CN103218817B - 植物器官点云的分割方法和*** - Google Patents
植物器官点云的分割方法和*** Download PDFInfo
- Publication number
- CN103218817B CN103218817B CN201310138373.0A CN201310138373A CN103218817B CN 103218817 B CN103218817 B CN 103218817B CN 201310138373 A CN201310138373 A CN 201310138373A CN 103218817 B CN103218817 B CN 103218817B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- msup
- mrow
- msub
- branch
- 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
- 210000000056 organ Anatomy 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 74
- 230000008635 plant growth Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 99
- 238000005070 sampling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000005305 organ development Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/162—Segmentation; Edge detection involving graph-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种植物器官点云的分割方法和***,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
【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***。
【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)、体积以及拓扑结构(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缓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、体积以及拓扑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***。
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;
S140:根据第一点云帧F1中数据点的平坦性特征将第一点云帧F1中的点云分割为叶片点云块和枝干点云块;
S160: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F2至Fn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Ft(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Ft的前一点云帧Ft-1中叶片点云块和枝干点云块的信息以及Ft的数据点的平坦性特征将Ft中的点云分割为叶片点云块和枝干点云块;
S240:判断Ft所包含的枝干点云块数量是否多于Ft-1所包含的枝干点云块数量或者Ft所包含的叶片点云块数量是否多于Ft-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Ft的下一个点云帧Ft+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Ft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Ft的下一个点云帧Ft+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Ft前面的某一个点云帧Fj(1≤j≤t-1)中的点云包括以下步骤:
S282:根据Fj的后一点云帧Fj+1中叶片点云块和枝干点云块的信息以及Fj的数据点的平坦性特征将Fj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Ft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Fj记为待分割点云帧、Fj+1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Pt={pt},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,fB为将Pt映射到集合{L,S}的分类函数,所述目标能量函数如下:
其中:
(1)表示将pt数据点分类为fB(pt)的代价,
即为fB(pt)=L的代价,即为fB(pt)=S的代价,
R(pt)为pt的平坦性特征,R(pt)=log(max(C(pt),cε)),cε为预设的大于0而小于1/3的常量,C(pt)为pt的曲率特征,C(pt)=λ1/(λ1+λ2+λ3),其中λ1、λ2和λ3是对pt的邻域点进行主成份分析得到的特征值,λ1≤λ2且λ1≤λ3;
{Ll}为相邻点云帧中叶片点云块的集合,|{Ll}|为{Ll}元素的个数,Ll*为{Ll}中与pt距离最近的叶片点云块,R(Ll*)为Ll*中的数据点的平坦性特征的平均值;{Ss}为相邻点云帧中枝干点云块的集合,|{Ss}|为{Ss}元素的个数,Ss*为{Ss}中与pt距离最近的枝干点云块,R(Ss*)为Ss*中的数据点的平坦性特征的平均值;
(2)qt为Pt中与pt相邻的数据点;
表示将相邻的数据点pt和qt分类为fB(pt)和fB(qt)的代价,
其中,为pt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L1,L2,...,Lm,LP为待分割点云帧中的叶片点集合,fL()为将LP映射到{L1,L2,...,Lm}丑的叶片分类函数;
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E(fL)达到最小的叶片点分类函数fL(),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:
其中:
(1)
表示将叶片点pt分类到fL(pt)的代价,d(pt,fL(pt))表示数据点pt到目标分块fL(pt)中最近点的距离;
(2)
qt为LP中与pt相邻的数据点;
是基于对LP进行Delaunay三角剖分并去除大于阈值ε的边形成的邻域系;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fL(pt)和fL(qt)的代价。
在一个其中实施例中,记所述提取的各个枝干点云块的对应类别分别为S1,S2,...,Sn,SP为待分割点云帧中的枝干点集合,fS()为将SP映射到{S1,S2,...,Sn}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(fS)达到最小的枝干点分类函数fS(),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fS()分类到提取的各个枝干点云块对应的类别上:
其中:
(1)
