曲率特征； S420: 将待分割点云帧中的数据点按照求解得到的分类函数分类为叶片点或枝干点。

在其中一个实施例中，记所述提取的各个叶片点云块的对应类别分别为 L , L_2> -, L_m , LP为待分割点云帧中的叶片点集合， /_L〇为将 LP映射到 { , L₂,…， L_m}的叶片分类函数；

步骤 S350将待分割点云帧中的所述叶片点分类到提取的各个叶片点云块对应的类别上的步骤为：求解使得如下叶片分类代价函数 Ε(Λ)达到最小的叶片点分类函数 f_L ( ) ,将待分割点云帧中的叶片点按照求解得到的叶片点分类函数分类到提取的各个叶片点云块对应的类别上：

Ε(Α)

D_pt (Α(ρ ) +∑_PW N_Lt ν_ρΑ (ρ

其巾：

( 1 )

D_pt(f_L(pt))表示将叶片点 pt分类到 f_L(pt)的代价， ίίΟ^,ΛΟ^))表示数据点到目标分块/ pt)中最近点的距离； (2)

i 为/^中与 ^相邻的数据点；

于对 LP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW( )的定义与上述）的定义相同，

表示将相邻的数据点和£^分类为 fL(pt)和 fL(qt)的代价。

在一个其中实施例中，记所述提取的各个技干点云块的对应类别分别为

S₁,S₂,-,S_n, SP为待分割点云帧中的枝干点集合， f_s()为将 SP映射到的枝干分类函数，

步骤 S360将待分割点云帧中的所述枝干点分类到提取的各个枝干点云块对应的类别上的步骤为：求解使得如下枝干分类代价函数 E (f_s)达到最小的枝干点分类函数〇，将待分割点云帧中的枝干点按照求解得到的枝干点分类函数 /_s( ) 分类到提取的各个枝干点云块对应的类别上：

E(fs) =∑ptESpD_pt (f_s(pt)) +∑_pt,qt_eNst ν_{ρ ιί}( (ρ , (^))

若 d(pt , _ρ ≥ A 表示将枝干点 pt分类到 < )的代价， o(pt)为^的朝向信息， o(pt) = (x,y,z)，其中 x、 y和 z是对的邻域点进行主成份分析得到的特征向量矩阵的对角元素， 0(¾( )；)为 5( )对应的枝干点云块中所有枝干点的朝向信息的平均值， Δ为预设的距离阈值，： T为预设的惩 ¾项， dC C))为 pt与 ^( )对应的枝干点云块的距离； (2)

i 为 SP中与 ^相邻的数据点；

^于对 SP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW( )的定义与上述^ ( )的定义相同，

fsW))表示将相邻的数据点 ^和^分类为 f^pt^pf^qt)的代价。在其中一个实施例中，将第一点云帧作为待分割点云帧，步骤 S140可按照步骤 S410、 S420、 S320和 S330将第一点云帧 ¹中的点云分割为叶片点云块和枝干点云块，计算过程中， Z)_pt(L)和 Z)_pt(S)的计算适用 |{ }| = 0和 |{S_S }| = 0 的情况。一种植物器官点云的分割系统，包括：

点云帧获取模块，用于获取被监测植物的多个植物生长时间对应的点云帧，按照对应的植物生长时间的先后顺序记获取的多个点云帧为 ¹, .."ft, ...,Fⁿ; 第一点云帧分割模块，用于根据第一点云帧中数据点的平坦性特征将第一点云帧中的点云分割为叶片点云块和枝干点云块；

调度模块，用于在第一点云帧之后的点云帧 F²至按照对应的植物生长时间的先后顺序依次取 ^⁷ (2 t n), 将 ^⁷做为待分割点云帧、 F^f的前一点云帧 t- ¹做为待分割点云帧的相邻点云帧传递给点云分割模块并启动点云分割模块; 点云分割模块，用于根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的点云分割为叶片点云块和枝干点云块；

判断模块，用于在点云分割模块分割F^t后判断 F^f所包含的枝干点云块数量是否多于 t- ¹所包含的枝干点云块数量或者^所包含的叶片点云块数量是否多于 ¹包含的叶片点云块数量，若否，则当 t<n时，通知调度模块调度点云分割模块，以将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块, 当 t=n时结束，若是，则调度回溯控制模块；

回溯控制模块，用于在 t-¹至中按照对应的植物生长时间的倒序顺序依次取 ( l j t-l ), 将^做为待分割点云帧、的后一点云帧做为待分割点云帧的相邻点云帧传递给点云分割模块并启动点云分割模块，以重新分割前面的点云帧中的点云，直到重新分割后的点云帧 F^j的叶片点云块和枝干点云块的数量没有增加，则停止启动点云分割模块并通知调度模块调度点云分割模块，以将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块。

在其中一个实施例中，所述点云分割模块包括：数据点分类模块，用于根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的数据点分类为叶片点或枝干点；

叶片点云块聚合模块，用于聚合待分割点云帧中连通的叶片点构成叶片点云块；

枝干点云块聚合模块，建立待分割点云帧中枝干点的最小生成树，将最小生成树分割成不包含分叉枝干的独立分支，将待分割点云帧中的枝干点映射到各独立分支上，形成各个枝干点云块，一个独立分支对应一个枝干点云块；独立器官点云块提取模块，用于查找待分割点云帧和相邻点云帧中每一个叶片点云块和枝干点云块对应的与自身重叠数据点最多的点云块，并标记该对应的点云块，提取待分割点云帧和相邻点云帧中被标记次数小于 2 的叶片点云块和枝干点云块；

叶片点云块重分割模块，用于将待分割点云帧中的所述叶片点分类到提取的各个叶片点云块对应的类别上，将属于同一类别的叶片点构成待分割点云帧中的一个叶片点云块；

枝干点云块重分割模块，用于将待分割点云帧中的所述枝干点分类到提取的各个枝干点云块对应的类别上，将属于同一类别的枝干点构成待分割点云帧中的一个枝干点云块。

在其中一个实施例中，所述数据点分类模块包括：

分类函数求解单元，用于求解使得目标能量函数达到最小的分类函数，该目标能量函数为关于分类函数的函数，其函数值表示分类代价，该分类函数为将待分割点云帧的数据点分类为叶片点和枝干点的分类函数；

记待分割点云帧中数据点集合为 /^ = { }, 植物器官数据点类别集合为 {L, S} ,其中 L代表叶片点类别、 S代表枝干点类别， /_β为将映射到集合 {L, S} 的分类函数，所述目如下：

