一种基于三维点云的烟草表型性状提取方法技术

本发明专利技术涉及一种基于三维点云的烟草表型性状提取方法，包括如下步骤：步骤一、数据预处理：进行体素下采样处理、去噪处理和坐标校正，获得校正后烟草点云数据；步骤二、植株器官分割：先根据茎秆特征分割出茎秆，再完成叶片粗分割，然后进行重叠叶片的区分，获得茎秆和叶片的组成点；步骤三、叶片孔洞的检测及修补；步骤四、表型数据提取：株高的提取采用分段式近似测量株高的方式；叶面积的提取采用泊松表面重建算法进行叶片的网格化；叶夹角的提取时，先提取骨架点，求其与茎秆的直接夹角，然后通过计算的方式获得叶夹角。本发明专利技术不仅实现了烟草植株株高、叶片数量、叶面积、叶夹角等表型性状的提取工作，还提高了表型性状提取的准确度。度。

【技术实现步骤摘要】
一种基于三维点云的烟草表型性状提取方法


[0001]本专利技术属于植物表型数据测量提取
，具体涉及一种基于三维点云的烟草表型性状提取方法。

技术介绍

[0002]传统的植物表型数据大多是人工手动收集的，不仅低效耗时、成本高、难度大，而且精度不高、人工干预严重、主观意识强，甚至可能在采集过程中对植物造成破坏，而随着计算机视觉技术的问世，基于图像的植物表型提取技术得到迅速发展，其主要包括两大类，基于二维图像的表型提取技术和基于三维点云图像的表型提取技术。
[0003]其中二维图像的表型提取技术由于采集简单、成本低，当前在提取植物株高、株型和冠层面积测定等方面有较多应用。但是受二维图像缺乏空间深度信息特性限制，在实际应用中，为了解决实际三维空间的物体相互遮挡问题，对测量植物叶面积或叶夹角等性状，多采取有损测量方式，即将叶片或部分茎杆从植株中取下，置于二维平面上，进行图像采集。这种方式难以满足高通量、动态检测植株发育表型的需求，同时二维图像拍摄角度问题，实际物体尺寸可能与对照物品存在比例尺度变化问题，因此，该技术在应用中受到诸多因素制约，仅在特定场景下部分特定植物表型测量中被应用。与之相比，三维点云图像解决了二维图像空间深度信息缺失、物体相互遮挡的问题，能够很好地描述植物的三维空间信息、形状特征以及各种三维形态学参数，且其所提取的表型数据具有更高的精度和更佳的鲁棒性，为高通量测量植物表型特征提供了可能，使得在拟南芥、玉米、小麦、水稻等植物表型组学研究中成为研究热点。烟草作为重要的模式植物和经济作物之一，其生物量巨大，同时与玉米、小麦、水稻主要收获籽粒不同，叶片是其重要收获经济器官组织，对烟草而言研究株高、叶片数、叶面积、茎叶夹角等更为重要。因烟草叶片宽大且轮生，采集并处理其三维点云图像与已有研究植物相比，难度更有挑战性，使得至今仍旧没有一种能够准确获取烟草株高、叶片数量、叶面积，叶夹角等表型参数的三维点云植物提取方法。
[0004]基于此，急需研发一种基于三维点云的烟草表型性状提取方法，能够准确提取烟草植株的叶面积、茎叶夹角等性状，以期为烟草种质资源鉴定、轻简宜机烟草品种培育提供支撑，并为其他植物类似研究提供借鉴。

技术实现思路

[0005]本专利技术的目的在于克服现有植物表型提取技术的缺陷，发展一种基于三维点云的烟草表型性状提取方法，可准确获取烟草株高、叶片数量、叶面积，叶夹角等表型参数，实现烟草植株表型性状特征的快速高效获取。
[0006]为实现上述目的，本专利技术所采取的技术方案如下：
[0007]一种基于三维点云的烟草表型性状提取方法，包括如下步骤：
[0008]步骤一、数据预处理：依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正，获得校正后烟草点云数据；
[0009]步骤二、植株器官分割：先根据茎秆特征进行茎秆分割，再进行叶片分割(包括非重叠叶片和重叠叶片的分割)，获得茎秆和叶片的组成点；
[0010]其中，茎秆分割时，首先采用逐步筛选的方式对茎秆进行初筛，然后去除茎秆上粘连的叶片点后，得到茎秆的组成点；
[0011]叶片分割时，首先基于法向量的区域生长算法，初步分割开不同的叶片，然后采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割，最终获得各叶片的组成点；
[0012]步骤三、叶片孔洞的检测及修补
[0013]首先使用半径滤波对叶片进行初筛，筛选出近邻点少的点；然后判断所筛选出的近邻点少的点是边界点还是内部点，筛选出叶片的所有边界点；之后判断所筛选出的边界点是外围边界点还是孔洞边界点，筛选出所有的孔洞边界点，从而完成孔洞的检测；之后，采用三次曲面方程对叶片进行插值拟合，完成孔洞修补，获得最终的烟草点云数据；
[0014]步骤四、表型数据提取：利用孔洞修补后获得的最终的烟草点云数据，进行表型提取，获得植株的表型信息，所述表型包括株高、叶片数量、叶面积、叶夹角中的1个或多个；所述表型提取包括株高提取、叶片数量提取、叶面积提取、叶夹角提取中的1个或多个。
[0015]作为进一步的技术方案，步骤一中，所述原始点云图像数据是采用3D扫描设备对烟草植株进行扫描获得的；
[0016]步骤一中，依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正，获得校正后烟草点云数据，具体包括：
[0017]首先采用体素下采样的方法缩减原始点云图像数据的点数量，然后采用半径滤波和统计滤波过滤掉下采样得到的点云图像数据中的异常点和离群点，之后进行法向量估计，最后进行坐标校正，获得校正后烟草点云数据。
[0018]作为进一步的技术方案，所述法向量估计，具体操作如下：下采样得到的点云图像数据中任取一点为点p，利用k
‑
d树找到点p的k个近邻点，然后将找到的所述k个近邻点和点p自身，采用主成分分析(PCA)算法求出k个近邻点和点p自身构成的协方差矩阵的最小特征值对应的特征向量，将所述特征向量作为该点p法向量的估计；
[0019]所述坐标校正，包括两个步骤：第一步，茎秆方向的估计：基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化，求得茎秆初始估计方向(记作)；然后，对茎秆初始估计方向进行迭代修正，确定茎秆最终估计方向(记作)，最后，将坐标系的z轴旋转至茎秆最终估计方向的位置，将下采样得到的点云图像数据中所有点投影到旋转后的xOy平面上，计算所有投影点的形心点坐标(x0.y0)后，平移原点O到所述形心点处以完成坐标校正，得到校正后的烟草点云数据。
[0020]作为进一步的技术方案，进行坐标校正时，基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化，求得茎秆初始估计方向具体包括如下步骤：
[0021]设下采样得到的点云图像数据中的点数为m，每个点的法向量为设下采样得到的点云图像数据中的点数为m，每个点的法向量为
[0022]设茎秆初始估计方向为求解如下最优化问题：
[0023][0024]记将目标问题转化为：
[0025][0026][0027]求得茎秆初始估计方向
[0028]作为进一步的技术方案，进行坐标校正时，对茎秆初始估计方向进行迭代修正，确定茎秆最终估计方向具体包括如下步骤：
[0029]步骤(1)、置r＝150mm，Δr＝5mm；；
[0030]步骤(2)、以为母线，r为半径，提取圆柱体V；
[0031]步骤(3)、使用PCA算法提取圆柱体V的第一主成分方向
[0032]步骤(4)、若r<30mm，结束循环；否则置并缩减r为r
‑
Δr，重复步骤(2)
‑
步骤(4)，直至循环结束，即可确定茎秆最终估计方向
[0033]作为进一步的技术方案，步骤二中，茎秆分割时，采用逐步筛选的方式对茎秆进行初筛，然后去除茎秆上粘连的叶片点后，得到茎秆的组成点，具体包括如下步骤：
[0034]步骤1)、基于坐标校正后获得的校正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维点云的烟草表型性状提取方法，其特征在于，包括如下步骤：步骤一、数据预处理：依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正，获得校正后烟草点云数据；步骤二、植株器官分割：先根据茎秆特征进行茎秆分割，再进行叶片分割，获得茎秆和叶片的组成点；其中，茎秆分割时，首先采用逐步筛选的方式对茎秆进行初筛，然后去除茎秆上粘连的叶片点后，得到茎秆的组成点；叶片分割时，首先基于法向量的区域生长算法，初步分割开不同的叶片，然后采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割，最终获得各叶片的组成点；步骤三、叶片孔洞的检测及修补首先使用半径滤波对叶片进行初筛，筛选出近邻点少的点；然后判断所筛选出的近邻点少的点是边界点还是内部点，筛选出叶片的所有边界点；之后判断所筛选出的边界点是外围边界点还是孔洞边界点，筛选出所有的孔洞边界点，从而完成孔洞的检测；之后，采用三次曲面方程对叶片进行插值拟合，完成孔洞修补，获得最终的烟草点云数据；步骤四、表型数据提取：利用孔洞修补后获得的最终的烟草点云数据，进行表型提取，获得植株的表型信息，所述表型包括株高、叶片数量、叶面积、叶夹角中的1个或多个；所述表型提取包括株高提取、叶片数量提取、叶面积提取、叶夹角提取中的1个或多个。2.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法，其特征在于，步骤一中，所述原始点云图像数据是采用3D扫描设备对烟草植株进行扫描获得的；步骤一中，依次对原始点云图像数据进行体素下采样处理、去噪处理和坐标校正，获得校正后烟草点云数据，具体包括：首先采用体素下采样的方法缩减原始点云图像数据的点数量，然后采用半径滤波和统计滤波过滤掉下采样得到的点云图像数据中的异常点和离群点，之后进行法向量估计，最后进行坐标校正，获得校正后烟草点云数据。3.根据权利要求2所述的一种基于三维点云的烟草表型性状提取方法，其特征在于，所述法向量估计，具体操作如下：下采样得到的点云图像数据中任取一点为点p，利用k
‑
d树找到点p的k个近邻点，然后将找到的所述k个近邻点和点p自身，采用主成分分析(PCA)算法求出k个近邻点和点p自身构成的协方差矩阵的最小特征值对应的特征向量，将所述特征向量作为该点p法向量的估计；所述坐标校正，包括两个步骤：第一步，茎秆方向的估计：基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化，求得茎秆初始估计方向(记作)；然后，对茎秆初始估计方向进行迭代修正，确定茎秆最终估计方向(记作)，最后，将坐标系的z轴旋转至茎秆最终估计方向的位置，将下采样得到的点云图像数据中所有点投影到旋转后的xOy平面上，计算所有投影点的形心点坐标(x0.y0)后，平移原点O到所述形心点处以完成坐标校正，得到校正后的烟草点云数据。4.根据权利要求3所述的一种基于三维点云的烟草表型性状提取方法，其特征在于，进行坐标校正时，基于下采样得到的点云图像数据中整株烟草点云的所有点法向量外积和的模的最小化，求得茎秆初始估计方向具体包括如下步骤：
设下采样得到的点云图像数据中的点数为m，每个点的法向量为设下采样得到的点云图像数据中的点数为m，每个点的法向量为设茎秆初始估计方向为求解如下最优化问题：记将目标问题转化为：将目标问题转化为：求得茎秆初始估计方向5.根据权利要求3所述的一种基于三维点云的烟草表型性状提取方法，其特征在于，进行坐标校正时，对茎秆初始估计方向进行迭代修正，确定茎秆最终估计方向具体包括如下步骤：步骤(1)、置r＝150mm，Δr＝5mm；；步骤(2)、以为母线，r为半径，提取圆柱体V；步骤(3)、使用PCA算法提取圆柱体V的第一主成分方向步骤(4)、若r<30mm，结束循环；否则置缩减半径r为r
‑
Δr，重复步骤(2)
‑
步骤(4)，直至循环结束，即可确定茎秆最终估计方向6.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法，其特征在于，步骤二中，茎秆分割时，采用逐步筛选的方式对茎秆进行初筛，然后去除茎秆上粘连的叶片点后，得到茎秆的组成点，具体包括如下步骤：步骤1)、基于坐标校正后获得的校正后烟草点云数据，使用xy方向上的直通滤波，筛选出原点附近的点；步骤2)、基于重估计后的法向量(记为)，将法向量单位化后，筛选出|n
z
|<0.2的数据点；步骤3)、使用统计滤波过滤掉筛选出的|n
z
|<0.2的数据点中的异常点和离群点，完成初筛，获得初筛后点云数据；步骤4)、将初筛后点云数据使用基于欧式距离的密度聚类算法进行聚类，筛选出点数最多的一类；步骤5)、将步骤4)筛选的点数最多的一类，使用基于法向量的区域生长算法进行聚类，继续筛选出点数最多的一类，此次所筛选出的点数最多的一类中的所有点即为最终茎秆的组成点。7.根据权利要求1所述的一种基于三维点云的烟草表型性状提取方法，其特征在于，步骤二中，采用迭代更新聚类中心及曲面拟合的方式对重叠叶片进行分割，最终获得各叶片的组成点，具体步骤如下：
步骤1、选取离茎秆较近的点DBSCAN密度聚类，获得k1个聚类以及每一聚类的初始聚类中心；记所述k1个聚类中每个聚类为C
i
(i＝1,
…
,k1)，所述聚类的聚类中心为c
i
(i＝1,
…
...

【专利技术属性】
技术研发人员：余世洲，刘杰，陈嘉锐，曹领改，杨志晓，徐海明，张洁，毕惟红，蒋杭进，陈国波，
申请(专利权)人：贵州省烟草科学研究院，
类型：发明
国别省市：