表示将枝干点pt分类到fS(pt)的代价,o(pt)为pt的朝向信息,o(pt)=(x,y,z),其中x、y和z是对pt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,O(fS(pt))为fS(pt)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,为预设的惩罚项,d(pt,fS(pt))为pt与fS(pt)对应的枝干点云块的距离;
(2)
qt为SP中与pt相邻的数据点;
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;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fS(pt)和fS(qt)的代价。
在其中一个实施例中,将第一点云帧F1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F1中的点云分割为叶片点云块和枝干点云块,计算过程中,和的计算适用|{Ll}|=0和|{Ss}|=0的情况。
一种植物器官点云的分割***,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F1,…,Ft,…,Fn;
第一点云帧分割模块,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F1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Fn中按照对应的植物生长时间的先后顺序依次取Ft(2≤t≤n),将Ft做为待分割点云帧、Ft的前一点云帧Ft-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Ft后判断Ft所包含的枝干点云块数量是否多于Ft-1所包含的枝干点云块数量或者Ft所包含的叶片点云块数量是否多于Ft-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Ft的下一个点云帧Ft+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Ft-1至F1中按照对应的植物生长时间的倒序顺序依次取Fj(1≤j≤t-1),将Fj做为待分割点云帧、Fj的后一点云帧Fj+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,以重新分割Ft前面的点云帧中的点云,直到重新分割后的点云帧Fj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Ft的下一个点云帧Ft+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Pt={pt},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,fB为将Pt映射到集合{L,S}的分类函数,所述目标能量函数如下:
其中:
(1)表示将pt数据点分类为fB(pt)的代价,
即为fB(pt)=L的代价,即为fB(pt)=S的代价,
R(pt)为pt的平坦性特征,R(pt)=log(max(C(pt),cε)),cε为预设的大于0而小于1/3的常量,C(pt)为pt的曲率特征,C(pt)=λ1/(λ1+λ2+λ3),其中λ1、λ2和λ3是对pt的邻域点进行主成份分析得到的特征值,λ1≤λ2且λ1≤λ3;
{Ll}为相邻点云帧中叶片点云块的集合,|{Ll}|为{Ll}元素的个数,Ll*为{Ll}中与pt距离最近的叶片点云块,R(Ll*)为Ll*中的数据点的平坦性特征的平均值;{Ss}为相邻点云帧中枝干点云块的集合,|{Ss}|为{Ss}元素的个数,Ss*为{Ss}中与pt距离最近的枝干点云块,R(Ss*)为Ss*中的数据点的平坦性特征的平均值;
(2)qt为Pt中与pt相邻的数据点;
表示将相邻的数据点pt和qt分类为fB(pt)和fB(qt)的代价,
其中,C(pt)为pt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L1,L2,...,Lm,LP为待分割点云帧中的叶片点集合,fL()为将LP映射到{L1,L2,...,Lm}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E(fL)达到最小的叶片点分类函数fL()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fL()分类到提取的各个叶片点云块对应的类别上
其中:
(1)
表示将叶片点pt分类到fL(pt)的代价,d(pt,fL(pt))表示数据点pt到目标分块fL(pt)中最近点的距离;
(2)
qt为LP中与pt相邻的数据点;
是基于对LP进行Delaunay三角剖分并去除大于阈值ε的边形成的邻域系;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fL(pt)和fL(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S1,S2,...,Sn,SP为待分割点云帧中的枝干点集合,fS()为将SP映射到{S1,S2,...,Sn}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E(fS)达到最小的枝干点分类函数fS(),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fS()分类到提取的各个枝干点云块对应的类别上:
其中:
(1)
表示将枝干点pt分类到fS(pt)的代价,o(pt)为pt的朝向信息,o(pt)=(x,y,z),其中x、y和z是对pt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,O(fS(pt))为fS(pt)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,为预设的惩罚项,d(pt,fS(pt))为pt与fS(pt)对应的枝干点云块的距离;
(2)
qt为SP中与pt相邻的数据点;
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;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fS(pt)和fS(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F1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,和的计算适用|{Ll}|=0和|{Ss}|=0的情况。
上述植物器官点云的分割方法和***,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S160中将某一个点云帧Ft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***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。
S140:根据第一点云帧F1中数据点的平坦性特征将第一点云帧F1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。
S160: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F2至Fn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S160中将某一个点云帧Ft(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Ft的前一点云帧Ft-1中叶片点云块和枝干点云块的信息以及Ft的数据点的平坦性特征将Ft中的点云分割为叶片点云块和枝干点云块。