其中： ( l ) ζ 示将 ^数据点分类为 ^(pt)的代价,

z)_pt(/ 即为 ^( )= 的代价， z)_pt(S)即为 ^( ) = S的代价， ?( ）为 ^的平坦性特征， R(jt) = log (max (C(p^f),c_£)), c_£为预设的大于 0而小于 1/3的常量， ( )为^的曲率特征, Cip^ ^ +λ₂ +λ₃),其中 2和 ₃是对的邻域点进行主成份分析得到的特征值， λ ≤ λ₂3.λ₁≤ λ₃;

{ }为相邻点云帧中叶片点云块的集合， |{ }|为 { }元素的个数， /^为 {L_t }中与距离最近的叶片点云块， ?(/^)为/^中的数据点的平坦性特征的平均值； {S_s }为相邻点云帧中枝干点云块的集合， |{S_S }|为 {S_s }元素的个数， S_s为 {S_s }中与距离最近的枝干点云块， 1 (5^)为 *中的数据点的平坦性特征的平均值；

¾L = log{c_E), = log ); (2) ^为中与^相邻的数据点;

N_Pt = Kp qt)} = Kp q e Delaunay(pt): |pt - qt| < ε}是基于对进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系；

表示将相邻的数据点 ^和^分类为 ^( )和^(^)的代价，

) 其中， ( t'qt) Ε N_pt, ( ）为^的曲率特征， C(qt)为 qt的曲率特征；分类单元，用于将待分割点云帧中的数据点按照求解得到的分类函数分类为叶片点或枝干点。

在其中一个实施例中，记所述提取的各个叶片点云块的对应类别分别为 ί^₂,·Ά, /^为待分割点云帧中的叶片点集合，〇为将 LP映射到 {1^1^,···,!^}的叶片分类函数；

叶片点云块重分割模块用于求解使得如下叶片分类代价函数 £( ）达到最小的叶片点分类函数 f_L ( ) ,将待分割点云帧中的叶片点按照求解得到的叶片点分类函数 ( )分类到提取的各个叶片点云块对应的类别上：

E(A) =∑_pt_ELP D_pt (Α(ρ ) +∑_PW N_Lt V_pt ^{ρ' , f^q' )

其巾：

( 1 )

Dp_t(fi pt))表示将叶片点分类到 fi pt)的代价， d(pt,f_L(pt))表示婦 pt 到目标分块 Α(^)中最近点的距离； (2)

i 为/^中与 ^相邻的数据点；

Ν^ ^于对 LP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW( )的定义与上述）的定义相同，

表示将相邻的数据点 ^和^分类为 f_L(pt)和 f_L(qt)的代价。

在其中一个实施例中，记所述提取的各个枝干点云块的对应类别分别为

SP为待分割点云帧中的枝干点集合， f_s〇为将 SP映射到的枝干分类函数，

枝干点云块重分割模块用于求解使得如下枝干分类代价函数 £( ^)达到最小的枝干点分类函数 s ( ) ,将待分割点云帧中的枝干点按照求解得到的枝干点分类函数 s ( )分类到提取的各个枝干点云块对应的类别上：其中. Ρ Ρ pWEN_st

( 1 )

^{D fs(P )} =} ir 若 _{≥ A} ^( sCpt))表示将枝干点 pt分类到的代价， 0 )为^的朝向信息， o(pt) = (x, y, z) , 其中 x、 y和 z是对的邻域点进行主成份分析得到的特征向量矩阵的对角元素，为 sCpt)对应的枝干点云块中所有枝干点的朝向信息的平均值， Δ为预设的距离阈值，： T为预设的惩 ¾项， dC sC))为 pt与对应的枝干点云块的距离；

( 2 ) i 为 SP中与 ^相邻的数据点；

N^ ^于对 SP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW ( )的定义与上述 )的定义相同，

f qt))表示将相邻的数据点 ^和^分类为 f_s(pt)和 f_s(qt)的代价。

在其中一个实施例中，第一点云帧分割模块用于将第一点云帧作为待分割点云帧，按照所述分类函数求解单元和分类单元的处理过程将 F¹的数据点分类为叶片点或枝干点，并按照叶片点云块聚合模块和枝干点云块聚合模块的处理过程将中的点云分割为叶片点云块和枝干点云块，按照所述分类函数求解单元的处理过程求解分类函数时， Z)_pt (L)和/) _pt (S)的计算适用 |{ }| = 0和 | {S_S } | = 0的情况。

上述植物器官点云的分割方法和系统，获取被监测植物的多个植物生长时间对应的点云帧，并对获取的点云帧中进行分割，根据待分割点云帧的前一相邻点云帧中叶片点块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征，将待分割点云帧的点云分割为叶片点块和枝干点云块，以相邻点云帧作为参照对点云帧进行分割，有利于分割出的器官在相邻点云帧之间保持时空一致性，提高植物器官分割的准确性。而且，当发现新的叶片点云块或枝干点云块时，往前回溯重新分割待分割点云块前面的点云帧中的点云，直到重新分割后的点云帧的叶片点云块和枝干点云块的数量没有增加为止，重新分割时根据发现了新的叶片点云块或枝干点云块的后一相邻点云帧中的叶片点云块和枝干点云块的信息分割待重新分割的点云帧，回溯过程中的重新分割有利于在点云帧中提取出新的在前面的分割过程中未被发现的叶片点云块或枝干点云块，从而进一步提高植物器官分割的准确性。

【附图说明】

图 1为一个实施例中植物器官点云的分割方法的流程示意图；

图 2为一个实施例中图 1的步骤 S 160中将某一个点云帧 ^中的点云分割为叶片点云块和枝干点云块的步骤的流程示意图；

图 3 为一个实施例中根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的点云分割为叶片点云块和枝干点云块的步骤的流程示意图；

图 4为一个实施例中图 3的步骤 S310的流程示意图；

图 5 为一个实施例中在待分割点云帧和相邻点云帧中提取独立叶片点云的示意图；

图 6为一个实施例中植物器官点云的分割系统的结构示意图；

图 7为一个实施例中点云分割模块的结构示意图；

图 8为一个实施例中数据点分类模块的结构示意图。

【具体实施方式】

如图 1所示，一种植物器官点云的分割方法，包括以下步骤 S 120 S160:

S 120: 获取被监测植物的多个植物生长时间对应的点云帧，按照对应的植物生长时间的先后顺序记获取的多个点云帧为 F¹ , .·· , Ft , Fⁿ。

S 140: 根据第一点云帧 ¹中数据点的平坦性特征将第一点云帧中的点云分割为叶片点云块和枝干点云块。步骤 S140的详细过程在下文中说明。

S 160：按照对应的植物生长时间的先后顺序依次将第一点云帧之后的点云帧至^中的点云分割为叶片点云块和枝干点云块。

如图 2所示，步骤 S 160中将某一个点云帧 ( 2 t n )中的点云分割为叶片点云块和枝干点云块包括以下步骤 S220 ~ S280:

S220: 根据的前一点云帧 ¹中叶片点云块和枝干点云块的信息以及的数据点的平坦性特征将^中的点云分割为叶片点云块和枝干点云块。

S240: 判断 F^f所包含的枝干点云块数量是否多于 F^f- ¹所包含的枝干点云块数量或者^所包含的叶片点云块数量是否多于 ¹包含的叶片点云块数量，若否，则执行步骤 S260 , 若是，则执行步骤 S280。

S260: 当 t < n时则进入到将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块的步骤，当 t=n时结束。

S280: 往前回溯依次重新分割 1前面的点云帧中的点云，直到重新分割后的点云帧的叶片点云块和枝干点云块的数量没有增加，则停止回溯并进入到将的下一个点云帧 ^{t+ 1} 中的点云分割为叶片点云块和枝干点云块的步骤。

步骤 S280中重新分割前面的某一个点云帧 ( K j < t-1 ) 中的点云包括步骤 S282: 根据 ^的后一点云帧中叶片点云块和枝干点云块的信息以及的数据点的平坦性特征将 ^中的点云分割为叶片点云块和枝干点云块。

在一个实施例中，将上述步骤 S220中的记为待分割点云帧、 t-¹记为待分割点云帧的相邻点云帧，上述步骤 S282中的 ^记为待分割点云帧、记为待分割点云帧的相邻点云帧，则上述根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的点云分割为叶片点云块和枝干点云块的步骤包括以下步骤 S310 ~ S360 , 如图 3所示：

S310：根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的数据点分类为叶片点或枝干点。

如图 4所示，在一个实施例中，步骤 S310包括以下步骤 S410和 S420: S410: 求解使得目标能量函数达到最小的分类函数，该目标能量函数为关于分类函数的函数，其函数值表示分类代价，该分类函数为将待分割点云帧的数据点分类为叶片点和枝干点的分类函数。

记待分割点云帧中数据点集合为 /^ = { }, 植物器官数据点类别集合为

{L, S} ,其中 L代表叶片点类别、 S代表枝干点类别， /_β为将映射到集合 {L, S} 的分类函数，即， /_β为将待分割点云帧的数据点分类为叶片点和枝干点的分类函数，所述目标能量函数如下： p^tep^t p^t,q^teN_pt

其巾：

( 1 ) 表示将数据点分类为 fiCpt)的代价，

0

0 0

0 z)_pt(/ 即为 ^( )= 的代价， z)_pt(S)即为 ^( ) = S的代价， ?( ）为 ^的平坦性特征， R(jt) = log (max (C(p^f),c_£)), c_£为预设的大于 0而小于 1/3的常量， ( )为^的曲率特征, Cip^ ^ +λ₂ +λ₃),其中

2和 ₃是对的邻域点进行主成份分析得到的特征值， λ ≤ λ₂3.λ₁≤ λ₃;

¾L = i g(c_£), = log );

{Z^ }为相邻点云帧中叶片点云块的集合， |{ }|为 { }元素的个数， /^为 {L_t }中与距离最近的叶片点云块， ?(/^)为/^中的数据点的平坦性特征的平均值； {S_s }为相邻点云帧中枝干点云块的集合， |{S_S }|为 {S_s }元素的个数， S_s为 {S_s }中与距离最近的枝干点云块， 1 (5^)为 *中的数据点的平坦性特征的平均值。

由于已发育的叶片通常都比较平坦，属于已发育叶片的数据点^所对应的曲率特征 CO 都具有较小的数值，因此，可以通过有效地从点云中区分出枝干和发育的叶片。分布于 [o, , 然而其数值和点云的平坦性并不线性对应，为解决这个问题，本发明首先将特别接近 0的上取为一个非 0的常量 c_£ (参考值： 0.015)以避免 CO 的数值存在多个数量级的差异，然后再使用 log 函数将其转化为平坦性特征定义 = log (max (C(p^f),c_£)), 并定义 ¾_L = Ζθ (ί:_ε)以及 _s = 则 ? (P 将分布于 [9^,9y。从/? (Ρ 到 9 ^和 s的距离度量了数据点被分类为叶片或枝干的代价。因此，上述公式中，若 K ^±:L}| = 0或 |{S_s ^t±:L}| = 0 ,则 Z)_pt(L) = R(pt) — _L,

R(pt)。

然而，植物在生发初期叶片点云特征与枝干点云特征的区分度非常细微，叶片的平坦性数值可能严重地靠近 R_s从而容易被错误地判断为枝干，只有发育成熟的叶片的点云特征与枝干点云特征的区分度才非常明显。使用全局绝对值 R_S和 RL定义的无法适应于植物器官发育的不同阶段，为保证精确的植物器官分类，需要在数据点分类过程中使用相邻点云帧中点云块的平坦性特征，而不是全局绝对值 R_s和。

因此，上述公式中，若 |{L ≠ 0且 | {S ^{± :L}}|≠ 0 ,则/)^(/ = max (R(pt) - ！^¹),。）， D_pt(S) = max (RCSg¹) - R(pt), 0)。

在植物器官发育的初期往往难以准确对其植物器官进行分割，本发明中，步骤 S220可以对发育成熟植物的点云进行准确的器官分割。进一步的，基于对发育成熟植物的点云的准确的器官分割，步骤 S282在往前回溯重新对发育初期植物的点云进行器官分割时，即可提高对发育初期植物点云进行器官分割的准确性。

( 2 ) i 为/^中与 ^相邻的数据点;

N_Pt = Kpt, qt)} = Kpt, qt) e Delaunay(pt): |pt - qt| < ε}是基于对进行 Delaunay 三角剖分并去除大于阈值 ε的边形成的邻域系；在一个实施例中， £=3mm。

表示将相邻的数据点 ^和^分类为 ^( )和^(^)的代价， )

) 其中， (pt' qt) E N_pt , ( ）为^的曲率特征， C(qt)为 qt的曲率特征。

数据点的曲率特征和器官邻接区域具有很强的相关性：在器官邻接处的数据点通常具有较大的曲率。上述在不同种类器官邻接处将相邻的数据点分为不同类别的代价较 d、，可尽量使得不同种类器官的邻接处的数据点被分为不同类别，而将属于相同器官的相邻的数据点分为不同类别的代价较大，从而可保证分类的平滑性。

上述目标能量函数是典型的马尔可夫随机场 ( Markov Random Fields )问题，可以使用图割算法来进行近似求解。

S420: 将待分割点云帧中的数据点按照求解得到的分类函数分类为叶片点或枝干点。

具体的，若使得上述目标能量函数达到最小的分类函数将待分割点云帧中的某一个数据点映射到 L , 则将该数据点分类为叶片点，若该分类函数将该数据点映射到 S , 则将该数据点分类为枝干点。

S320: 聚合待分割点云帧中连通的叶片点构成叶片点云块。

S330: 建立待分割点云帧中枝干点的最小生成树，将最小生成树分割成不包含分叉枝干的独立分支，将待分割点云帧中的枝干点映射到各独立分支上，形成各个枝干点云块，一个独立分支对应一个枝干点云块。

在建立待分割点云帧中枝干点的最小生成树之前，可先对待分割点云帧中的枝干点进行预设处理。具体的，采样待分割点云帧中预设比例（例如 10% ) 的枝干点得到采样点，将采样点投影到采样点邻近数据点的中心以将采样点聚拢到枝干中心线上，筛除距离小于预设值的两个采样点中的一个采样点。步骤

S330可根据剩余的采样点建立最小生成树。

进一步的，可将最小生成树中度数大于 2 的节点删除，使得最小生成树的枝干在删除的节点处断开，从而生成不包含分叉枝干的独立分支。进一步的，可将短于阈值的独立分支删除。

S340：查找待分割点云帧和相邻点云帧中每一个叶片点云块和枝干点云块对应的与自身重叠数据点最多的点云块，并标记该对应的点云块，提取待分割点云帧和相邻点云帧中被标记次数小于 2的叶片点云块和枝干点云块。

在一个实施例中，可从待分割点云帧和相邻点云帧的每一个叶片点云块出发，在两个点云帧中该叶片点云块所在的点云帧外的另一个点云帧中查找与该点云块重叠程度最高的叶片点云块，并标记一条从该叶片点云块出发至与之重叠程度最高的叶片点云块的出边，然后筛除所有入度大于等于 2的叶片点云块。

图 5 为一个实施例中在待分割点云帧和相邻点云帧中提取独立叶片点云的示意图。如图 5所示，待分割点云帧和相邻点云帧中包含点叶片点云块 Sl、 S2、 S3、 S4、 S5、 S6和 S7。与 SI重叠程度最高的叶片点云块是 S5, 则标记一条从 S1至 S5的出边，与 S2重叠程度最高的叶片点云块也是 S5, 则标记一条从 S2 至 S5的出边，与 S5重叠程度最高的叶片点云块也是 S1, 则标记一条从 S5至 S1的出边，依次类推标记其它的叶片点云块。最后，入度大于等于 2的叶片点云块为 S3和 S5, 删除 S3和 S5, 剩余 Sl、 S2、 S4、 S6和 S7。剩余的这些叶片点云块中都包含单个独立的叶片。

S350: 将待分割点云帧中的所述叶片点分类到提取的各个叶片点云块对应的类别上，将属于同一类别的叶片点构成待分割点云帧中的一个叶片点云块。

其中，叶片点与叶片点云块的距离为叶片点与叶片点云块中最近数据点的距离。

具体的，记所述提取的各个叶片点云块的对应类别分别为 ^, ,…，/^, LP 为待分割点云帧中的叶片点集合， Λ〇为将 LP映射到 { , L₂ ,…， L_m}的叶片分类函数；

步骤 S350将待分割点云帧中的所述叶片点分类到提取的各个叶片点云块对应的类别上的步骤为：求解使得如下叶片分类代价函数 Ε(Λ)达到最小的叶片点分类函数 f_L ( ) ,将待分割点云帧中的叶片点按照求解得到的叶片点分类函数 f_L ( ) 分类到提取的各个叶片点云块对应的类别上：

E(A) =∑_pt_ELP D_pt (Α(ρ ) +∑_PW N_Lt V_pt ^{ρ' , f^q' )

其巾：

( 1 )

Dp_t(fi pt))表示将叶片点分类到 fi pt)的代价， d(pt,f_L(pt))表示婦 pt 到目标分块 ACpt)中最近点的距离；

(2)

i 为/^中与 ^相邻的数据点；

N_Lt = Kp qt)} = Kp q e Delaunay(pt)_: \ρ' -q^t\ < _£}), N_Lt是基于对/^ 进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系；

V_pW( )的定义与上述 )的定义相同，

表示将相邻的数据点 ^和^分类为 f_L(pt)和 f_L(qt)的代价。

在一个实施例中，记所述提取的各个枝干点云块的对应类别分别为

SP为待分割点云帧中的枝干点集合， f_s〇为将 SP映射到的分类函数，

步骤 S360将待分割点云帧中的所述枝干点分类到提取的各个枝干点云块对应的类别上的步骤为：求解使得如下枝干分类代价函数 E (f_s)达到最小的枝干点分类函数 s( ) ,将待分割点云帧中的枝干点按照求解得到的枝干点分类函数 s( ) 分类到提取的各个枝干点云块对应的类别上：

D_pt (f_s(pt)) +∑_pt,qt_eNst

Δ

Δ ^( sCpt))表示将枝干点 pt分类到的代价， 0 )为^的朝向信息， o(pt) = (x,y,z), 其中 x、 y和 z是对的邻域点进行主成份分析得到的特征向量矩阵的对角元素，为 sCpt)对应的枝干点云块中所有枝干点的朝向信息的平均值， Δ为预设的距离阈值，： T为预设的惩 ¾项， dC sC))为 pt与对应的枝干点云块的距离；

i 为 SP中与 ^相邻的数据点；

N_st = Kpt'qt)} = {(pt'qt) £ Delaunay (P*): \≠ - q^¾| < ε}，于对 SP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW ( )的定义与上述 )的定义相同，

f qt))表示将相邻的数据点 ^和^分类为 f_s(pt)和 f_s(qt)的代价。

本申请文件中，数据点与点云块之间的距离指的是该数据点与该点云块中与之最近的数据点之间的距离。

在一个实施例中，将第一点云帧 F¹作为待分割点云帧，步骤 S 140可按照步骤 S410、 S420、 S320和 S330将第一点云帧中的点云分割为叶片点云块和枝干点云块，计算过程中， Z)_pt(L)和/) _pt (S)的计算适用 |{ }| = 0和 | {S_S }| = 0的情况。

上述植物器官点云的分割方法，获取被监测植物的多个植物生长时间对应的点云帧，并对获取的点云帧中进行分割，根据待分割点云帧的前一相邻点云帧中叶片点块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征，将待分割点云帧的点云分割为叶片点块和枝干点云块，以相邻点云帧作为参照对点云帧进行分割，有利于分割出的器官在相邻点云帧之间保持时空一致性，提高植物器官分割的准确性。而且，当发现新的叶片点云块或枝干点云块时，往前回溯重新分割待分割点云块前面的点云帧中的点云 , 直到重新分割后的点云帧的叶片点云块和枝干点云块的数量没有增加为止，重新分割时根据发现了新的叶片点云块或枝干点云块的后一相邻点云帧中的叶片点云块和枝干点云块的信息分割待重新分割的点云帧，回溯过程中的重新分割有利于在点云帧中提取出新的在前面的分割过程中未被发现的叶片点云块或枝干点云块，从而进一步提高植物器官分割的准确性。如图 6所示，一种植物器官点云的分割系统，包括以下点云帧获取模块 10、第一点云帧分割模块 20、调度模块 30、点云分割模块 40、判断模块 50和回溯控制模块 60 , 其中：

点云帧获取模块 10用于获取被监测植物的多个植物生长时间对应的点云帧，按照对应的植物生长时间的先后顺序记获取的多个点云帧为 ¹ , .. Ft , ... , Fⁿ。

第一点云帧分割模块 20用于根据第一点云帧 F¹中数据点的平坦性特征将第一点云帧 ¹中的点云分割为叶片点云块和枝干点云块。第一点云帧分割模块 20 的处理过程在下文中说明。

调度模块 30 用于在第一点云帧之后的点云帧 ²至 "中按照对应的植物生长时间的先后顺序依次取 F^f (2 t n), 将 ^⁷做为待分割点云帧、 F^f的前一点云帧 t- ¹做为待分割点云帧的相邻点云帧传递给点云分割模块并启动点云分割模块。

点云分割模块 40用于根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的点云分割为叶片点云块和枝干点云块。

判断模块 50用于在点云分割模块 40分割 F^f后判断 F^f所包含的枝干点云块数量是否多于 ¹所包含的枝干点云块数量或者所包含的叶片点云块数量是否多于 _Ft-i包含的叶片点云块数量，若否，则当 t<_n时，通知调度模块 30调度点云分割模块 40,以将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块，当 t=n时结束，若是，则调度回溯控制模块 60。

回溯控制模块 60用于在 f^-¹至中按照对应的植物生长时间的倒序顺序依次取 ( l j t-l ), 将^做为待分割点云帧、的后一点云帧做为待分割点云帧的相邻点云帧传递给点云分割模块并启动点云分割模块 40, 以重新分割 t前面的点云帧中的点云，直到重新分割后的点云帧 F^j的叶片点云块和枝干点云块的数量没有增加，则停止启动点云分割模块并通知调度模块 30调度点云分割模块 40, 以将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块。

如图 7所示，点云分割模块 40包括数据点分类模块 401、叶片点云块聚合模块 402、枝干点云块聚合模块 403、独立器官点云块提取模块 404、叶片点云块重分割模块 405和枝干点云块重分割模块 406, 其中：

数据点分类模块 401 用于根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的数据点分类为叶片点或枝干点。

如图 8所示，在一个实施例中，数据点分类模块 401 包括以下分类函数求解单元 411和分类单元 421, 其中：

求解单元 411 用于求解使得目标能量函数达到最小的分类函数，该目标能量函数为关于分类函数的函数，其函数值表示分类代价，该分类函数为将待分割点云帧的数据点分类为叶片点和枝干点的分类函数。

记待分割点云帧中数据点集合为 /^ = { }, 植物器官数据点类别集合为 {L,S},其中 L代表叶片点类别、 S代表枝干点类别， /_β为将映射到集合 {L,S} 的分类函数，即， /_β为将待分割点云帧的数据点分类为叶片点和枝干点的分类函数，所述目标能量函数如下： p^tEP^t p^t,q^teN_pt

其巾：表示将 ^数据点分类为 β(ί^)的代价，

0

0 0

0

z)_pt(/ 即为 ^( )= 的代价， _t(S)即为 ^( ) = S的代价， ?( ）为 ^的平坦性特征， R(jt) = log (max (C(p^f),c_£)), c_£为预设的大于 0而小于 1/3的常量， ( )为^的曲率特征, Cip^ ^ +λ₂ +λ₃),其中 2和 ₃是对的邻域点进行主成份分析得到的特征值， λ ≤ λ₂3.λ₁≤ λ₃;

¾L = log{c_E), = log );

由于已发育的叶片通常都比较平坦，属于已发育叶片的数据点^所对应的曲率特征 CO 都具有较小的数值，因此，可以通过有效地从点云中区分出枝干和发育的叶片。分布于 [o, , 然而其数值和点云的平坦性并不线性对应，为解决这个问题，本发明首先将特别接近 0的 ccpt)上取为一个非 0的常量 c_£ (参考值： 0.015)以避免的数值存在多个数量级的差异，然后再使用 log 函数将其转化为平坦性特征定义 = log (max (C(p^f),c_£)), 并定义 ¾_L = Ζθ (ί:_ε)以及 _s = 则 ? (P 将分布于 [9^,9y。从/? (P 到 9 ^和 s的距离度量了数据点被分类为叶片或枝干的代价。

因此，上述公式中，若 |{/^^±:1}| = 0或 |{S_s ^t±:L}| = 0,则/) _pt(z = R(pt)— _L,

R(pt)。

因此，上述公式中，若 |{L ≠ 0且 |{S ^±:L}| ≠ 0,则/)^(/ = max(R(pt) - ！^¹),。）， D_pt(S

- R(pt),0)。

在植物器官发育的初期往往难以准确对其植物器官进行分割，本发明中，点云分割模块 40在根据待分割点云帧的前一相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的点云分割为叶片点云块和枝干点云块时，可以对发育成熟植物的点云进行准确的器官分割。进一步的，基于对发育成熟植物的点云的准确的器官分割，点云分割模块 40在往前回溯重新对发育初期植物的点云进行器官分割时，根据待分割点云帧的后一相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的点云分割为叶片点云块和枝干点云块，从而可提高对发育初期植物点云进行器官分割的准确性。

(2) i 为/^中与 ^相邻的数据点;

N_Pt = Kpt,qt)} = Kpt,qt) e Delaunay(pt): |pt - qt| < ε}是基于对进行 Delaunay 三角剖分并去除大于阈值 ε的边形成的邻域系；在一个实施例中，

表示将相邻的数据点 ^和^分类为 ^( )和^(^)的代价，

) 其中， ( t' qt) Ε N_pt , ( ）为^的曲率特征， C(qt)为 qt的曲率特征。

分类单元 421 用于将待分割点云帧中的数据点按照求解得到的分类函数分类为叶片点或枝干点。

具体的，若使得上述目标能量函数达到最小的分类函数将待分割点云帧中的某一个数据点映射到 L , 则将该数据点分类为叶片点，若该分类函数将该数据点映射到 S, 则将该数据点分类为枝干点。

叶片点云块聚合模块 402用于聚合待分割点云帧中连通的叶片点构成叶片点云块。

枝干点云块聚合模块 403 用于建立待分割点云帧中枝干点的最小生成树，将最小生成树分割成不包含分叉枝干的独立分支，将待分割点云帧中的枝干点映射到各独立分支上，形成各个枝干点云块，一个独立分支对应一个枝干点云块。

枝干点云块聚合模块 403在建立待分割点云帧中枝干点的最小生成树之前，可先对待分割点云帧中的枝干点进行预设处理。具体的，采样待分割点云帧中预设比例（例如 10% ) 的枝干点得到采样点，将采样点投影到采样点邻近数据点的中心以将采样点聚拢到枝干中心线上，筛除距离小于预设值的两个采样点中的一个采样点。枝干点云块聚合模块 403 可根据剩余的采样点建立最小生成树。

进一步的，枝干点云块聚合模块 403可将最小生成树中度数大于 2的节点删除，使得最小生成树的枝干在删除的节点处断开，从而生成不包含分叉枝干的独立分支。进一步的，可将短于阈值的独立分支删除。

独立器官点云块提取模块 404用于查找待分割点云帧和相邻点云帧中每一个叶片点云块和枝干点云块对应的与自身重叠数据点最多的点云块，并标记该对应的点云块，提取待分割点云帧和相邻点云帧中被标记次数小于 2 的叶片点云块和枝干点云块。

在一个实施例中，独立器官点云块提取模块 404 可从待分割点云帧和相邻点云帧的每一个叶片点云块出发，在两个点云帧中该叶片点云块所在的点云帧外的另一个点云帧中查找与该点云块重叠程度最高的叶片点云块，并标记一条从该叶片点云块出发至与之重叠程度最高的叶片点云块的出边，然后筛除所有入度大于等于 2的叶片点云块。

如图 5所示，待分割点云帧和相邻点云帧中包含点叶片点云块 S l、 S2、 S3、 S4、 S5、 S6和 S7。与 SI重叠程度最高的叶片点云块是 S5 , 则独立器官点云块提取模块 404可标记一条从 S1至 S5的出边，与 S2重叠程度最高的叶片点云块也是 S5 , 则独立器官点云块提取模块 404可标记一条从 S2至 S5的出边，与 S5 重叠程度最高的叶片点云块也是 S 1 , 则独立器官点云块提取模块 404可标记一条从 S5至 S1的出边，依次类推标记其它的叶片点云块。最后，入度大于等于 2 的叶片点云块为 S3和 S5 , 删除 S3和 S5 , 剩余 Sl、 S2、 S4、 S6和 S7。剩余的这些叶片点云块中都包含单个独立的叶片。

叶片点云块重分割模块 405 用于将待分割点云帧中的所述叶片点分类到提取的各个叶片点云块对应的类别上，将属于同一类别的叶片点构成待分割点云帧中的一个叶片点云块。

其中，叶片点与叶片点云块的距离为叶片点与叶片点云块中最近数据点的距离。具体的，记所述提取的各个叶片点云块的对应类别分别为 Z^Ly,/^, LP 为待分割点云帧中的叶片点集合， Λ〇为将 LP映射到 { , L₂ ,…， L_m}的叶片分类函数；

叶片点云块重分割模块 405用于求解使得如下叶片分类代价函数 E(A)达到最小的叶片点分类函数 f_L ( ) ,将待分割点云帧中的叶片点按照求解得到的叶片点分类函数 i ( )分类到提取的各个叶片点云块对应的类别上：

E(f_L)

其巾：

( 1 )

Dpt(fi pt))表示将叶片点 pt分类到 fi pt)的代价，表示婦 pt 到目标分块 ACpt)中最近点的距离；

(2)

i 为/^中与 ^相邻的数据点；

N_Lt = Kpt'qt)} = {( 七,9七） e Delaunay(pt): |pt - qt| < ε}， N_Lt ^于对 /^进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系；

V_pW( )的定义与上述）的定义相同，表示将相邻的数据点 ^和^分类为 f_L(pt)和 f_L(qt)的代价。

枝干点云块重分割模块 406用于将待分割点云帧中的所述枝干点分类到提取的各个枝干点云块对应的类别上，将属于同一类别的枝干点构成待分割点云帧中的一个枝干点云块。

在一个实施例中，记独立器官点云块提取模块 404提取的各个枝干点云块的对应类别分别为 S₂ ,…， S„ , SP为待分割点云帧中的枝干点集合， f_s〇为将 SP映射到的分类函数，

枝干点云块重分割模块 406用于求解使得如下枝干分类代价函数 Ε( )达到最小的枝干点分类函数 ) ,将待分割点云帧中的枝干点按照求解得到的枝干点分类函数分类到提取的各个枝干点云块对应的类别上：

。( — 若 ^ ,^( ）≤

若^ ^( ）≥

表示将枝干点 pt分类到的代价，。(pt)为^的朝向信息，

₀(pt) = (_X,y,Z), 其中 X、 y和 Z是对 ^的邻域点进行主成份分析得到的特征向量矩阵的对角元素，为 sCpt)对应的枝干点云块中所有枝干点的朝向信息的平均值， Δ为预设的距离阈值，：为预设的惩 ¾项， dC sO )为 pt与对应的枝干点云块的距离；

i 为 SP中与 ^相邻的数据点；

N_st = {(PW)} = {(PW) 6 Delaunay(pt): |pt - q < ε}， N^是基于对 SP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系；

V_pW( )的定义与上述 )的定义相同，

f qt))表示将相邻的数据点 ^和^分类为 f_s(pt)和 f_s(qt)的代价。本申请文件中，数据点与点云块之间的距离指的是该数据点与该点云块中与之最近的数据点之间的距离。在一个实施例中，第一点云帧分割模块 20用于将第一点云帧 F¹作为待分割点云帧，按照分类函数求解单元 411和分类单元 421的处理过程将 F¹的数据点分类为叶片点或枝干点，并按照叶片点云块聚合模块 402和枝干点云块聚合模块 403 的处理过程将中的点云分割为叶片点云块和枝干点云块，按照分类函数求解单元 411 的处理过程求解分类函数时， Z)_pt(L)和/) _pt(S)的计算适用

|{^ }| = 0和 |{S_S }| = 0的情况。

上述植物器官点云的分割系统，获取被监测植物的多个植物生长时间对应的点云帧，并对获取的点云帧中进行分割，根据待分割点云帧的前一相邻点云帧中叶片点块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征，将待分割点云帧的点云分割为叶片点块和枝干点云块，以相邻点云帧作为参照对点云帧进行分割，有利于分割出的器官在相邻点云帧之间保持时空一致性，提高植物器官分割的准确性。而且，当发现新的叶片点云块或枝干点云块时，往前回溯重新分割待分割点云块前面的点云帧中的点云 , 直到重新分割后的点云帧的叶片点云块和枝干点云块的数量没有增加为止，重新分割时根据发现了新的叶片点云块或枝干点云块的后一相邻点云帧中的叶片点云块和枝干点云块的信息分割待重新分割的点云帧，回溯过程中的重新分割有利于在点云帧中提取出新的在前面的分割过程中未被发现的叶片点云块或枝干点云块，从而进一步提高植物器官分割的准确性。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序控制相关的硬件来完成的，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory, ROM )或随机存储记忆体（Random Access Memory, RAM )等。但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

权利要求书

1、一种植物器官点云的分割方法，包括以下步骤 S120 S160:

S120: 获取被监测植物的多个植物生长时间对应的点云帧，按照对应的植物生长时间的先后顺序记获取的多个点云帧为 F¹, .··, Ft, . , Fⁿ;

S 160：按照对应的植物生长时间的先后顺序依次将第一点云帧之后的点云帧至 ^中的点云分割为叶片点云块和枝干点云块，其中，将某一个点云帧 2 <t<n) 中的点云分割为叶片点云块和枝干点云块包括以下步骤 S220 ~ S280：

S240: 判断 F^f所包含的枝干点云块数量是否多于 F^f- ¹所包含的枝干点云块数量或者^所包含的叶片点云块数量是否多于 ¹包含的叶片点云块数量，若否，则执行步骤 S260, 若是，则执行步骤 S280;

S260: 当 t<n时则进入到将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块的步骤，当 t=n时结束；

S280: 往前回溯依次重新分割 1前面的点云帧中的点云，直到重新分割后的点云帧的叶片点云块和枝干点云块的数量没有增加，则停止回溯并进入到将 ^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块的步骤，其中，重新分割 ^⁷前面的某一个点云帧 ( Kj<t-1 ) 中的点云包括以下步骤：

2、根据权利要求 1所述的植物器官点云的分割方法，其特征在于，将上述步骤 S220中的 F^f记为待分割点云帧、 Ft—¹记为待分割点云帧的相邻点云帧，上述步骤 S282 中的记为待分割点云帧、记为待分割点云帧的相邻点云帧，则

S320: 聚合待分割点云帧中连通的叶片点构成叶片点云块；

S330: 建立待分割点云帧中枝干点的最小生成树，将最小生成树分割成不包含分叉枝干的独立分支，将待分割点云帧中的枝干点映射到各独立分支上，形成各个枝干点云块，一个独立分支对应一个枝干点云块；

S340：查找待分割点云帧和相邻点云帧中每一个叶片点云块和枝干点云块对应的与自身重叠数据点最多的点云块，并标记该对应的点云块，提取待分割点云帧和相邻点云帧中被标记次数小于 2的叶片点云块和枝干点云块；

3、根据权利要求 2所述的植物器官点云的分割方法，其特征在于，步骤 S310 包括以下步骤：

记待分割点云帧中数据点集合为 /^ = { }, 植物器官数据点类别集合为 {L, S},其中 L代表叶片点类别、 S代表枝干点类别， /_β为将映射到集合 {L, S} 的分类函数，所述目标能量函数如下：

E( _b) = Z D_pt { P')) + Z v_Pw fB (p , f_B qt

p^tEP^t p^t,q^teN_pt

其巾：

( 1 ) Ζ (/_β(ρ 表示将 ^数据点分类为 ^(pt)的代价， max (R(pt) - D,o) 若 | }|≠0且 |{S_s}|≠o

D_pt(L) =

R(p - 若 | }|=0|或 KS_s }| = o max R S_S^} R(pt),o), 若 K }|≠ o且 |{S_S }|≠ o

p_t(S) =

若 |{ }| = 0或 |{S_S }| = 0 z)_pt(/ 即为 ^( )= 的代价， z)_pt(S)即为 ^( ) = S的代价， ?( ）为 ^的平坦性特征， R( jt) = log (max (C(p^f),c_£)), c_£为预设的大于 0而小于 1/3的常量， ( )为^的曲率特征, Cip^ ^ +λ₂ +λ₃),其中

{ }为相邻点云帧中叶片点云块的集合， |{ }|为 { }元素的个数， /^为 {L_t }中与距离最近的叶片点云块， ?(/^)为/^中的数据点的平坦性特征的平均值； {S_s }为相邻点云帧中枝干点云块的集合， |{S_S }|为 {S_s }元素的个数， S_s为 {S_s }中与距离最近的枝干点云块， 1(5^)为 *中的数据点的平坦性特征的平均值；

¾L = log{c_E), = log );

(2) ^为中与^相邻的数据点;

N_Pt 于对进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系；表示将相邻的数据点 ^和^分类为 ^( )和^(^)的代价，

其中， ( W e N_pt, ( ）为^的曲率特征， C(qt)为 qt的曲率特征；

S420: 将待分割点云帧中的数据点按照求解得到的分类函数分类为叶片点或枝干点 …，L_m。

4、根据权利要求 3所述的植物器官点云的分割方法，其特征在于，记所述提取的各个叶片点云块的对应类别分别为 L₂ ,…， L_m , /^为待分割点云帧中的叶片点集合， Λ〇为将 LP映射到 {l^Ly'Lm}的叶片分类函数；

Dp_t(fi pt))表示将叶片点分类到 fi pt)的代价，表示数据点到目标分块 Α(^)中最近点的距离； ( 2 )

i 为/^中与 ^相邻的数据点；

N^ ^于对 LP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系；

5、根据权利要求 3所述的植物器官点云的分割方法，其特征在于，记所述提取的各个枝干点云块的对应类别分别为 S₂ ,…， S„ , SP为待分割点云帧中的枝干点集合， f_s〇为将 SP映射到的枝干分类函数；

步骤 S360将待分割点云帧中的所述枝干点分类到提取的各个枝干点云块对应的类别上的步骤为：求解使得如下枝干分类代价函数 E (f_s达到最小的枝干点分类函数 s( ) ,将待分割点云帧中的枝干点按照求解得到的枝干点分类函数 s( ) 分类到提取的各个枝干点云块对应的类别上：

fsCqt))

Δ

^(sCpt))表示将枝干点 pt分类到的代价， 0 )为^的朝向信息， o(pt) = (x,y,z), 其中 x、 y和 z是对的邻域点进行主成份分析得到的特征向量矩阵的对角元素，为 sCpt)对应的枝干点云块中所有枝干点的朝向信息的平均值， Δ为预设的距离阈值，： T为预设的惩 ¾项， dC sC))为 pt与对应的枝干点云块的距离； (2)

i 为 SP中与 ^相邻的数据点；

N^ ^于对 SP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW( )的定义与上述）的定义相同， ν_{ρ ιί}( (ρ (^))表示将相邻的数据点 ^和^分类为 f_s(pt)和 f_s(qt)的代价。

6、根据权利要求 3所述的植物器官点云的分割方法，其特征在于，将第一点云帧 ¹作为待分割点云帧，步骤 S140可按照步骤 S410、 S420、 S320和 S330 将第一点云帧 ¹中的点云分割为叶片点云块和枝干点云块，计算过程中， D_pt(L) 和 Z)_pt(S)的计算适用 |{ }| = 0和 |{S_S }| = 0的情况。

7、一种植物器官点云的分割系统，其特征在于，包括：

点云帧获取模块，用于获取被监测植物的多个植物生长时间对应的点云帧，按照对应的植物生长时间的先后顺序记获取的多个点云帧为 ¹, .. Ft, ...,Fⁿ; 第一点云帧分割模块，用于根据第一点云帧中数据点的平坦性特征将第一点云帧中的点云分割为叶片点云块和枝干点云块；

判断模块，用于在点云分割模块分割F^t后判断 F^f所包含的枝干点云块数量是否多于 t- ¹所包含的枝干点云块数量或者^所包含的叶片点云块数量是否多于 t— ¹包含的叶片点云块数量，若否，则当 t < n时，通知调度模块调度点云分割模块，以将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块, 当 t=n时结束，若是，则调度回溯控制模块；

回溯控制模块，用于在 t-¹至中按照对应的植物生长时间的倒序顺序依次取 ( l j t- l ), 将^做为待分割点云帧、的后一点云帧做为待分割点云帧的相邻点云帧传递给点云分割模块并启动点云分割模块，以重新分割前面的点云帧中的点云，直到重新分割后的点云帧 F^j的叶片点云块和枝干点云块的数量没有增加，则停止启动点云分割模块并通知调度模块调度点云分割模块，以将^的下一个点云帧 ^t+1 中的点云分割为叶片点云块和枝干点云块。

8、根据权利要求 7所述的植物器官点云的分割系统，其特征在于，所述点云分割模块包括：

数据点分类模块，用于根据待分割点云帧的相邻点云帧中叶片点云块和枝干点云块的信息以及待分割点云帧的数据点的平坦性特征将待分割点云帧中的数据点分类为叶片点或枝干点；

枝干点云块聚合模块，建立待分割点云帧中枝干点的最小生成树，将最小生成树分割成不包含分叉枝干的独立分支，将待分割点云帧中的枝干点映射到各独立分支上，形成各个枝干点云块，一个独立分支对应一个枝干点云块；

独立器官点云块提取模块，用于查找待分割点云帧和相邻点云帧中每一个叶片点云块和枝干点云块对应的与自身重叠数据点最多的点云块，并标记该对应的点云块，提取待分割点云帧和相邻点云帧中被标记次数小于 2 的叶片点云块和枝干点云块；

9、根据权利要求 8所述的植物器官点云的分割系统，其特征在于，所述数据点分类模块包括：

记待分割点云帧中数据点集合为 /^ = { }, 植物器官数据点类别集合为 {L,S},其中 L代表叶片点类别、 S代表枝干点类别， /_β为将映射到集合 {L,S} 的分类函数，所述目标能量函数如下： p^tep^t p^t,q^teN_pt

其巾：表示将 ^数据点分类为 β(ί^)的代价，

0

0 0

0

z)_pt(/ 即为 ^( )= 的代价， _t(S)即为 ^( ) = S的代价，

?( ）为 ^的平坦性特征， R(pt = log (max (C(p^f),c_£)), c_£为预设的大于 0而小于 1/3的常量， ( )为^的曲率特征, Cip^ ^ +λ₂ +λ₃),其中 2和 ₃是对的邻域点进行主成份分析得到的特征值， λ ≤ λ₂3.λ₁≤ λ₃;

¾L = i g(c_£), = log ); (2) ^为中与^相邻的数据点;

表示将相邻的数据点 ^和^分类为 ^( )和^(^)的代

其中， ( t'qt) Ε N_pt, ( ）为^的曲率特征， C(qt)为 qt的曲率特征；分类单元，用于将待分割点云帧中的数据点按照求解得到的分类函数分类为叶片点或枝干点。

10、根据权利要求 9所述的植物器官点云的分割系统，其特征在于，记所述提取的各个叶片点云块的对应类别分别为 L₂,…， L_m , LP为待分割点云帧中的叶片点集合，〇为将 LP映射到 {l^Ly'Lm}的叶片分类函数;

E(A)

f_L

其巾：

Dp_t(fi pt))表示将叶片点分类到 fi pt)的代价， d(pt,f_L(pt))表示婦 pt 到目标分块 Α(^)中最近点的距离；

(2)

i 为/^中与 ^相邻的数据点；

N^ ^于对 LP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW( )的定义与上述）的定义相同，表示将相邻的数据点 ^和^分类为 f_L(pt)和 f_L(qt)的代价。

11、根据权利要求 9 所述的植物器官点云的分割系统，其特征在于，记所述提取的各个枝干点云块的对应类别分别为 , S₂ ,…， S„ , SP为待分割点云帧中的枝干点集合， f_s〇为将 SP映射到的枝干分类函数，

枝干点云块重分割模块用于求解使得如下枝干分类代价函数 £( ^)达到最小的枝干点分类函数 s ( ) ,将待分割点云帧中的枝干点按照求解得到的枝干点分类函数 s ( )分

若 ^ ,^( ）≤

若 ≠ , _Ρ ≥

表示将枝干点 pt分类到的代价，。(pt)为^的朝向信息，

(2) i 为 SP中与 ^相邻的数据点；

N^ ^于对 SP进行 Delaunay三角剖分并去除大于阈值 ε的边形成的邻域系； V_pW( )的定义与上述 )的定义相同， ν_{ρ ιί}( (ρ , (^))表示将相邻的数据点 ^和^分类为 f_s(pt)和 f_s(qt)的代价。

12、根据权利要求 9所述的植物器官点云的分割系统，其特征在于，第一点云帧分割模块用于将第一点云帧 F¹作为待分割点云帧，按照所述分类函数求解单元和分类单元的处理过程将 F¹的数据点分类为叶片点或枝干点，并按照叶片点云块聚合模块和枝干点云块聚合模块的处理过程将中的点云分割为叶片点云块和枝干点云块，按照所述分类函数求解单元的处理过程求解分类函数时， ζ (ζ和 z (S)的计算适用 | }| = 0和 |{S_S }| = 0的情况。