CN103218817B - 植物器官点云的分割方法和*** - Google Patents

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

植物器官点云的分割方法和***

【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，…，F^t,…，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F^t(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F^t的前一点云帧F^t-1中叶片点云块和枝干点云块的信息以及F^t的数据点的平坦性特征将F^t中的点云分割为叶片点云块和枝干点云块；

S240：判断F^t所包含的枝干点云块数量是否多于F^t-1所包含的枝干点云块数量或者F^t所包含的叶片点云块数量是否多于F^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F^t的下一个点云帧F^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F^t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F^t的下一个点云帧F^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F^t前面的某一个点云帧F^j（1≤j≤t-1）中的点云包括以下步骤：

S282：根据F^j的后一点云帧F^j+1中叶片点云块和枝干点云块的信息以及F^j的数据点的平坦性特征将F^j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F^t记为待分割点云帧、F^t-1记为待分割点云帧的相邻点云帧，上述步骤S282中的F^j记为待分割点云帧、F^j+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P^t={p^t}，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，f_B为将P^t映射到集合{L，S}的分类函数，所述目标能量函数如下：

$E\left(f_B\right)=\underset{p^t\∈P^t}{\mathrm{\Σ}}{D}_{p^t}\left(f_B\left(p^t\right)\right)+\underset{p^t,q^t\∈N_{P^t}}{\mathrm{\Σ}}{V}_{p^t,q^t}(f_B\left(p^t\right),f_B\left(q^t\right))$

其中：

（1）表示将p^t数据点分类为f_B(p^t)的代价，

即为f_B(p^t)=L的代价，即为f_B(p^t)=S的代价,

R(p^t)为p^t的平坦性特征，R(p^t)=log(max(C(p^t)，c_ε))，c_ε为预设的大于0而小于1/3的常量，C(p^t)为p^t的曲率特征，C（p^t)=λ₁/(λ₁+λ₂+λ₃),其中λ₁、λ₂和λ₃是对p^t的邻域点进行主成份分析得到的特征值，λ₁≤λ₂且λ₁≤λ₃；

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

（2）q^t为P^t中与p^t相邻的数据点；

$N_{P^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\}{N}_{P^t}$ 是基于对P^t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p^t和q^t分类为f_B(p^t)和f_B(q^t)的代价，

其中，为p^t的曲率特征，C(q^t)为q^t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,...,L_m,LP为待分割点云帧中的叶片点集合，f_L()为将LP映射到{L₁，L₂，...，L_m}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(f_L)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:

$E\left(f_L\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{LP}}{D}_{p^t}\left(f_L\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{L^t}}{V}_{p^t,q^t}(f_L\left(p^t\right),f_L\left(q^t\right))$

其中：

（1）

$D_{p^t}\left(f_L\left(p^t\right)\right)=d(p^t,f_L\left(p^t\right))$

表示将叶片点p^t分类到f_L(p^t)的代价，d(p^t,f_L(p^t))表示数据点p^t到目标分块f_L(p^t)中最近点的距离；

（2）

q^t为LP中与p^t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p^t和q^t分类为f_L(p^t)和f_L(q^t)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,...，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{S₁,S₂,...,S_n}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f_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f_S()分类到提取的各个枝干点云块对应的类别上：

$E\left(f_S\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{SP}}{D}_{p^t}\left(f_S\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{S^t}}{V}_{p^t,q^t}(f_S\left(p^t\right),f_S\left(q^t\right))$

其中：

（1）

表示将枝干点p^t分类到f_S(p^t)的代价，o(p^t)为p^t的朝向信息，o(p^t)=(x,y,z),其中x、y和z是对p^t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(f_S(p^t))为f_S(p^t)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(p^t,f_S(p^t))为p^t与f_S(p^t)对应的枝干点云块的距离；

（2）

q^t为SP中与p^t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p^t和q^t分类为f_S(p^t)和f_S(q^t)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|{L_l}|=0和|{S_s}|=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，…，F^t，…，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F^t（2≤t≤n），将F^t做为待分割点云帧、F^t的前一点云帧F^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^t所包含的枝干点云块数量是否多于F^t-1所包含的枝干点云块数量或者F^t所包含的叶片点云块数量是否多于F^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F^t的下一个点云帧F^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F^t-1至F¹中按照对应的植物生长时间的倒序顺序依次取F^j（1≤j≤t-1），将F^j做为待分割点云帧、F^j的后一点云帧F^j+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F^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调度点云分割模块，以将F^t的下一个点云帧F^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P^t={p^t}，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，f_B为将P^t映射到集合{L,S}的分类函数，所述目标能量函数如下：

$E\left(f_B\right)=\underset{p^t\&Element;P^t}{\mathrm{\&Sigma;}}{D}_{p^t}\left(f_B\left(p^t\right)\right)+\underset{p^t,q^t\&Element;N_{P^t}}{\mathrm{\&Sigma;}}{V}_{p^t,q^t}(f_B\left(p^t\right),f_B\left(q^t\right))$

其中：

（1）表示将p^t数据点分类为f_B(p^t)的代价，

即为f_B(p^t)=L的代价，即为f_B(p^t)=S的代价,

R(p^t)为p^t的平坦性特征，R(p^t)=log(max(C(p^t)，c_ε))，c_ε为预设的大于0而小于1/3的常量，C(p^t)为p^t的曲率特征，C(p^t)=λ₁/(λ₁+λ₂+λ₃),其中λ₁、λ₂和λ₃是对p^t的邻域点进行主成份分析得到的特征值，λ₁≤λ₂且λ₁≤λ₃；

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

（2）q^t为P^t中与p^t相邻的数据点；

$N_{P^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\}$ 是基于对P^t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p^t和q^t分类为f_B(p^t)和f_B(q^t)的代价，

其中，C(p^t)为p^t的曲率特征，C(q^t)为q^t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，...，L_m，LP为待分割点云帧中的叶片点集合，f_L()为将LP映射到{L₁，L₂，...,L_m}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(f_L)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

$E\left(f_L\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{LP}}{D}_{p^t}\left(f_L\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{L^t}}{V}_{p^t,q^t}(f_L\left(p^t\right),f_L\left(q^t\right))$

其中：

（1）

$D_{p^t}\left(f_L\left(p^t\right)\right)=d(p^t,f_L\left(p^t\right))$

表示将叶片点p^t分类到f_L(p^t)的代价，d(p^t,f_L(p^t))表示数据点p^t到目标分块f_L(p^t)中最近点的距离；

（2）

q^t为LP中与p^t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p^t和q^t分类为f_L(p^t)和f_L(q^t)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,...，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{S₁,S₂,...，S_n}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(f_S)达到最小的枝干点分类函数f_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f_S()分类到提取的各个枝干点云块对应的类别上：

$E\left(f_S\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{SP}}{D}_{p^t}\left(f_S\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{S^t}}{V}_{p^t,q^t}(f_S\left(p^t\right),f_S\left(q^t\right))$

其中：

（1）

表示将枝干点p^t分类到f_S(p^t)的代价，o(p^t)为p^t的朝向信息，o(p^t)=(x,y,z)，其中x、y和z是对p^t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(f_S(p^t))为f_S(p^t)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(p^t，f_S(p^t))为p^t与f_S(p^t)对应的枝干点云块的距离；

（2）

q^t为SP中与p^t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p^t和q^t分类为f_S(p^t)和f_S(q^t)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|{L_l}|=0和|{S_s}|=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F^t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，…，F^t，…，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F^t（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F^t的前一点云帧F^t-1中叶片点云块和枝干点云块的信息以及F^t的数据点的平坦性特征将F^t中的点云分割为叶片点云块和枝干点云块。

S240：判断F^t所包含的枝干点云块数量是否多于F^t-1所包含的枝干点云块数量或者F^t所包含的叶片点云块数量是否多于F^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F^t的下一个点云帧F^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F^t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F^t的下一个点云帧F^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F^t前面的某一个点云帧F^j（1≤j≤t-1）中的点云包括步骤S282：根据F^j的后一点云帧F^j+1中叶片点云块和枝干点云块的信息以及F^j的数据点的平坦性特征将F^j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F^t记为待分割点云帧、F^t-1记为待分割点云帧的相邻点云帧，上述步骤S282中的F^j记为待分割点云帧、F^j+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P^t={p^t}，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，f_B为将P^t映射到集合{L，S}的分类函数，即，f_B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：

$E\left(f_B\right)=\underset{p^t\&Element;P^t}{\mathrm{\&Sigma;}}{D}_{p^t}\left(f_B\left(p^t\right)\right)+\underset{p^t,q^t\&Element;N_{P^t}}{\mathrm{\&Sigma;}}{V}_{p^t,q^t}(f_B\left(p^t\right),f_B\left(q^t\right))$

其中：

（1）表示将p^t数据点分类为f_B(p^t)的代价，

即为f_B(p^t)=L的代价，即为f_B(p^t)=S的代价,

R(p^t)为p^t的平坦性特征，R(p^t)=log(max(C(p^t)，c_ε))，c_ε为预设的大于0而小于1/3的常量，C(p^t)为p^t的曲率特征，C(p^t)=λ₁/(λ₁+λ₂+λ₃),其中λ₁、λ₂和λ₃是对p^t的邻域点进行主成份分析得到的特征值，λ₁≤λ₂且λ₁≤λ₃；

{L_l}为相邻点云帧中叶片点云块的集合，|{L_l}|为{L_l}元素的个数，L_l*为{L_l}中与p^t距离最近的叶片点云块，R(L_l*)为L_l*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p^t距离最近的枝干点云块，R(S_s*)为S_s*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p^t所对应的曲率特征C(p^t)都具有较小的数值，因此，可以通过C(p^t)有效地从点云中区分出枝干和发育的叶片。C(p^t)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(p^t)上取为一个非0的常量c_ε(参考值：0.015)以避免C(p^t)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(p^t),定义R(p^t)=log(max(C(p^t)，cε))，并定义以及则R(p^t)将分布于从R(p^t)到和的距离度量了数据点p^t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 $D_{p^t}\left(L\right)=\max (R\left(p^t\right)-R\left(L_{l*}^{t\&PlusMinus;1}\right),0),D_{p^t}\left(S\right)=\max (R\left(S_{s*}^{t\&PlusMinus;1}\right)-R\left(p^t\right),0).$

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）q^t为P^t中与p^t相邻的数据点；

$N_{P^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\}$ 是基于对P^t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，ε=3mm。

表示将相邻的数据点p^t和q^t分类为f_B(p^t)和f_B(q^t)的代价，

其中，C(p^t)为p^t的曲率特征，C(q^t)为q^t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，...，L_m，LP为待分割点云帧中的叶片点集合，f_L()为将LP映射到{L₁,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E(f_L)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

$E\left(f_L\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{LP}}{D}_{p^t}\left(f_L\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{L^t}}{V}_{p^t,q^t}(f_L\left(p^t\right),f_L\left(q^t\right))$

其中：

（1）

$D_{p^t}\left(f_L\left(p^t\right)\right)=d(p^t,f_L\left(p^t\right))$

表示将叶片点p^t分类到f_L(p^t)的代价，d(p^t,f_L(p^t))表示数据点p^t到目标分块f_L(p^t)中最近点的距离；

（2）

q^t为LP中与p^t相邻的数据点；

$N_{L^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\}),$ 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p^t和q^t分类为f_L(p^t)和f_L(q^t)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,...,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{S₁，S₂，...,S_n}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f_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f_S()分类到提取的各个枝干点云块对应的类别上：

$E\left(f_S\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{SP}}{D}_{p^t}\left(f_S\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{S^t}}{V}_{p^t,q^t}(f_S\left(p^t\right),f_S\left(q^t\right))$

其中：

（1）

表示将枝干点分类到f_S(p^t)的代价，o(p^t)为p^t的朝向信息，o(p^t)=(x,y,z),其中x、y和z是对p^t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(f_S(p^t))为f_S(p^t))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(p^t，f_S(p^t))为p^t与f_S(p^t)对应的枝干点云块的距离；

（2）

q^t为SP中与p^t相邻的数据点；

$N_{S^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\},$ 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p^t和q^t分类为f_S(p^t)和f_S(q^t)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|{L_l}|=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***，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，…，F^t，…，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F^t（2≤t≤n），将F^t做为待分割点云帧、F^t的前一点云帧F^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^t后判断F^t所包含的枝干点云块数量是否多于F^t-1所包含的枝干点云块数量或者F^t所包含的叶片点云块数量是否多于F^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30调度点云分割模块40，以将F^t的下一个点云帧F^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^t-1至F¹中按照对应的植物生长时间的倒序顺序依次取F^j（1≤j≤t-1），将F^j做为待分割点云帧、F^j的后一点云帧F^j+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F^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F^t的下一个点云帧F^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P^t={p^t}，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，f_B为将P^t映射到集合{L,S}的分类函数，即，f_B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：

$E\left(f_B\right)=\underset{p^t\&Element;P^t}{\mathrm{\&Sigma;}}{D}_{p^t}\left(f_B\left(p^t\right)\right)+\underset{p^t,q^t\&Element;N_{P^t}}{\mathrm{\&Sigma;}}{V}_{p^t,q^t}(f_B\left(p^t\right),f_B\left(q^t\right))$

其中：

（1）表示将p^t数据点分类为f_B(p^t)的代价，

即为f_B(p^t)=L的代价，即为f_B(p^t)=S的代价,

R(p^t)为p^t的平坦性特征，R(p^t)=log(max(C(p^t),c_ε)),c_ε为预设的大于0而小于1/3的常量，C(p^t)为p^t的曲率特征，C(p^t)=λ₁/(λ₁+λ₂+λ₃),其中λ₁、λ₂和λ₃是对p^t的邻域点进行主成份分析得到的特征值，λ₁≤λ₂且λ₁≤λ₃；

{L_l}为相邻点云帧中叶片点云块的集合，|{L_l}|为{L_l}元素的个数，L_l*为{L_l}中与p^t距离最近的叶片点云块，R(L_l*)为L_l*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p^t距离最近的枝干点云块，R(S_s*)为S_s*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p^t所对应的曲率特征C(p^t)都具有较小的数值，因此，可以通过C(p^t)有效地从点云中区分出枝干和发育的叶片。C(p^t)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(p^t)上取为一个非0的常量c_ε(参考值：0.015)以避免C(p^t)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(p^t)，定义R(p^t)=log(max(C(p^t)，c_ε))，并定义以及则R(p^t)将分布于从R(p^t)到和的距离度量了数据点p^t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 $D_{p^t}\left(L\right)=\max (R\left(p^t\right)-R\left(L_{l*}^{t\&PlusMinus;1}\right),0),$ $D_{p^t}\left(S\right)=\max (R\left(S_{s*}^{t\&PlusMinus;1}\right)-R\left(p^t\right),0).$

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）q^t为P^t中与p^t相邻的数据点；

$N_{P^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\}$ 是基于对p^t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，ε=3mm。

表示将相邻的数据点p^t和q^t分类为f_B(p^t)和f_B(q^t)的代价，

其中，C(p^t)为p^t的曲率特征，C(q^t)为q^t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，...，L_m,LP为待分割点云帧中的叶片点集合，f_L()为将LP映射到{L₁，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(f_L)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

$E\left(f_L\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{LP}}{D}_{p^t}\left(f_L\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{L^t}}{V}_{p^t,q^t}(f_L\left(p^t\right),f_L\left(q^t\right))$

其中：

（1）

$D_{p^t}\left(f_L\left(p^t\right)\right)=d(p^t,f_L\left(p^t\right))$

表示将叶片点p^t分类到f_L(p^t)的代价，d(p^t,f_L(p^t))表示数据点p^t到目标分块f_L(p^t)中最近点的距离；

（2）

q^t为LP中与p^t相邻的数据点；

$N_{L^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\},$ 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p^t和q^t分类为f_L(p^t)和f_L(q^t)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,...，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{S₁,S₂,...,S_n}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(f_S)达到最小的枝干点分类函数f_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f_S()分类到提取的各个枝干点云块对应的类别上：

$E\left(f_S\right)={\mathrm{\&Sigma;}}_{p^t\&Element;\mathrm{SP}}{D}_{p^t}\left(f_S\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t,q^t\&Element;N_{S^t}}{V}_{p^t,q^t}(f_S\left(p^t\right),f_S\left(q^t\right))$

其中：

（1）

表示将枝干点p^t分类到f_S(p^t)的代价，o(p^t)为p^t的朝向信息，o(p^t)=(x,y,z)，其中x、y和z是对p^t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(f_S(p^t))为f_S(p^t)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(p^t，f_S(p^t))为p^t与f_S(p^t)对应的枝干点云块的距离；

（2）

q^t为SP中与p^t相邻的数据点；

$N_{S^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;\mathrm{Delaunay}\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\},$ 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p^t和q^t分类为f_S(p^t)和f_S(q^t)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|{L_l}|=0和|{S_s}|=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，...，F^t，...，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F^t，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F^t的前一点云帧F^t-1中叶片点云块和枝干点云块的信息以及F^t的数据点的平坦性特征将F^t中的点云分割为叶片点云块和枝干点云块；

S240：判断F^t所包含的枝干点云块数量是否多于F^t-1所包含的枝干点云块数量或者F^t所包含的叶片点云块数量是否多于F^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F^t的下一个点云帧F^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F^t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F^t的下一个点云帧F^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F^t前面的某一个点云帧F^j，1≤j≤t-1，中的点云包括以下步骤：

S282：根据F^j的后一点云帧F^j+1中叶片点云块和枝干点云块的信息以及F^j的数据点的平坦性特征将F^j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F^t记为待分割点云帧、F^t-1记为待分割点云帧的相邻点云帧，上述步骤S282中的F^j记为待分割点云帧、F^j+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P^t＝{p^t}，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，f_B为将P^t映射到集合{L，S}的分类函数，所述目标能量函数如下：

$E\left(f_B\right)=\underset{p^t\&Element;P^t}{\&Sigma;}{D}_{p^t}\left(f_B\left(p^t\right)\right)+\underset{p^t,q^t\&Element;N_{P^t}}{\&Sigma;}{V}_{p^t,q^t}(f_B\left(p^t\right),f_B\left(q^t\right))$

其中：

(1)表示将p^t数据点分类为f_B(p^t)的代价，

即为f_B(p^t)＝L的代价，即为f_B(p^t)＝S的代价，

R(p^t)为p^t的平坦性特征，R(p^t)＝log(max(C(p^t)，c_ε))，c_ε为预设的大于0而小于1/3的常量，C(p^t)为p^t的曲率特征，C(p^t)＝λ₁/(λ₁+λ₂+λ₃)，其中λ₁、λ₂和λ₃是对p^t的邻域点进行主成份分析得到的特征值，λ₁≤λ₂且λ₁≤λ₃；

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

(2)q^t为P^t中与p^t相邻的数据点；

是基于对P^t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p^t和q^t分类为f_B(p^t)和f_b(q^t)的代价，

其中，C(p^t)为p^t的曲率特征，C(q^t)为q^t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，…，L_m。

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，…，L_m，LP为待分割点云帧中的叶片点集合，f_L()为将LP映射到{L₁，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E(f_L)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：

$E\left(f_L\right)={\mathrm{\&Sigma;}}_{p^t\&Element;LP}{D}_{p^t}\left(f_L\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t.q^t\&Element;N_{L^t}}{V}_{p^t.q^t}(f_L\left(p^t\right),f_L\left(q^t\right))$

其中：

(1)

$D_{p^t}\left(f_L\right(p^t))=d(p^t,f_L\left(p^t\right))$

表示将叶片点p^t分类到f_L(p^t)的代价，d(p^t，f_L(p^t))表示数据点p^t到目标分块f_L(p^t)中最近点的距离；

(2)

q^t为LP中与p^t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p^t和q^t分类为f_L(p^t)和f_L(q^t)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，…，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{S₁，S₂，…，S_n}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f_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f_S()分类到提取的各个枝干点云块对应的类别上：

$E\left(f_S\right)={\mathrm{\&Sigma;}}_{p^t\&Element;SP}{D}_{p^t}\left(f_S\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t.q^t\&Element;N_{S^t}}{V}_{p^t.q^t}(f_S\left(p^t\right),f_S\left(q^t\right))$

其中：

(1)

表示将枝干点p^t分类到f_S(p^t)的代价，o(p^t)为p^t的朝向信息，o(p^t)＝(x，y，z)，其中x、y和z是对p^t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(f_S(p^t))为f_S(p^t)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(p^t，f_S(p^t))为p^t与f_S(p^t)对应的枝干点云块的距离；

(2)

q^t为SP中与p^t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p^t和q^t分类为f_S(p^t)和f_S(q^t)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|{L_l}|＝0和|{S_s}|＝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，...，F^t，...，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F^t，2≤t≤n，将F^t做为待分割点云帧、F^t的前一点云帧F^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^t所包含的枝干点云块数量是否多于F^t-1所包含的枝干点云块数量或者F^t所包含的叶片点云块数量是否多于F^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F^t的下一个点云帧F^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F^t-1至F¹中按照对应的植物生长时间的倒序顺序依次取F^j，1≤j≤t-1，将F^j做为待分割点云帧、F^j的后一点云帧F^j+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F^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调度点云分割模块，以将F^t的下一个点云帧F^t+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P^t＝{p^t}，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，f_B为将P^t映射到集合{L，S}的分类函数，所述目标能量函数如下：

$E\left(f_B\right)=\underset{p^t\&Element;P^t}{\&Sigma;}{D}_{p^t}\left(f_B\left(p^t\right)\right)+\underset{p^t,q^t\&Element;N_{P^t}}{\&Sigma;}{V}_{p^t,q^t}(f_B\left(p^t\right),f_B\left(q^t\right))$

其中：

(1)表示将p^t数据点分类为f_B(p^t)的代价，

即为f_B(p^t)＝L的代价，即为f_B(p^t)＝S的代价，

R(p^t)为p^t的平坦性特征，R(p^t)＝log(max(C(p^t)，c_ε))，c_ε为预设的大于0而小于1/3的常量，C(p^t)为p^t的曲率特征，C(p^t)＝λ₁/(λ₁+λ₂+λ₃)，其中λ₁、λ₂和λ₃是对p^t的邻域点进行主成份分析得到的特征值，λ₁≤λ₂且λ₁≤λ₃；

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

(2)q^t为P^t中与p^t相邻的数据点；

$N_{P^t}=\left\{(p^t,q^t)\right\}=\{(p^t,q^t)\&Element;Delaunay\left(P^t\right):|p^t-q^t|<\mathrm{\&epsiv;}\}$ 是基于对P^t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p^t和q^t分类为f_B(p^t)和f_B(q^t)的代价，

其中，C(p^t)为p^t的曲率特征，C(q^t)为q^t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，…，L_m，LP为待分割点云帧中的叶片点集合，f_L()为将LP映射到{L₁，L₂，…，L_m}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(f_L)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：

$E\left(f_L\right)={\mathrm{\&Sigma;}}_{p^t\&Element;LP}{D}_{p^t}\left(f_L\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t.q^t\&Element;N_{L^t}}{V}_{p^t.q^t}(f_L\left(p^t\right),f_L\left(q^t\right))$

其中：

(1)

$D_{p^t}\left(f_L\left(p^t\right)\right)=d(p^t,f_L\left(p^t\right))$

表示将叶片点p^t分类到f_L(p^t)的代价，d(p^t，f_L(p^t))表示数据点p^t到目标分块f_L(p^t)中最近点的距离；

(2)

q^t为LP中与p^t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p^t和q^t分类为f_L(p^t)和f_L(q^t)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，…，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{S₁，S₂，…，S_n}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(f_S)达到最小的枝干点分类函数f_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f_S()分类到提取的各个枝干点云块对应的类别上：

$E\left(f_S\right)={\mathrm{\&Sigma;}}_{p^t\&Element;SP}{D}_{p^t}\left(f_S\left(p^t\right)\right)+{\mathrm{\&Sigma;}}_{p^t.q^t\&Element;N_{S^t}}{V}_{p^t.q^t}(f_S\left(p^t\right),f_S\left(q^t\right))$

其中：

(1)

表示将枝干点p^t分类到f_S(p^t)的代价，o(p^t)为p^t的朝向信息，o(p^t)＝(x，y，z)，其中x、y和z是对p^t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(f_S(p^t))为f_S(p^t)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(p^t，f_S(p^t))为p^t与f_S(p^t)对应的枝干点云块的距离；

(2)

q^t为SP中与p^t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p^t和q^t分类为f_S(p^t)和f_S(q^t)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|{L_l}|＝0和|{S_s}|＝0的情况。