S240:判断Ft所包含的枝干点云块数量是否多于Ft-1所包含的枝干点云块数量或者Ft所包含的叶片点云块数量是否多于Ft-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Ft的下一个点云帧Ft+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Ft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Ft的下一个点云帧Ft+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Ft前面的某一个点云帧Fj(1≤j≤t-1)中的点云包括步骤S282:根据Fj的后一点云帧Fj+1中叶片点云块和枝干点云块的信息以及Fj的数据点的平坦性特征将Fj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Ft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Fj记为待分割点云帧、Fj+1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Pt={pt},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,fB为将Pt映射到集合{L,S}的分类函数,即,fB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:
其中:
(1)表示将pt数据点分类为fB(pt)的代价,
即为fB(pt)=L的代价,即为fB(pt)=S的代价,
R(pt)为pt的平坦性特征,R(pt)=log(max(C(pt),cε)),cε为预设的大于0而小于1/3的常量,C(pt)为pt的曲率特征,C(pt)=λ1/(λ1+λ2+λ3),其中λ1、λ2和λ3是对pt的邻域点进行主成份分析得到的特征值,λ1≤λ2且λ1≤λ3;
{Ll}为相邻点云帧中叶片点云块的集合,|{Ll}|为{Ll}元素的个数,Ll*为{Ll}中与pt距离最近的叶片点云块,R(Ll*)为Ll*中的数据点的平坦性特征的平均值;{Ss}为相邻点云帧中枝干点云块的集合,|{Ss}|为{Ss}元素的个数,Ss*为{Ss}中与pt距离最近的枝干点云块,R(Ss*)为Ss*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pt所对应的曲率特征C(pt)都具有较小的数值,因此,可以通过C(pt)有效地从点云中区分出枝干和发育的叶片。C(pt)分布于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C(pt)上取为一个非0的常量cε(参考值:0.015)以避免C(pt)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R(pt),定义R(pt)=log(max(C(pt),cε)),并定义以及则R(pt)将分布于从R(pt)到和的距离度量了数据点pt被分类为叶片或枝干的代价。
因此,上述公式中,若或则
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。使用全局绝对值和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,而不是全局绝对值和
因此,上述公式中,若且则
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)qt为Pt中与pt相邻的数据点;
表示将相邻的数据点pt和qt分类为fB(pt)和fB(qt)的代价,
其中,C(pt)为pt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小,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(MarkovRandomFields)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S1、S2、S3、S4、S5、S6和S7。与S1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S1、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L1,L2,...,Lm,LP为待分割点云帧中的叶片点集合,fL()为将LP映射到{L1,L2,...,Lm}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E(fL)达到最小的叶片点分类函数fL(),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fL()分类到提取的各个叶片点云块对应的类别上
其中:
(1)
表示将叶片点pt分类到fL(pt)的代价,d(pt,fL(pt))表示数据点pt到目标分块fL(pt)中最近点的距离;
(2)
qt为LP中与pt相邻的数据点;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fL(pt)和fL(qt)的代价。
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S1,S2,...,Sn,SP为待分割点云帧中的枝干点集合,fS()为将SP映射到{S1,S2,...,Sn}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(fS)达到最小的枝干点分类函数fS()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fS()分类到提取的各个枝干点云块对应的类别上:
其中:
(1)
表示将枝干点分类到fS(pt)的代价,o(pt)为pt的朝向信息,o(pt)=(x,y,z),其中x、y和z是对pt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,O(fS(pt))为fS(pt))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,为预设的惩罚项,d(pt,fS(pt))为pt与fS(pt)对应的枝干点云块的距离;
(2)
qt为SP中与pt相邻的数据点;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fS(pt)和fS(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S140可按照步骤S410、S420、S320和S330将第一点云帧F1中的点云分割为叶片点云块和枝干点云块,计算过程中,和的计算适用|{Ll}|=0和|{Ss}|=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***,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F1,…,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F1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F2至Fn中按照对应的植物生长时间的先后顺序依次取Ft(2≤t≤n),将Ft做为待分割点云帧、Ft的前一点云帧Ft-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Ft后判断Ft所包含的枝干点云块数量是否多于Ft-1所包含的枝干点云块数量或者Ft所包含的叶片点云块数量是否多于Ft-1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Ft的下一个点云帧Ft+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Ft-1至F1中按照对应的植物生长时间的倒序顺序依次取Fj(1≤j≤t-1),将Fj做为待分割点云帧、Fj的后一点云帧Fj+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40,以重新分割Ft前面的点云帧中的点云,直到重新分割后的点云帧Fj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Ft的下一个点云帧Ft+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Pt={pt},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,fB为将Pt映射到集合{L,S}的分类函数,即,fB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:
其中:
(1)表示将pt数据点分类为fB(pt)的代价,
即为fB(pt)=L的代价,即为fB(pt)=S的代价,
R(pt)为pt的平坦性特征,R(pt)=log(max(C(pt),cε)),cε为预设的大于0而小于1/3的常量,C(pt)为pt的曲率特征,C(pt)=λ1/(λ1+λ2+λ3),其中λ1、λ2和λ3是对pt的邻域点进行主成份分析得到的特征值,λ1≤λ2且λ1≤λ3;
{Ll}为相邻点云帧中叶片点云块的集合,|{Ll}|为{Ll}元素的个数,Ll*为{Ll}中与pt距离最近的叶片点云块,R(Ll*)为Ll*中的数据点的平坦性特征的平均值;{Ss}为相邻点云帧中枝干点云块的集合,|{Ss}|为{Ss}元素的个数,Ss*为{Ss}中与pt距离最近的枝干点云块,R(Ss*)为Ss*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pt所对应的曲率特征C(pt)都具有较小的数值,因此,可以通过C(pt)有效地从点云中区分出枝干和发育的叶片。C(pt)分布于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C(pt)上取为一个非0的常量cε(参考值:0.015)以避免C(pt)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R(pt),定义R(pt)=log(max(C(pt),cε)),并定义以及则R(pt)将分布于从R(pt)到和的距离度量了数据点pt被分类为叶片或枝干的代价。
因此,上述公式中,若或则
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。使用全局绝对值和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,而不是全局绝对值和
因此,上述公式中,若且则
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)qt为Pt中与pt相邻的数据点;
表示将相邻的数据点pt和qt分类为fB(pt)和fB(qt)的代价,
其中,C(pt)为pt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小,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(MarkovRandomFields)问题,可以使用图割算法来进行近似求解。
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S1、S2、S3、S4、S5、S6和S7。与S1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S1,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S1、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L1,L2,...,Lm,LP为待分割点云帧中的叶片点集合,fL()为将LP映射到{L1,L2,...,Lm}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(fL)达到最小的叶片点分类函数fL(),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fL()分类到提取的各个叶片点云块对应的类别上
其中:
(1)
表示将叶片点pt分类到fL(pt)的代价,d(pt,fL(pt))表示数据点pt到目标分块fL(pt)中最近点的距离;
(2)
qt为LP中与pt相邻的数据点;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fL(pt)和fL(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S1,S2,...,Sn,SP为待分割点云帧中的枝干点集合,fS()为将SP映射到{S1,S2,...,Sn}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E(fS)达到最小的枝干点分类函数fS(),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fS()分类到提取的各个枝干点云块对应的类别上:
其中:
(1)
表示将枝干点pt分类到fS(pt)的代价,o(pt)为pt的朝向信息,o(pt)=(x,y,z),其中x、y和z是对pt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,O(fS(pt))为fS(pt)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,为预设的惩罚项,d(pt,fS(pt))为pt与fS(pt)对应的枝干点云块的距离;
(2)
qt为SP中与pt相邻的数据点;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fS(pt)和fS(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F1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,和的计算适用|{Ll}|=0和|{Ss}|=0的情况。
上述植物器官点云的分割***,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-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,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 (8)
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;
S140:根据第一点云帧F1中数据点的平坦性特征将第一点云帧F1中的点云分割为叶片点云块和枝干点云块;
S160: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F2至Fn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Ft,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Ft的前一点云帧Ft-1中叶片点云块和枝干点云块的信息以及Ft的数据点的平坦性特征将Ft中的点云分割为叶片点云块和枝干点云块;
S240:判断Ft所包含的枝干点云块数量是否多于Ft-1所包含的枝干点云块数量或者Ft所包含的叶片点云块数量是否多于Ft-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Ft的下一个点云帧Ft+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Ft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Ft的下一个点云帧Ft+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Ft前面的某一个点云帧Fj,1≤j≤t-1,中的点云包括以下步骤:
S282:根据Fj的后一点云帧Fj+1中叶片点云块和枝干点云块的信息以及Fj的数据点的平坦性特征将Fj中的点云分割为叶片点云块和枝干点云块;
将上述步骤S220中的Ft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Fj记为待分割点云帧、Fj+1记为待分割点云帧的相邻点云帧,则
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;
其中,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Pt={pt},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,fB为将Pt映射到集合{L,S}的分类函数,所述目标能量函数如下:
其中:
(1)表示将pt数据点分类为fB(pt)的代价,
即为fB(pt)=L的代价,即为fB(pt)=S的代价,
R(pt)为pt的平坦性特征,R(pt)=log(max(C(pt),cε)),cε为预设的大于0而小于1/3的常量,C(pt)为pt的曲率特征,C(pt)=λ1/(λ1+λ2+λ3),其中λ1、λ2和λ3是对pt的邻域点进行主成份分析得到的特征值,λ1≤λ2且λ1≤λ3;
{Ll}为相邻点云帧中叶片点云块的集合,|{Ll}|为{Ll}元素的个数,Ll*为{Ll}中与pt距离最近的叶片点云块,R(Ll*)为Ll*中的数据点的平坦性特征的平均值;{Ss}为相邻点云帧中枝干点云块的集合,|{Ss}|为{Ss}元素的个数,Ss*为{Ss}中与pt距离最近的枝干点云块,R(Ss*)为Ss*中的数据点的平坦性特征的平均值;
(2)qt为Pt中与pt相邻的数据点;
是基于对Pt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pt和qt分类为fB(pt)和fb(qt)的代价,
其中,C(pt)为pt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L1,L2,…,Lm。
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,记所述提取的各个叶片点云块的对应类别分别为L1,L2,…,Lm,LP为待分割点云帧中的叶片点集合,fL()为将LP映射到{L1,L2,…,Lm}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E(fL)达到最小的叶片点分类函数fL(),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:
其中:
(1)
表示将叶片点pt分类到fL(pt)的代价,d(pt,fL(pt))表示数据点pt到目标分块fL(pt)中最近点的距离;
(2)
qt为LP中与pt相邻的数据点;
是基于对LP进行Delaunay三角剖分并去除大于阈值ε的边形成的邻域系;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fL(pt)和fL(qt)的代价。
3.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,记所述提取的各个枝干点云块的对应类别分别为S1,S2,…,Sn,SP为待分割点云帧中的枝干点集合,fS()为将SP映射到{S1,S2,…,Sn}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(fS)达到最小的枝干点分类函数fS(),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fS()分类到提取的各个枝干点云块对应的类别上:
其中:
(1)
表示将枝干点pt分类到fS(pt)的代价,o(pt)为pt的朝向信息,o(pt)=(x,y,z),其中x、y和z是对pt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,O(fS(pt))为fS(pt)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,γ为预设的惩罚项,d(pt,fS(pt))为pt与fS(pt)对应的枝干点云块的距离;
(2)
qt为SP中与pt相邻的数据点;
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;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fS(pt)和fS(qt)的代价。
4.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,将第一点云帧F1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F1中的点云分割为叶片点云块和枝干点云块,计算过程中,和的计算适用|{Ll}|=0和|{Ss}|=0的情况。
5.一种植物器官点云的分割***,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F1,...,Ft,...,Fn;
第一点云帧分割模块,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F1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Fn中按照对应的植物生长时间的先后顺序依次取Ft,2≤t≤n,将Ft做为待分割点云帧、Ft的前一点云帧Ft-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Ft后判断Ft所包含的枝干点云块数量是否多于Ft-1所包含的枝干点云块数量或者Ft所包含的叶片点云块数量是否多于Ft-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Ft的下一个点云帧Ft+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Ft-1至F1中按照对应的植物生长时间的倒序顺序依次取Fj,1≤j≤t-1,将Fj做为待分割点云帧、Fj的后一点云帧Fj+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,以重新分割Ft前面的点云帧中的点云,直到重新分割后的点云帧Fj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Ft的下一个点云帧Ft+1中的点云分割为叶片点云块和枝干点云块;
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;
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Pt={pt},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,fB为将Pt映射到集合{L,S}的分类函数,所述目标能量函数如下:
其中:
(1)表示将pt数据点分类为fB(pt)的代价,
即为fB(pt)=L的代价,即为fB(pt)=S的代价,
R(pt)为pt的平坦性特征,R(pt)=log(max(C(pt),cε)),cε为预设的大于0而小于1/3的常量,C(pt)为pt的曲率特征,C(pt)=λ1/(λ1+λ2+λ3),其中λ1、λ2和λ3是对pt的邻域点进行主成份分析得到的特征值,λ1≤λ2且λ1≤λ3;
{Ll}为相邻点云帧中叶片点云块的集合,|{Ll}|为{Ll}元素的个数,Ll*为{Ll}中与pt距离最近的叶片点云块,R(Ll*)为Ll*中的数据点的平坦性特征的平均值;{Ss}为相邻点云帧中枝干点云块的集合,|{Ss}|为{Ss}元素的个数,Ss*为{Ss}中与pt距离最近的枝干点云块,R(Ss*)为Ss*中的数据点的平坦性特征的平均值;
(2)qt为Pt中与pt相邻的数据点;
表示将相邻的数据点pt和qt分类为fB(pt)和fB(qt)的代价,
其中,C(pt)为pt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。
6.根据权利要求5所述的植物器官点云的分割***,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L1,L2,…,Lm,LP为待分割点云帧中的叶片点集合,fL()为将LP映射到{L1,L2,…,Lm}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E(fL)达到最小的叶片点分类函数fL(),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fL()分类到提取的各个叶片点云块对应的类别上:
其中:
(1)
表示将叶片点pt分类到fL(pt)的代价,d(pt,fL(pt))表示数据点pt到目标分块fL(pt)中最近点的距离;
(2)
qt为LP中与pt相邻的数据点;
是基于对LP进行Delaunay三角剖分并去除大于阈值ε的边形成的邻域系;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fL(pt)和fL(qt)的代价。
7.根据权利要求5所述的植物器官点云的分割***,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S1,S2,…,Sn,SP为待分割点云帧中的枝干点集合,fS()为将SP映射到{S1,S2,…,Sn}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E(fS)达到最小的枝干点分类函数fS(),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fS()分类到提取的各个枝干点云块对应的类别上:
其中:
(1)
表示将枝干点pt分类到fS(pt)的代价,o(pt)为pt的朝向信息,o(pt)=(x,y,z),其中x、y和z是对pt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,O(fS(pt))为fS(pt)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,γ为预设的惩罚项,d(pt,fS(pt))为pt与fS(pt)对应的枝干点云块的距离;
(2)
qt为SP中与pt相邻的数据点;
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;
的定义与上述的定义相同,表示将相邻的数据点pt和qt分类为fS(pt)和fS(qt)的代价。
8.根据权利要求5所述的植物器官点云的分割***,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F1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,和的计算适用|{Ll}|=0和|{Ss}|=0的情况。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310138373.0A CN103218817B (zh) | 2013-04-19 | 2013-04-19 | 植物器官点云的分割方法和*** |
PCT/CN2013/083455 WO2014169562A1 (zh) | 2013-04-19 | 2013-09-13 | 植物器官点云的分割方法和*** |
US14/765,806 US9547793B2 (en) | 2013-04-19 | 2013-09-13 | Method and system for dividing plant organ point cloud |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310138373.0A CN103218817B (zh) | 2013-04-19 | 2013-04-19 | 植物器官点云的分割方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218817A CN103218817A (zh) | 2013-07-24 |
CN103218817B true CN103218817B (zh) | 2015-11-18 |
Family
ID=48816560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310138373.0A Active CN103218817B (zh) | 2013-04-19 | 2013-04-19 | 植物器官点云的分割方法和*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US9547793B2 (zh) |
CN (1) | CN103218817B (zh) |
WO (1) | WO2014169562A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013209109A1 (de) * | 2013-05-16 | 2014-11-20 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zum Parametrisieren einer Pflanze |
CN103714555B (zh) * | 2013-12-13 | 2017-06-13 | 中国科学院深圳先进技术研究院 | 一种基于运动轨迹的四维运动点云分割与重建方法 |
CN104091321B (zh) * | 2014-04-14 | 2016-10-19 | 北京师范大学 | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 |
CN106447771B (zh) * | 2016-10-18 | 2019-01-11 | 中国科学院深圳先进技术研究院 | 花朵开放过程的重建方法及装置 |
US11275941B2 (en) | 2018-03-08 | 2022-03-15 | Regents Of The University Of Minnesota | Crop models and biometrics |
CN112313703B (zh) * | 2018-06-15 | 2024-05-28 | 宝马股份公司 | 点云的增量分割 |
CN110838122B (zh) * | 2018-08-16 | 2022-06-14 | 北京大学 | 点云的分割方法、装置及计算机存储介质 |
CN111866484B (zh) * | 2019-04-30 | 2023-06-20 | 华为技术有限公司 | 点云编码方法、点云解码方法、装置及存储介质 |
CN110837849B (zh) * | 2019-10-16 | 2022-04-08 | 中国农业科学院农业信息研究所 | 植株叶片的叶脉获取方法 |
CN111553937B (zh) * | 2020-04-23 | 2023-11-21 | 东软睿驰汽车技术(上海)有限公司 | 激光点云地图构建方法、装置、设备及*** |
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*** |
JP2022186156A (ja) * | 2021-06-04 | 2022-12-15 | 富士通株式会社 | 特徴量算出プログラム、特徴量算出方法および情報処理装置 |
CN113420846A (zh) * | 2021-08-24 | 2021-09-21 | 天津云圣智能科技有限责任公司 | 点云分割方法、装置及终端设备 |
CN114005319B (zh) * | 2021-10-09 | 2024-04-05 | 精兵特种装备(福建)有限公司 | 一种实兵交战*** |
CN118031975B (zh) * | 2024-04-15 | 2024-06-11 | 山东省科霖检测有限公司 | 一种大规模环境湿度监测方法与*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938162A (zh) * | 2012-10-18 | 2013-02-20 | 深圳先进技术研究院 | 基于样本的植物模型建立装置与方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8559680B2 (en) * | 2008-04-03 | 2013-10-15 | Hochschule Munchen | Method and device for computer-aided segmentation of an environment into individual objects |
CN102467753B (zh) | 2010-11-04 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 基于骨架配准的时变点云重建方法及*** |
US8680994B2 (en) * | 2010-12-30 | 2014-03-25 | Utility Risk Management Corporation, Llc | Method for locating vegetation having a potential to impact a structure |
CN102256061B (zh) | 2011-07-29 | 2013-06-05 | 武汉大学 | 一种二维三维混合的视频稳定方法 |
-
2013
- 2013-04-19 CN CN201310138373.0A patent/CN103218817B/zh active Active
- 2013-09-13 US US14/765,806 patent/US9547793B2/en active Active
- 2013-09-13 WO PCT/CN2013/083455 patent/WO2014169562A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938162A (zh) * | 2012-10-18 | 2013-02-20 | 深圳先进技术研究院 | 基于样本的植物模型建立装置与方法 |
Non-Patent Citations (4)
Title |
---|
Capturing and Animating the Morphogenesis of Polygonal Tree Models;Sören Pirk et al;《ACM Transactions on Graphics》;20121130;第31卷(第6期);全文 * |
Computational models of plant development and form;Przemyslaw Prusinkiewicz and Adam Runions;《New Phytologist》;20121231;第193卷;全文 * |
Modeling and Generating Moving Trees from Video;Chuan Li et al;《ACM Transactions on Graphics》;20111231;第30卷(第6期);全文 * |
基于Lobe表示的树木快速3D建模;程章林 等;《计算机辅助设计与图形学学报》;20120131;第24卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2014169562A1 (zh) | 2014-10-23 |
US20150379350A1 (en) | 2015-12-31 |
US9547793B2 (en) | 2017-01-17 |
CN103218817A (zh) | 2013-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218817B (zh) | 植物器官点云的分割方法和*** | |
CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类***及方法 | |
CN110008962B (zh) | 基于注意力机制的弱监督语义分割方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN112528058B (zh) | 基于图像属性主动学习的细粒度图像分类方法 | |
CN110096979B (zh) | 模型的构建方法、人群密度估计方法、装置、设备和介质 | |
CN110348435A (zh) | 一种基于裁剪区域候选网络的目标检测方法及*** | |
CN111340831A (zh) | 点云边缘检测方法和装置 | |
US20190065890A1 (en) | System and method for plant leaf identification | |
CN109815973A (zh) | 一种适用于鱼类细粒度识别的深度学习方法 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN115240843A (zh) | 基于结构因果模型的公平性预测*** | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN113313169B (zh) | 基于深度学习的训练素材智能识别方法、装置和设备 | |
CN112101313B (zh) | 一种机房机器人巡检方法及*** | |
CN114120359A (zh) | 一种基于堆叠沙漏网络的群养猪体尺测量方法 | |
CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集***及方法 | |
CN111696122A (zh) | 农作物表型参数提取方法及装置 | |
CN104468276A (zh) | 基于随机抽样多分类器的网络流量识别方法 | |
CN116206208A (zh) | 一种基于人工智能的林业病虫害快速分析*** | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别***和方法 | |
CN113723833B (zh) | 造林实绩质量评价方法、***、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |