CN117496359A - 基于三维点云的植物种植布局监测方法及*** - Google Patents
基于三维点云的植物种植布局监测方法及*** Download PDFInfo
- Publication number
- CN117496359A CN117496359A CN202311841505.6A CN202311841505A CN117496359A CN 117496359 A CN117496359 A CN 117496359A CN 202311841505 A CN202311841505 A CN 202311841505A CN 117496359 A CN117496359 A CN 117496359A
- Authority
- CN
- China
- Prior art keywords
- data points
- projection data
- window
- taking
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000000694 effects Effects 0.000 claims abstract description 68
- 230000011218 segmentation Effects 0.000 claims description 106
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 49
- 230000008569 process Effects 0.000 description 16
- 238000005286 illumination Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及种植布局监测领域,具体涉及一种基于三维点云的植物种植布局监测方法及***。该方法首先将植物种植场地的点云数据投影到水平面获得投影数据点,将数据点的竖坐标作为投影数据点的特征值,对投影数据点的特征窗口进行迭代扩展,通过获取的优选程度,选取出投影数据点的最优窗口,根据每个投影数据点和对应最优窗口中其他投影数据点之间特征值的差异和距离,以及对应最优窗口的优选程度,获得投影数据点的阴影可能性;根据阴影可能性的差异,对投影数据点进行去噪处理,基于获取的去噪点云数据对植物种植的布局进行监测。本发明能够提高对种植场地的点云数据的去噪效果,进而提高对植物种植布局监测的效果。
Description
技术领域
本发明涉及种植布局监测领域,具体涉及一种基于三维点云的植物种植布局监测方法及***。
背景技术
对植物种植分布的监测通常需要采集种植场地的三维点云数据,构建种植场地的三维模型,基于对应的三维模型获取种植场地的地形、高程以及坡度等信息,从而更好规划和设计植物的种植布局。
三维点云数据在采集的过程中会受到噪声的影响,相关技术中通常利用非局部均值滤波算法对采集的点云数据进行去噪处理,并构建出种植场地的三维模型对植物的种植布局进行监测,但由于植物的枝叶在光照的影响下会产生阴影区域,导致阴影区域的点云数据无法被正确采集,导致通过现有技术对点云数据去噪的效果较差,从而降低对植物种植布局监测的效果。
发明内容
为了解决由于植物的枝叶在光照的影响下会产生阴影区域,导致阴影区域的点云数据无法被正确采集,导致通过现有技术对点云数据的去噪效果较差,从而降低对植物种植布局监测的效果的技术问题,本发明的目的在于提供一种基于三维点云的植物种植布局监测方法及***,所采用的技术方案具体如下:
本发明提出了一种基于三维点云的植物种植布局监测方法,所述方法包括:
获取植物种植场地的点云数据,将每个数据点投影到水平面,获得投影数据点,将数据点的竖坐标作为对应投影数据点的特征值;
以每个投影数据点为中心构建预设尺寸的特征窗口,对特征窗口的尺寸进行迭代扩展,根据每次迭代的特征窗口中投影数据点的特征值的分布以及投影数据点之间的距离,获得每次迭代的特征窗口的优选程度,直至每次迭代与下一次迭代之间特征窗口的优选程度的比值大于预设终止阈值;根据所述优选程度,从所有迭代的特征窗口中筛选出每个投影数据点的最优窗口;
根据每个投影数据点和最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,获得每个投影数据点的阴影可能性;根据投影数据点之间所述阴影可能性的差异,对投影数据点进行去噪处理,获取种植场地的去噪点云数据;
基于所述去噪点云数据对植物种植的布局进行监测。
进一步地,所述根据每次迭代的特征窗口中投影数据点的特征值的分布以及投影数据点之间的距离,获得每次迭代的特征窗口的优选程度包括:
将每次迭代的特征窗口中的所有投影数据点的特征值分别作为对应特征窗口的分割阈值;
将所述特征值大于分割阈值的投影数据点作为特征窗口在每个分割阈值下的第一数据点,将所述特征值不大于分割阈值的投影数据点作为特征窗口在每个分割阈值下的第二数据点,根据第一数据点和第二数据点之间特征值的差异、第一数据点之间的距离以及第二数据点之间的距离,获得每个分割阈值的分割效果评价因子;
将所有分割阈值的分割效果评价因子的最大值,作为每次迭代的特征窗口的优选程度。
进一步地,所述根据第一数据点和第二数据点之间特征值的差异、第一数据点之间的距离以及第二数据点之间的距离,获得每个分割阈值的分割效果评价因子包括:
若第一数据点的数量大于1且第二数据点的数量大于1,则将所有第一数据点的特征值的平均值,作为第一数据点的第一分布参数;将所有第二数据点的特征值的平均值,作为第二数据点的第二分布参数;
将所述第一分布参数和所述第二分布参数的差值的绝对值,作为分布差异;
将所有任意两个第一数据点的距离的平均值,作为第一数据点的第一离散程度,将所有任意两个第二数据点的距离的平均值,作为第二数据点的第二离散程度;
对所述第一离散程度和所述第二离散程度的和值进行负相关归一化,获得聚集程度;
将所述分布差异和所述聚集程度的乘积值,作为每个分割阈值的分割效果评价因子;
若第一数据点的数量不大于1或第二数据点的数量不大于1,则令每个分割阈值的分割效果评价因子等于0。
进一步地,所述根据所述优选程度,从所有迭代的特征窗口中筛选出每个投影数据点的最优窗口包括:
将所述优选程度的最大值对应的特征窗口,作为对应投影数据点的最优窗口。
进一步地,所述根据每个投影数据点和最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,获得每个投影数据点的阴影可能性包括:
在任意一个投影数据点的最优窗口中,将所述分割效果评价因子的最大值对应的分割阈值,作为最优窗口的最优分割阈值;
将最优分割阈值下所有第二数据点的特征值的平均值与对应投影数据点的特征值之间差值的绝对值,作为第一阴影参数;
将对应投影数据点与最优分割阈值下所有第二数据点的距离的平均值,作为第二阴影参数;
将对应投影数据点的最优窗口的优选程度作为分子,将所述第一阴影参数和所述第二阴影参数的和值作为分母,将比值作为每个投影数据点的阴影可能性。
进一步地,所述根据投影数据点之间所述阴影可能性的差异,对投影数据点进行去噪处理,获取种植场地的去噪点云数据包括:
以每个投影数据点为中心构建预设邻域块;
根据任意两个预设邻域块中相同位置的投影数据点之间阴影可能性的差异,对非局部均值滤波算法所使用的预设邻域块之间的均方误差进行修正,获得任意两个预设邻域块之间的修正均方误差;
基于非局部均值滤波算法,在预设搜索范围内,根据所述预设邻域块之间的修正均方误差对所有投影数据点进行去噪处理,获取种植场地的去噪点云数据。
进一步地,所述根据任意两个预设邻域块中相同位置的投影数据点之间阴影可能性的差异,对非局部均值滤波算法所使用的预设邻域块之间的均方误差进行修正,获得任意两个预设邻域块之间的修正均方误差包括:
将任意两个预设邻域块中相同位置的投影数据点的阴影可能性之间差值的绝对值进行负相关的归一化,获得对应位置的投影数据点的修正系数;
将任意两个预设邻域块中相同位置的投影数据点的特征值之间差值的平方,作为对应位置的投影数据点之间的初始差异参数;
将所述修正系数和所述初始差异参数的乘积值,作为对应位置的投影数据点之间的修正差异参数;
将任意两个预设邻域块中所有相同位置的投影数据点之间的所述修正差异参数的平均值,作为任意两个预设邻域块之间的修正均方误差。
进一步地,所述基于所述去噪点云数据对植物种植的布局进行监测包括:
基于去噪点云数据构建出种植场地的三维模型;
根据所述三维模型,结合植物的不同类型,将植物种植在场地的不同区域中。
进一步地,所述特征窗口每次迭代扩展前后的尺寸差距为2。
本发明还提出了一种基于三维点云的植物种植布局监测***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项一种基于三维点云的植物种植布局监测方法的步骤。
本发明具有如下有益效果:
本发明考虑到由于植物的枝叶在光照的影响下会产生阴影区域,导致阴影区域的点云数据无法被正确采集,导致通过现有技术对点云数据的去噪效果较差,从而降低对植物种植布局监测的效果,因此本发明首先将种植场地的点云数据中的所有数据点投影到水平面,获取投影数据点,考虑到在阴影区域中采集的点云数据的竖坐标偏低,因此可将每个数据点的竖坐标作为对应投影数据点的特征值,便于后续基于特征值对投影数据点的阴影可能性进行分析,并基于获取的优选程度筛选出每个投影数据点的最优窗口,使得最优窗口中同时包含阴影区域和正常区域,便于后续对投影数据点的处于阴影区域的可能性进行分析,提高最终的去噪效果,考虑到阴影区域和正常区域中的投影数据点具有聚集的特征,同时阴影区域中的投影数据点的特征值偏小,因此可通过获取的阴影可能性反映投影数据点在阴影区域中的可能性,进而基于阴影可能性的差异,对投影数据点进行去噪处理,提高对投影数据点的去噪效果,进而可提高后续对植物种植布局监测的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于三维点云的植物种植布局监测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于三维点云的植物种植布局监测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种基于三维点云的植物种植布局监测方法实施例:
下面结合附图具体的说明本发明所提供的一种基于三维点云的植物种植布局监测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于三维点云的植物种植布局监测方法流程图,该方法包括:
步骤S1:获取植物种植场地的点云数据,将每个数据点投影到水平面,获得投影数据点,将数据点的竖坐标作为对应投影数据点的特征值。
对植物种植分布的监测通常需要采集种植场地的三维点云数据,基于构建的三维模型获取种植场地的地形、高程以及坡度等信息,更好的规划和设计植物的种植布局,而三维点云数据在采集的过程中容易受到噪声的影响,因此需要对点云数据进行去噪预处理,以提高点云数据以及通过点云数据构建出的种植场地三维模型的质量,但由于植物的枝叶在光照的影响下会产生阴影区域,导致阴影区域的点云数据无法被正确采集,导致通过现有技术对点云数据去噪的效果较差,从而降低对植物种植布局监测的效果,因此本发明实施例提出一种基于三维点云的植物种植布局监测方法,以解决该问题。
本发明实施例为了更好的对植物种植场地的布局进行监测,首先利用三维激光扫描仪从植物种植场地的正上方进行扫描,采集种植场地的点云数据,其中点云数据是所有数据点的集合,能够反映种植场地各个点的空间位置信息,即点云数据中每个数据点包含了被扫描位置的横坐标、纵坐标和竖坐标;考虑到种植场地中植物的枝叶在光照的影响下会产生阴影区域,当三维激光扫描仪扫描到阴影区域时,由于光线遮挡导致阴影区域反射的信号较弱,从而导致采集的点云数据中的高度信息偏低,即与正常区域相比,点云数据中处于阴影区域的数据点的竖坐标较小;同时光线不足的阴影区域会导致物体表面纹理的模糊化,则点云数据中数据点的高度信息不会出现明显的规律性的变化,因此本发明实施例首先将种植场地点云数据中的数据点投影到二维的水平面上,获得投影数据点,其中每个投影数据点的横坐标和纵坐标与对应原始的数据点的横坐标和纵坐标相同,同时将数据点的竖坐标作为对应投影数据点的特征值,在后续中可基于对投影数据点的特征值,对投影数据点在阴影区域中的可能性进行分析,从而提高对点云数据的降噪效果和构建的三维模型的质量,有利于对植物种植布局进行监测。
举例说明,将点云数据中的数据点投影到水平面后,得到的所有投影数据点的组合可类比成一幅灰度图像,其中,投影数据点的横坐标和纵坐标确定了投影数据点的位置,投影数据点可类比成图像中的像素点,而投影数据点的特征值可类比成像素点灰度值。
获取到投影数据点后,在后续中便于根据投影数据点的特征值,分析投影数据点处于由植物枝叶形成的阴影区域的可能性,提高最终对点云数据去噪的效果,进而可提高构建出的三维模型的质量。
步骤S2:以每个投影数据点为中心构建预设尺寸的特征窗口,对特征窗口的尺寸进行迭代扩展,根据每次迭代的特征窗口中投影数据点的特征值的分布以及投影数据点之间的距离,获得每次迭代的特征窗口的优选程度,直至每次迭代与下一次迭代之间特征窗口的优选程度的比值大于预设终止阈值;根据优选程度,从所有迭代的特征窗口中筛选出每个投影数据点的最优窗口。
由于阴影区域中投影数据点的特征值偏小,降低后续对投影数据点的去噪效果,使得去噪后的植物种植场地的点云数据的质量仍然较差,因此本发明实施例在后续中需要利用投影数据点在阴影区域中的可能性,对去噪算法进行修正,提高对投影数据点的去噪效果和去噪后的点云数据的质量;而相对于正常区域,阴影区域中的投影数据点的特征值偏小,因此对投影数据点在阴影区域中的可能性的分析,需要将投影数据点的特征值与其邻域范围中其他投影数据点的特征值进行对比,因此需要首先确定每个投影数据点的邻域范围,并且让该邻域范围中既包含阴影区域,又包含正常区域,从而后续在每个投影数据点的邻域范围内,将该投影数据点与邻域范围内阴影区域或正常区域中其他投影数据点进行对比,可对投影数据点在阴影区域中的可能性做出准确分析。
因此本发明实施例首先以每个投影数据点为中心构建预设尺寸的特征窗口,对特征窗口的尺寸进行迭代扩展,考虑到阴影区域中投影数据点的特征值比正常区域中投影数据点的特征值偏小,同时为了使特征窗口中同时包含阴影区域和正常区域,并且使得阴影区域和正常区域中的投影数据点都具有一定的聚集性,提高投影数据点和特征窗口内其他投影数据点之间特征值的对比效果,可分析每次迭代的特征窗口中投影数据点的特征值的分布以及投影数据点之间的距离,通过获取的优选程度反映不同尺寸的特征窗口对后续分析的效果,优选程度越好,说明越需要优选选取对应尺寸的特征窗口进行后续的分析,考虑到特征窗口在扩大的过程中,其优选程度会呈现出一种先增大后减小的趋势,因此可将每次迭代与下一次迭代之间特征窗口的优选程度的比值大于预设终止阈值,作为迭代扩展的终止条件,即当特征窗口的优选程度出现下降的趋势时,则停止迭代扩展,其中每个投影数据点初始的特征窗口的预设尺寸设置为,特征窗口的迭代步长为2,即每次迭代的特征窗口的尺寸在前一次的基础上增加2,预设终止阈值设置为1.17,预设尺寸和迭代步长以及预设终止阈值的具体数值也可根据具体实施场景由实施者自行设置,在此不作限定。
优选地,在本发明的一个实施例中每次迭代的特征窗口的优选程度的获取方法具体包括:
本发明实施例认为的效果较好的特征窗口所具有的特征为:既包含阴影区域又包含正常区域,且阴影区域或正常区域中的投影数据点聚集在特征窗口中某部分区域中;而相对于正常区域,阴影区域中投影数据点的特征值较小,因此需要利用分割阈值对特征窗口中的投影数据点进行区分,在本发明的一个实施例中将每次迭代的特征窗口中的所有投影数据点的特征值分别作为对应特征窗口的分割阈值;将特征值大于分割阈值的投影数据点作为特征窗口在每个分割阈值下的第一数据点,将特征值不大于分割阈值的投影数据点作为特征窗口在每个分割阈值下的第二数据点,根据第一数据点和第二数据点之间特征值的差异、第一数据点之间的距离以及第二数据点之间的距离,获得每个分割阈值的分割效果评价因子;将所有分割阈值的分割效果评价因子的最大值,作为每次迭代的特征窗口的优选程度;分割效果评价因子越大,说明利用该分割阈值对特征窗口中的阴影区域和正常区域分割的效果越好,因此可将所有分割阈值的分割效果评价因子的最大值,作为投影数据点每次迭代的特征窗口的优选程度,为了便于后续的分析,使用表示第/>个投影数据点在第/>次迭代的特征窗口的优选程度。
举例说明,某个投影数据点某次迭代的特征窗口的尺寸为,其包含的投影数据点的特征值为/>,则在该尺寸下的特征窗口的所有特征值中依次选取每个特征值作为分割阈值,并计算每个分割阈值的分割效果评价因子,进而求出本次迭代的特征窗口的优选程度,然后将该特征窗口的尺寸扩展为/>,作为下一次迭代的特征窗口,以同样的方法求出下一次迭代的特征窗口的优选程度,若本次迭代的尺寸为/>的特征窗口的优选程度与下一次迭代的尺寸为/>的特征窗口的优选程度之间的比值大于预设终止阈值,则终止迭代扩展特征窗口的尺寸。
优选地,在本发明的一个实施例中特征窗口中每个分割阈值的分割效果评价因子的获取方法具体包括:
若第一数据点的数量大于1且第二数据点的数量大于1,则将所有第一数据点的特征值的平均值,作为第一数据点的第一分布参数;将所有第二数据点的特征值的平均值,作为第二数据点的第二分布参数;将第一分布参数和第二分布参数的差值的绝对值,作为分布差异;将所有任意两个第一数据点的距离的平均值,作为第一数据点的第一离散程度,将所有任意两个第二数据点的距离的平均值,作为第二数据点的第二离散程度;对第一离散程度和第二离散程度的和值进行负相关归一化,获得聚集程度;将分布差异和聚集程度的乘积值,作为每个分割阈值的分割效果评价因子;若第一数据点的数量不大于1或第二数据点的数量不大于1,则令每个分割阈值的分割效果评价因子等于0。分割效果评价因子的表达式可以具体例如为:
其中,表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下的分割效果评价因子;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下的分布差异;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下的聚集程度;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下的第一数据点的第一分布参数;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下的第二数据点的第二分布参数;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下的第一数据点的数量;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下的第二数据点的数量;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下第/>组任意两个第一数据点之间的距离;/>表示第/>个投影数据点的第/>次迭代的特征窗口在第/>个分割阈值下第/>组任意两个第一数据点之间的距离,/>和/>均可由对应的两个第一数据点或第二数据点的坐标的欧氏距离求出;/>表示排列组合函数;/>表示以自然常数/>为底的指数函数。
在每次迭代的特征窗口中每个分割阈值的分割效果评价因子的获取过程中,分割效果评价因子越大,说明在分割阈值下,对特征窗口中阴影区域和正常区域的分割效果越好,因此在后续中可将某次迭代的特征窗口中所有分割阈值的分割效果评价因子的最大值,作为该次迭代的特征窗口的优选程度,其中在某个分割阈值的分割过程中,如果或/>时,此时分割阈值分割出的第一数据点或第二数据点的数量最多为1,不利于后续对各第一数据点之间的距离或各第二数据点之间的距离的分析,因此可将符合这两种特殊情况下的分割效果评价因子置为0;相对于正常区域,阴影区域中投影数据点的特征值偏小,而当/>且/>时,分布差异/>越大,说明在该分割阈值下,第一数据点与第二数据点之间的特征值在整体上的差异越大,进而说明对特征窗口中的阴影区域和正常区域分割的效果越好,则/>就越大,第一离散程度或第二离散程度/>越小,说明该阈值分割下的第一数据点或第二数据点越聚集,进而说明对特征窗口中的阴影区域和正常区域分割的效果越好,则/>就越大,因此可利用以自然常数/>为底的指数函数对第一离散程度和第二离散程度的和值进行负相关归一化,得到聚集程度/>,聚集程度越大,说明在该分割阈值下的第一数据点和第二数据点的聚集性越强,则分割效果评价因子/>就越大。
获取到每个投影数据点所有迭代过程的特征窗口的优选程度后,优选程度越大,说明该特征窗口同时包含了阴影区域和正常区域,并且阴影区域和正常区域中投影数据点的聚集性较好,即该特征窗口越适合用于后续对投影数据点处于阴影区域中的可能性的分析,因此在本发明的一个实施例中将优选程度的最大值对应的特征窗口,作为对应投影数据点的最优窗口,将最优窗口用于后续对投影数据点的阴影可能性的分析,为了便于后续的分析,使用表示第/>个投影数据点的最优窗口的优选程度。
获取到每个投影数据点的最优窗口后,由于最优窗口中同时存在阴影区域和正常区域,且阴影区域中投影数据点和正常区域中投影数据点均比较聚集,因此在后续中便可将每个投影数据点与最优窗口中的其他投影数据点进行对比,从而分析出该投影数据点在阴影区域中的可能性,提高后续对投影数据点的去噪效果和对种植布局的监测效果。
步骤S3:根据每个投影数据点和对应最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,获得每个投影数据点的阴影可能性;根据投影数据点之间阴影可能性的差异,对投影数据点进行去噪处理,获取种植场地的去噪点云数据。
由于植物的枝叶在光照的影响下会产生阴影区域,导致阴影区域的点云数据无法被正确采集,导致后续对投影数据点的去噪效果较差,降低最终种植场地三维模型的质量和对种植布局监测的效果,因此本发明实施例在后续中基于每个投影数据点的在阴影区域中的可能性,对现有的去噪算法进行改进,从而提高最终的去噪效果,由于最优窗口中包含了比较明显的阴影区域和正常区域,两种区域之间投影数据点的特征值存在差异,并且每种区域中的投影数据点均具有较强的聚集性,即每种区域中投影数据点之间的距离较小,同时最优窗口的优选程度越大,说明在该最优窗口内计算出的对应投影数据点的阴影可能性越准确,因此可分析每个投影数据点和对应最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,通过阴影可能性反映每个投影数据点在阴影区域中的可能性,后续可利用阴影可能性对去噪过程进行改进,提高最终的去噪效果。
优选地,在本发明的一个实施例中每个投影数据点的阴影可能性的获取方法具体包括:
在每个投影数据点的最优窗口中,将分割效果评价因子的最大值对应的分割阈值,作为最优窗口的最优分割阈值,其中最优窗口的最优分割阈值的分割效果评价因子等于该最优窗口的优选程度;则在最优分割阈值下,第一数据点即为正常区域中的投影数据点,第二数据点即为阴影区域中的投影数据点,因此可选用最优分割阈值下的第二数据点与对应的投影数据点进行对比,将最优分割阈值下所有第二数据点的特征值的平均值与对应投影数据点的特征值之间差值的绝对值,作为第一阴影参数;将每个投影数据点与最优分割阈值下所有第二数据点的距离的平均值,作为第二阴影参数;将每个投影数据点的最优窗口的优选程度作为分子,将第一阴影参数和第二阴影参数的和值作为分母,将比值作为每个投影数据点的阴影可能性。阴影可能性的表达式可以具体例如为:
其中,表示第/>个投影数据点的阴影可能性;/>表示第/>个投影数据点的最优窗口的优选程度;/>表示第/>个投影数据点的最优窗口在最优分割阈值下的所有第二数据点的特征值的平均值;/>表示第/>个投影数据点的特征值;/>表示第/>个投影数据点与最优窗口在最优分割阈值下的第/>个第二数据点之间的距离,同样每个投影数据点的位置都可用横坐标和纵坐标表示,因此/>可通过对应投影数据点和每个第二数据点之间二维坐标点的欧式距离求出;/>表示第/>个投影数据点的最优窗口在最优分割阈值下的第二数据点的数量。
在每个投影数据点的阴影可能性的获取过程中,阴影可能性越大,说明该投影数据点在阴影区域中的可能性越大,阴影可能性/>用于后续对去噪算法的改进,在本发明的一个实施例中选用最优窗口在最优分割阈值下的第二数据点与分析的投影数据点进行对比,由于第二数据点的特征值不大于最优分割阈值,所以最优分割阈值下的第二数据点即为最优窗口中处于阴影区域的投影数据点,因此所分析的投影数据点如果处于阴影区域中,则最优分割阈值下所有第二数据点的特征值的平均值/>与该投影数据点的特征值/>之间的差异较小,即第一阴影参数/>越小,说明该投影数据点的特征值与最优窗口中处于阴影区域中的第二数据点的特征值之间的差异越小,进而说明该投影数据点越可能处于阴影区域中,则阴影可能性/>就越大,由于阴影区域中各投影数据点的聚集性较强,因此第二阴影参数/>越小,说明该投影数据点越可能处于阴影区域内部,则阴影可能性/>就越大,同时最优窗口的优选程度/>越大,说明在该最优窗口下对阴影可能性的分析结果越准确,则该投影数据点在阴影区域中的可能性越大。
在本发明的其他实施例中也可在最优窗口中选用最优分割阈值下的第一数据点与所分析的投影数据点进行对比,此时可通过上述类似的方法,基于最优分割阈值下的所有第一数据点的特征值平均值和所分析的投影数据点的特征值,计算出第一阴影参数,并基于所分析的投影数据点和最优分割阈值下每个第一数据点之间的距离,计算出第二阴影参数,由于选取的最优分割阈值下的第一数据点,因此第一阴影参数和第二阴影参数均与阴影可能性呈正相关,则可以第一阴影参数与第二阴影参数的和值乘以最优窗口的优选程度,得到投影数据点的阴影可能性。
由于通过三维激光扫描仪采集的阴影区域位置的高度信息不准确,即投影数据点的特征值偏小,如果直接使用去噪算法对点云数据进行去噪,会降低最终的去噪效果,因此在获取到每个投影数据点的阴影可能性后,可基于阴影可能性对去噪算法进行修正,提高最终的去噪效果,从而在后续中可构建出质量更好的植物种植场地的三维模型,提高对种植布局监测的效果。
在本发明的一个实施例中使用非局部均值滤波算法对投影数据点进行去噪,传统的非局部均值滤波算法思想为:以某个被分析的目标点为中心设置一个预设搜索范围,在该搜索范围内通过分析该目标点的邻域块与搜索范围内每个其他点的预设邻域块之间的相似度,基于相似度得到预设搜索范围内每个其他点的权重,并将其他点的数值进行加权结果更新目标点的数值,从而实现对目标点的去噪,在非局部均值滤波算法使用邻域块之间的均方误差衡量邻域块之间的相似度,非局部均值滤波算法是本领域技术人员熟知的技术手段,在此不做赘述。
在本发明实施例中将预设邻域块的尺寸设置为,预设搜索范围的尺寸设置为/>,预设邻域块和预设搜索范围的具体尺寸也可根据具体实施场景由实施者自行设置,在此不作限定。
在本发明实施例的场景下,使用传统的非局部均值滤波算法计算预设邻域块之间的均方误差的公式为:
其中,表示预设邻域块/>和预设邻域块/>之间的均方误差;/>表示在预设邻域块/>中的/>位置的投影数据点的特征值;/>表示在预设邻域块/>中的/>位置的投影数据点的特征值;/>和/>表示预设邻域块的长和宽,则/>表示预设邻域块的尺寸,也可理解为每个预设邻域块中投影数据点的数量。
相比于正常区域,阴影区域中的投影数据点的特征值偏小,因此不同区域中的投影数据点会降低对预设邻域块之间均方误差的准确性,因此在本发明实施例中基于投影像素点的阴影可能性对预设邻域块之间的均方误差的计算过程进行改进,提高均方误差的计算准确度,从而可提高后续使用非局部均值滤波算法进行去噪的效果,得到种植场地的去噪点云数据。
优选地,在本发明的一个实施例中种植场地的去噪点云数据的获取方法具体包括:
将任意两个预设邻域块中相同位置的投影数据点的阴影可能性之间差值的绝对值进行负相关的归一化,获得对应位置的投影数据点的修正系数;将任意两个预设邻域块中相同位置的投影数据点的特征值之间差值的平方,作为对应位置的投影数据点之间的初始差异参数;将修正系数和初始差异参数的乘积值,作为对应位置的投影数据点之间的修正差异参数;将任意两个预设邻域块中所有相同位置的投影数据点之间的修正差异参数的平均值,作为任意两个预设邻域块之间的修正均方误差;基于非局部均值滤波算法,在预设搜索范围内,根据预设邻域块之间的修正均方误差对所有投影数据点进行去噪处理,获取种植场地的去噪点云数据。其中修正均方误差的表达式可以具体例如为:
其中,表示预设邻域块/>和预设邻域块/>之间的修正均方误差;表示在预设邻域块/>中的/>位置的投影数据点的特征值;/>表示在预设邻域块/>中的/>位置的投影数据点的特征值;/>和/>表示预设邻域块的长和宽,则表示预设邻域块的尺寸,也可理解为每个预设邻域块中投影数据点的数量;/>表示在预设邻域块/>中的/>位置的投影数据点的阴影可能性;/>表示在预设邻域块/>中的/>位置的投影数据点的阴影可能性;/>表示以自然常数/>为底的指数函数。/>
在任意两个预设邻域块之间的修正均方误差的获取过程中,越小,说明相同位置的投影数据点越是相同类型的投影数据点,即同处于阴影区域,或同处于正常区域,此时在修正预设邻域块之间的均方误差的过程中,相同位置的投影数据点之间的初始差异参数/>需要更大的权重,以提高对预设邻域块之间均方误差的修正准确性,因此利用以自然常数/>为底的指数函数对/>进行负相关的归一化,以修正系数/>作为预设邻域块内对应位置的权重,并利用修正系数对初始差异参数进行调整,从而获得预设邻域块之间的修正均方误差/>。
获取到植物种植场地的去噪点云数据后,在后续中便于去噪点云数据构建出质量更好的种植场地的三维模型,从而可提高对种植布局的监测效果。
步骤S4:基于去噪点云数据对植物种植的布局进行监测。
通过上述步骤对植物种植场地的点云数据进行了效果更好的去噪处理,进而可基于去噪点云数据对植物种植的布局进行监测,从而可提高对种植布局监测的效果。
优选地,在本发明的一个实施例中对植物种植的布局进行监测的方法具体包括:
基于去噪点云数据构建出种植场地的三维模型;由于不同类型的植物在生长过程中对土地质量的要求不同,因此可根据三维模型,并结合植物的不同类型,将植物种植在场地的不同区域中,同时考虑到不同地形对成熟植物收获的影响,可将大量种植的植物分布在较好的地形,以便提高后续对植物的收获效率。
本发明一个实施例提供了一种基于三维点云的植物种植布局监测***,该***包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器中运行时能够实现步骤S1~S4所描述的方法。
综上所述,本发明实施例首先将植物种植场地的点云数据投影到水平面,获得投影数据点,将数据点的竖坐标作为对应投影数据点的特征值,然后对每个投影数据点的特征窗口进行迭代扩展,通过获取的优选程度,从所有迭代的特征窗口中筛选出每个投影数据点的最优窗口,根据每个投影数据点和对应最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,获得每个投影数据点的阴影可能性;根据阴影可能性的差异,对投影数据点进行去噪处理,获取种植场地的去噪点云数据;基于去噪点云数据对植物种植的布局进行监测。
一种用于植物种植布局监测的点云数据去噪方法实施例:
现有技术中通常利用非局部均值滤波算法对采集的点云数据进行去噪处理,以提高点云数据的质量,但由于植物的枝叶在光照的影响下会产生阴影区域,导致阴影区域的点云数据无法被正确采集,进而导致通过现有技术对点云数据去噪的效果较差。
为了解决该问题,本实施例提供了一种用于植物种植布局监测的点云数据去噪方法,包括:
步骤S1:获取植物种植场地的点云数据,将每个数据点投影到水平面,获得投影数据点,将数据点的竖坐标作为对应投影数据点的特征值;
步骤S2:以每个投影数据点为中心构建预设尺寸的特征窗口,对特征窗口的尺寸进行迭代扩展,根据每次迭代的特征窗口中投影数据点的特征值的分布以及投影数据点之间的距离,获得每次迭代的特征窗口的优选程度,直至每次迭代与下一次迭代之间特征窗口的优选程度的比值大于预设终止阈值;根据优选程度,从所有迭代的特征窗口中筛选出每个投影数据点的最优窗口;
步骤S3:根据每个投影数据点和对应最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,获得每个投影数据点的阴影可能性;根据阴影可能性的差异,对投影数据点进行去噪处理,获取种植场地的去噪点云数据。
其中,步骤S1~步骤S3在上述一种基于三维点云的植物种植布局监测方法实施例中已给出了详细说明,在此不再赘述。
本实施例带来的有益效果为:本发明考虑到由于植物的枝叶在光照的影响下会产生阴影区域,导致阴影区域的点云数据无法被正确采集,导致通过现有技术对点云数据的去噪效果较差,从而降低对植物种植布局监测的效果,因此本发明首先将种植场地的点云数据中的所有数据点投影到水平面,获取投影数据点,考虑到在阴影区域中采集的点云数据的竖坐标偏低,因此可将每个数据点的竖坐标作为对应投影数据点的特征值,便于后续基于特征值对投影数据点的阴影可能性进行分析,并基于获取的优选程度筛选出每个投影数据点的最优窗口,使得最优窗口中同时包含阴影区域和正常区域,便于后续对投影数据点的处于阴影区域的可能性进行分析,提高最终的去噪效果,考虑到阴影区域和正常区域中的投影数据点具有聚集的特征,同时阴影区域中的投影数据点的特征值偏小,因此可通过获取的阴影可能性反映投影数据点在阴影区域中的可能性,进而基于阴影可能性的差异,对投影数据点进行去噪处理,提高对投影数据点的去噪效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于三维点云的植物种植布局监测方法,其特征在于,所述方法包括:
获取植物种植场地的点云数据,将每个数据点投影到水平面,获得投影数据点,将数据点的竖坐标作为对应投影数据点的特征值;
以每个投影数据点为中心构建预设尺寸的特征窗口,对特征窗口的尺寸进行迭代扩展,根据每次迭代的特征窗口中投影数据点的特征值的分布以及投影数据点之间的距离,获得每次迭代的特征窗口的优选程度,直至每次迭代与下一次迭代之间特征窗口的优选程度的比值大于预设终止阈值;根据所述优选程度,从所有迭代的特征窗口中筛选出每个投影数据点的最优窗口;
根据每个投影数据点和最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,获得每个投影数据点的阴影可能性;根据投影数据点之间所述阴影可能性的差异,对投影数据点进行去噪处理,获取种植场地的去噪点云数据;
基于所述去噪点云数据对植物种植的布局进行监测。
2.根据权利要求1所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述根据每次迭代的特征窗口中投影数据点的特征值的分布以及投影数据点之间的距离,获得每次迭代的特征窗口的优选程度包括:
将每次迭代的特征窗口中的所有投影数据点的特征值分别作为对应特征窗口的分割阈值;
将所述特征值大于分割阈值的投影数据点作为特征窗口在每个分割阈值下的第一数据点,将所述特征值不大于分割阈值的投影数据点作为特征窗口在每个分割阈值下的第二数据点,根据第一数据点和第二数据点之间特征值的差异、第一数据点之间的距离以及第二数据点之间的距离,获得每个分割阈值的分割效果评价因子;
将所有分割阈值的分割效果评价因子的最大值,作为每次迭代的特征窗口的优选程度。
3.根据权利要求2所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述根据第一数据点和第二数据点之间特征值的差异、第一数据点之间的距离以及第二数据点之间的距离,获得每个分割阈值的分割效果评价因子包括:
若第一数据点的数量大于1且第二数据点的数量大于1,则将所有第一数据点的特征值的平均值,作为第一数据点的第一分布参数;将所有第二数据点的特征值的平均值,作为第二数据点的第二分布参数;
将所述第一分布参数和所述第二分布参数的差值的绝对值,作为分布差异;
将所有任意两个第一数据点的距离的平均值,作为第一数据点的第一离散程度,将所有任意两个第二数据点的距离的平均值,作为第二数据点的第二离散程度;
对所述第一离散程度和所述第二离散程度的和值进行负相关归一化,获得聚集程度;
将所述分布差异和所述聚集程度的乘积值,作为每个分割阈值的分割效果评价因子;
若第一数据点的数量不大于1或第二数据点的数量不大于1,则令每个分割阈值的分割效果评价因子等于0。
4.根据权利要求1所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述根据所述优选程度,从所有迭代的特征窗口中筛选出每个投影数据点的最优窗口包括:
将所述优选程度的最大值对应的特征窗口,作为对应投影数据点的最优窗口。
5.根据权利要求2所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述根据每个投影数据点和最优窗口中其他投影数据点之间的距离、对应投影数据点和其他投影数据点之间特征值的差异以及对应最优窗口的优选程度,获得每个投影数据点的阴影可能性包括:
在任意一个投影数据点的最优窗口中,将所述分割效果评价因子的最大值对应的分割阈值,作为最优窗口的最优分割阈值;
将最优分割阈值下所有第二数据点的特征值的平均值与对应投影数据点的特征值之间差值的绝对值,作为第一阴影参数;
将对应投影数据点与最优分割阈值下所有第二数据点的距离的平均值,作为第二阴影参数;
将对应投影数据点的最优窗口的优选程度作为分子,将所述第一阴影参数和所述第二阴影参数的和值作为分母,将比值作为每个投影数据点的阴影可能性。
6.根据权利要求1所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述根据投影数据点之间所述阴影可能性的差异,对投影数据点进行去噪处理,获取种植场地的去噪点云数据包括:
以每个投影数据点为中心构建预设邻域块;
根据任意两个预设邻域块中相同位置的投影数据点之间阴影可能性的差异,对非局部均值滤波算法所使用的预设邻域块之间的均方误差进行修正,获得任意两个预设邻域块之间的修正均方误差;
基于非局部均值滤波算法,在预设搜索范围内,根据所述预设邻域块之间的修正均方误差对所有投影数据点进行去噪处理,获取种植场地的去噪点云数据。
7.根据权利要求6所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述根据任意两个预设邻域块中相同位置的投影数据点之间阴影可能性的差异,对非局部均值滤波算法所使用的预设邻域块之间的均方误差进行修正,获得任意两个预设邻域块之间的修正均方误差包括:
将任意两个预设邻域块中相同位置的投影数据点的阴影可能性之间差值的绝对值进行负相关的归一化,获得对应位置的投影数据点的修正系数;
将任意两个预设邻域块中相同位置的投影数据点的特征值之间差值的平方,作为对应位置的投影数据点之间的初始差异参数;
将所述修正系数和所述初始差异参数的乘积值,作为对应位置的投影数据点之间的修正差异参数;
将任意两个预设邻域块中所有相同位置的投影数据点之间的所述修正差异参数的平均值,作为任意两个预设邻域块之间的修正均方误差。
8.根据权利要求1所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述基于所述去噪点云数据对植物种植的布局进行监测包括:
基于去噪点云数据构建出种植场地的三维模型;
根据所述三维模型,结合植物的不同类型,将植物种植在场地的不同区域中。
9.根据权利要求1所述的一种基于三维点云的植物种植布局监测方法,其特征在于,所述特征窗口每次迭代扩展前后的尺寸差距为2。
10.一种基于三维点云的植物种植布局监测***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311841505.6A CN117496359B (zh) | 2023-12-29 | 2023-12-29 | 基于三维点云的植物种植布局监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311841505.6A CN117496359B (zh) | 2023-12-29 | 2023-12-29 | 基于三维点云的植物种植布局监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496359A true CN117496359A (zh) | 2024-02-02 |
CN117496359B CN117496359B (zh) | 2024-03-22 |
Family
ID=89673015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311841505.6A Active CN117496359B (zh) | 2023-12-29 | 2023-12-29 | 基于三维点云的植物种植布局监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496359B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786325A (zh) * | 2024-02-27 | 2024-03-29 | 山东晨晖电子科技有限公司 | 一种大口径物联网水表的环境温度智慧预警*** |
CN118014887A (zh) * | 2024-04-10 | 2024-05-10 | 佰鸟纵横科技(天津)有限公司 | 一种基于物联网的智能折叠房屋远程监控方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548520A (zh) * | 2016-11-16 | 2017-03-29 | 湖南拓视觉信息技术有限公司 | 一种点云数据去噪的方法和*** |
CN108981610A (zh) * | 2018-07-25 | 2018-12-11 | 浙江大学 | 一种基于时序逻辑边缘检测的三维测量阴影去除方法 |
CN109978800A (zh) * | 2019-04-23 | 2019-07-05 | 武汉惟景三维科技有限公司 | 一种基于阈值的点云阴影数据去除方法 |
CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
CN110533707A (zh) * | 2018-05-24 | 2019-12-03 | 微软技术许可有限责任公司 | 照明估计 |
WO2020244414A1 (zh) * | 2019-06-03 | 2020-12-10 | 杭州海康机器人技术有限公司 | 一种检测障碍物的方法、装置、存储介质和移动机器人 |
CN113657216A (zh) * | 2021-07-30 | 2021-11-16 | 西安理工大学 | 基于形状特征的点云场景树木树冠及木质点分离方法 |
CN114972743A (zh) * | 2022-03-18 | 2022-08-30 | 西安理工大学 | 一种基于半径扩展的层次级单棵树木提取方法 |
US20230133026A1 (en) * | 2021-10-28 | 2023-05-04 | X Development Llc | Sparse and/or dense depth estimation from stereoscopic imaging |
CN116760908A (zh) * | 2023-08-18 | 2023-09-15 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及*** |
CN116862955A (zh) * | 2023-07-04 | 2023-10-10 | 中国农业大学 | 一种植物图像的三维配准方法、***及设备 |
-
2023
- 2023-12-29 CN CN202311841505.6A patent/CN117496359B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548520A (zh) * | 2016-11-16 | 2017-03-29 | 湖南拓视觉信息技术有限公司 | 一种点云数据去噪的方法和*** |
CN110533707A (zh) * | 2018-05-24 | 2019-12-03 | 微软技术许可有限责任公司 | 照明估计 |
CN108981610A (zh) * | 2018-07-25 | 2018-12-11 | 浙江大学 | 一种基于时序逻辑边缘检测的三维测量阴影去除方法 |
CN109978800A (zh) * | 2019-04-23 | 2019-07-05 | 武汉惟景三维科技有限公司 | 一种基于阈值的点云阴影数据去除方法 |
WO2020244414A1 (zh) * | 2019-06-03 | 2020-12-10 | 杭州海康机器人技术有限公司 | 一种检测障碍物的方法、装置、存储介质和移动机器人 |
CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
CN113657216A (zh) * | 2021-07-30 | 2021-11-16 | 西安理工大学 | 基于形状特征的点云场景树木树冠及木质点分离方法 |
US20230133026A1 (en) * | 2021-10-28 | 2023-05-04 | X Development Llc | Sparse and/or dense depth estimation from stereoscopic imaging |
CN114972743A (zh) * | 2022-03-18 | 2022-08-30 | 西安理工大学 | 一种基于半径扩展的层次级单棵树木提取方法 |
CN116862955A (zh) * | 2023-07-04 | 2023-10-10 | 中国农业大学 | 一种植物图像的三维配准方法、***及设备 |
CN116760908A (zh) * | 2023-08-18 | 2023-09-15 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及*** |
Non-Patent Citations (2)
Title |
---|
MOSIN RUSSELL等: "An evaluation of moving shadow detection techniques", 《COMPUTATIONAL VISUAL MEDIA》, 30 September 2016 (2016-09-30), pages 195 - 217, XP055760025, DOI: 10.1007/s41095-016-0058-0 * |
李浩亮等: "一种新颖的基于边缘检测的车辆阴影去除方法", 《郑州大学学报(工学版)》, 30 September 2014 (2014-09-30), pages 11 - 14 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786325A (zh) * | 2024-02-27 | 2024-03-29 | 山东晨晖电子科技有限公司 | 一种大口径物联网水表的环境温度智慧预警*** |
CN117786325B (zh) * | 2024-02-27 | 2024-04-30 | 山东晨晖电子科技有限公司 | 一种大口径物联网水表的环境温度智慧预警*** |
CN118014887A (zh) * | 2024-04-10 | 2024-05-10 | 佰鸟纵横科技(天津)有限公司 | 一种基于物联网的智能折叠房屋远程监控方法 |
CN118014887B (zh) * | 2024-04-10 | 2024-06-04 | 佰鸟纵横科技(天津)有限公司 | 一种基于物联网的智能折叠房屋远程监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117496359B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117496359B (zh) | 基于三维点云的植物种植布局监测方法及*** | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
KR101183391B1 (ko) | 메트릭 임베딩에 의한 이미지 비교 | |
CN106815842A (zh) | 一种改进的基于超像素的图像显著性检测方法 | |
CN111462206A (zh) | 一种基于卷积神经网络的单目结构光深度成像方法 | |
CN115937151B (zh) | 一种作物叶片卷曲程度的判定方法 | |
Zhu et al. | A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy | |
CN112200854A (zh) | 一种基于视频图像的叶类蔬菜三维表型测量方法 | |
CN115239882A (zh) | 一种基于弱光图像增强的农作物三维重建方法 | |
CN111242971B (zh) | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 | |
CN111860488A (zh) | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 | |
CN115187688A (zh) | 基于大气光偏振正交盲分离的雾图重构方法及电子设备 | |
CN117333504B (zh) | 一种复杂地形遥感图像精准分割方法 | |
CN114693524A (zh) | 侧扫声呐图像准确匹配快速拼接方法、设备及存储介质 | |
CN117437271A (zh) | 基于人工智能的三维目标测量方法 | |
CN108447038A (zh) | 一种基于非局部全变分算子的网格去噪方法 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
CN114782455A (zh) | 一种用于农机嵌入式设备的棉花行中心线图像提取方法 | |
Geng et al. | A novel color image segmentation algorithm based on JSEG and Normalized Cuts | |
CN111768101B (zh) | 一种顾及物候特征的遥感耕地变化检测方法及*** | |
CN112949385A (zh) | 一种基于光视觉的水面目标检测与识别方法 | |
CN118097313B (zh) | 基于频域主动学习的高光谱图像分类方法 | |
CN118095654B (zh) | 基于bim的建筑工程建设管理方法及*** | |
CN118115767B (zh) | 一种基于二阶邻近引导的图像数据采样方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |