李楊先，張慧春，楊旸

(南京林業(yè)大學(xué)機械電子工程學(xué)院，南京 210037)

植物表型是指能夠反映植物結(jié)構(gòu)和組成，或能反映植物生長發(fā)育過程和結(jié)果，由基因型與環(huán)境互作所產(chǎn)生的部分或全部可辨識植物物理、生理和生化特征及性狀[1]。傳統(tǒng)表型測量方法具有樣本量小、效率低、誤差大、適應(yīng)性差等缺點，已成為制約植物表型發(fā)展的重要因素[2]。

面對植物表型測量技術(shù)發(fā)展滯后的現(xiàn)狀，基于生物、傳感器、機器視覺技術(shù)以及高性能計算機的表型分析平臺能夠為植物表型的精確化和高效化測量鋪平道路。目前，針對農(nóng)作物的表型監(jiān)測技術(shù)已得到了較好的發(fā)展。與農(nóng)作物相比，林木較高大、多枝葉密、生長周期長、根系發(fā)達和株型較大等特點決定了對其進行表型采集和分析的難度較大。但從林木的經(jīng)濟價值及生態(tài)價值考慮，有必要通過研究林木的表型，培育出有利于提高經(jīng)濟價值和提升人類生存環(huán)境的樹種，從而完善表型信息采集系統(tǒng)在植物領(lǐng)域的應(yīng)用。倪超等[3]設(shè)計了一套基于多目立體視覺的非接觸式馬尾松苗木形態(tài)學(xué)參數(shù)提取系統(tǒng)，利用該系統(tǒng)提取了苗木的根系體積參數(shù)，為苗木質(zhì)量的評價提供了更加精確的形態(tài)指標(biāo)。束義平等[4]采用車載二維激光掃描儀獲取樹木的點云數(shù)據(jù)，并基于點云數(shù)據(jù)檢測分割樹冠、識別樹干，實現(xiàn)了樹冠體積的在線測量；同時，李秋潔等[5]實現(xiàn)了基于移動二維激光掃描的單木三維綠量測定，真實反映了樹冠內(nèi)部體積及空隙。南玉龍等[6]搭建了一套植物冠層超聲回波信號檢測系統(tǒng)，實現(xiàn)了植物冠層密度超聲量化。張慧春等[7]設(shè)計了一套植物表型測量系統(tǒng)，利用該系統(tǒng)可以獲取植物的三維形態(tài)特征并建立植物時序生長可視模型。林木的株高、基徑和分枝數(shù)等表型參數(shù)能夠直接反映林木的生長發(fā)育情況，而葉片面積和分枝角對光合作用的強弱具有直接影響，但是目前鮮見有關(guān)林木這方面形態(tài)表型參數(shù)的研究。

簸箕柳(SalixsuchowensisCheng)作為模式樹種楊樹的姊妹種，已完成全基因組測序，且個體相對較小、幼齡期相對較短[8-9]，易于開展大規(guī)模田間試驗，非常適合作為林木表型研究的對象。本研究以簸箕柳為研究對象，設(shè)計了一種基于圖像處理技術(shù)的植物形態(tài)表型參數(shù)獲取系統(tǒng)，能夠?qū)π螒B(tài)表型參數(shù)進行快速、精確、非破壞性測量，與傳統(tǒng)測量方法相比優(yōu)勢突出，為簸箕柳等林木的生長發(fā)育狀況研究提供了更精確的形態(tài)性狀指標(biāo)。

1 材料與方法

1.1 試驗材料

選取簸箕柳為試驗植株，剪取15段直徑(4±0.2)mm、高(12±0.3)cm的簸箕柳枝條(親本從江蘇省新沂市采集)進行扦插式種植，基質(zhì)選用南京林業(yè)大學(xué)林區(qū)有機土壤。過篩后裝入規(guī)格相同的圓柱形黑色陶瓷花盆(口徑10 cm、高11.5 cm)中。簸箕柳枝條扦插后，手動澆水至土壤飽和，并置于RXZ型人工氣候箱(寧波江南制造廠)中培養(yǎng)。人工氣候箱的環(huán)境參數(shù)設(shè)置為相對濕度80%、溫度28 ℃、光照強度278 μmol/(m2·s)、晝夜時間比為16∶8。在此環(huán)境條件下，簸箕柳存活率高，生長速度較快，有利于試驗的進行。

1.2 圖像采集平臺設(shè)計與構(gòu)建

為獲取植株二維圖像序列，構(gòu)建了一套植物形態(tài)表型圖像采集平臺(圖1)，該平臺主要由密閉采集環(huán)境和光源、旋轉(zhuǎn)平臺和豎直移動平臺、圖像采集模塊三部分組成。整個暗箱環(huán)境框架選用鋁型材構(gòu)建，高角度打光的LED光源[10]和覆蓋在框架上的黑色植絨布能夠盡量減小拍照的噪音干擾。相機旋轉(zhuǎn)平臺和豎直移動平臺、圖像采集模塊的三維示意圖見圖2a，旋轉(zhuǎn)平臺實現(xiàn)相機圍繞簸箕柳進行圓周運動，從而獲取簸箕柳的二維圖像序列；豎直移動平臺通過步進電機控制絲杠導(dǎo)軌改變相機在豎直方向上的高度(相機位置見圖2b，根據(jù)植株的高度不同取H=45～70 cm、h=20～40 cm)，在每個相機位置調(diào)節(jié)相機角度(相機軸線與絲杠導(dǎo)軌軸線的夾角為15°～75°)，保證簸箕柳和標(biāo)定板完全處于相機視野范圍內(nèi)，以獲取2組不同高度下較為完整的圖像信息；圖像采集模塊由高分辨率GO-5000C-PGE型RGB相機和LM8HC型鏡頭組成。簸箕柳形態(tài)表型參數(shù)獲取平臺需要滿足能夠自動從2個高度位置獲取簸箕柳形態(tài)信息且具有較高圖像質(zhì)量的要求，因此，本平臺使用LabVIEW 2016軟件設(shè)計了一個具有相機啟停、對焦顯示窗口、圖像自動存儲、數(shù)量調(diào)整、拍攝時間間隔等功能的相機控制程序，圖像采集控制界面程序如圖3所示。本試驗控制相機旋轉(zhuǎn)一周的時間為195 s，每個相機高度拍攝30張簸箕柳二維圖像，共60張。因此，控制相機每隔 6.5 s拍攝一張簸箕柳圖像。

1. 棋盤格標(biāo)定板；2. 暗箱框架；3. 豎直移動導(dǎo)軌；4. RGB相機；5. 暗箱采集背景；6. LED光源；7. 軌道板；8. 步進電機；9. 旋轉(zhuǎn)圓臺；10. 圖像采集控制系統(tǒng)；11. 電機控制系統(tǒng)；12. 電機驅(qū)動系統(tǒng)。圖1 簸箕柳形態(tài)表型圖像采集平臺Fig. 1 Morphological phenotype image acquisition platform of Salix suchowensis Cheng

1. 相機鏡頭；2. 相機采集卡；3. 角度調(diào)節(jié)裝置；4. 絲杠導(dǎo)軌滑塊；5. 絲杠導(dǎo)軌步進電機；6. 滑輪；7. 絲杠導(dǎo)軌；8. 定滑輪；9. 旋轉(zhuǎn)臺；10. 旋轉(zhuǎn)臺步進電機。圖2 相機移動平臺三維示意圖Fig. 2 Three-dimensional diagram of camera moving platform

1. 圖像路徑存儲；2. 圖像命名；3. 相機選擇；4. 拍攝間隔設(shè)置；5. 拍攝張數(shù)設(shè)置；6. 時間顯示；7. 取消；8. 顯示窗口。圖3 使用LabVIEW設(shè)計的簸箕柳圖像采集界面Fig. 3 Image acquisition interface of Salix suchowensis Cheng designed by LabVIEW

平臺工作流程如下：首先基于圖像采集平臺進行標(biāo)定板圖像的采集，然后采用“張正友標(biāo)定法”[11]基于MATLAB軟件對相機進行標(biāo)定，得到相機的內(nèi)外參數(shù)及畸變參數(shù)。相機標(biāo)定完成后，將簸箕柳擺放在平臺內(nèi)相機拍攝圓周圓心處，通過中控計算機的相機控制系統(tǒng)設(shè)置拍攝圖像數(shù)量、拍攝間隔時間、存儲路徑等參數(shù)。啟動圖像采集平臺，由圖像采集平臺搭載相機圍繞簸箕柳旋轉(zhuǎn)，相機控制系統(tǒng)控制相機拍攝，通過平臺獲取2組不同高度的圖像；基于相機標(biāo)定得到的標(biāo)定參數(shù)對平臺采集的簸箕柳二維圖像序列進行畸變糾正?；兗m正后，基于HSV(hue, saturation, value)模型進行閾值分割，目的是將植物和標(biāo)定板從圖像中提取出來。使用SFM(structure from motion)算法對采集平臺獲取的二維圖像序列重建出三維點云，在此基礎(chǔ)上使用PMVS(patch-based multi view system)算法重建出稠密三維點云。最后利用PCL(point cloud library)點云庫、MATLAB軟件等對生成的簸箕柳點云信息進行操作和計算，分別提取出簸箕柳株高、基徑、葉面積、分枝數(shù)和分枝角參數(shù)。本平臺可以穩(wěn)定地獲取簸箕柳二維圖像，且圖像質(zhì)量清晰，符合平臺的預(yù)期功能。平臺獲取的一幅細節(jié)圖見圖4。

圖4 平臺獲取的圖像Fig. 4 Image acquired by the platform

1.3 植株點云獲取方法

1.3.1 圖像預(yù)處理

圖像預(yù)處理是為了將感興趣的部分與背景等其他干擾像素分割，以此提高圖像的匹配效率和后期的測量精度。由圖4可知，所需保留的部分為簸箕柳和棋盤格標(biāo)定板，花盆、泥土、背景幕布等信息為干擾因素。本研究使用HSV顏色模型并結(jié)合OpenCV庫對圖像進行分割[12]。棋盤格標(biāo)定板的作用為求解點云坐標(biāo)系中距離與世界坐標(biāo)系中真實距離的轉(zhuǎn)換。

使用HSV模型分割首先要將圖像轉(zhuǎn)換為HSV模型再進行分割操作，HSV顏色模型中綠色的閾值區(qū)間為[35，43，46]～[77，255，255]，白色的閾值區(qū)間為[0，0，221]～[188，30，255]。由于光照等因素的影響，簸箕柳和標(biāo)定板不完全是標(biāo)準(zhǔn)色的閾值區(qū)間。試驗結(jié)果表明，簸箕柳選取閾值區(qū)間[30，120，130]～[60，190，255]，標(biāo)定板選取閾值區(qū)間[0，0，100]～[90，70，255]得到的分割效果較好?；贖SV顏色模型的分割效果見圖5。由圖5可知，基于HSV的分割效果干擾信息少，簸箕柳信息保留完整。

圖5 閾值分割圖像Fig. 5 Threshold segmentation of the image

1.3.2 基于圖像序列的植株三維點云獲取與處理

圖6 簸箕柳稀疏點云重建效果圖Fig. 6 Rebuilding effect map of sparse point cloud of Salix suchowensis Cheng

植株三維點云使用基于多視覺立體運動中恢復(fù)結(jié)構(gòu)(structure from motion with multi-view stereo，SFM-MVS)的開源軟件VisualSFM生成。VisualSFM封裝了基于SIFT圖像特征匹配、相機參數(shù)確定及稀疏點云重建等算法[13]，通過導(dǎo)入2組不同視角的植株二維圖像實現(xiàn)植株稀疏點云的重建。其中，每組圖像數(shù)量分別為30張，共60張。2019年3月19日采集的編號為1的簸箕柳稀疏點云重建效果圖見圖6，其中，虛線局部放大圖表示每一張二維圖像的拍攝位置和角度，即拍攝時相機所在位置。

利用SFM重建得到的是稀疏三維點云，為獲得更好的重建效果，需對目標(biāo)重建出稠密三維點云。使用基于片面的三維多視角立體視覺算法(patch-based multi view system，PMVS)生成的植株稠密點云效果見圖7。

從圖7中可以看出，獲得的簸箕柳三維稠密點云包含植株相應(yīng)的紋理和顏色信息，表明此方法在簸箕柳形態(tài)構(gòu)建上具有較好的效果，能夠較真實反映植株形態(tài)。

圖7 生成的稠密點云效果圖Fig. 7 Generated dense point cloud renderings

將生成的三維稠密點云進行濾波預(yù)處理以去除噪聲點和離群點，獲取較為平滑的稠密點云；之后利用標(biāo)定板進行比例縮放，標(biāo)定板中每個方格尺寸為50 mm×50 mm，總體尺寸為150 mm×150 mm。在世界坐標(biāo)系中，原點O坐標(biāo)為(0,0,0)，標(biāo)定板平面中心白方格右上角q1點坐標(biāo)為(0,50,0)，中心白方格左下角q2點坐標(biāo)為(50,0,0)，中心白方格右下角q3點坐標(biāo)為(50,50,0)。在生成的點云坐標(biāo)系中，原點Q在點云坐標(biāo)系中的坐標(biāo)為(x,y,z)，選取點p1(x1,y1,z1)、p2(x2,y2,z2)和p3(x3,y3,z3)。通過式(1)計算出坐標(biāo)位置的縮放關(guān)系K，利用K即可進行點云坐標(biāo)系中距離與世界坐標(biāo)系中真實距離的轉(zhuǎn)換。

(1)

2 簸箕柳表型三維形態(tài)參數(shù)提取

為研究簸箕柳的生長發(fā)育和光合作用等情況，需要選擇合理的形態(tài)參數(shù)用于分析，本研究選取了株高、基徑、葉面積、分枝數(shù)和分枝角等表型形態(tài)參數(shù)進行測量。利用手工測量方式選取的基徑、葉面積、分枝角測量點和測量部位如圖8所示，其中，去除頂部第一個展開的葉片，從上至下選取3個葉片進行葉面積測量。

圖8 形態(tài)參數(shù)手工測量部位Fig. 8 Manual measurement location of morphological parameters

2.1 株高與基徑參數(shù)提取

植物株高的生長速度能夠反映植物長勢情況，楊柳科屬植物的株高一般是指植株與土壤交接點到植株頂部葉片自然伸展至最高處的垂直高度。傳統(tǒng)株高測量方式是使用直尺量取生長點到植株頂部豎直方向的距離，該方法屬于接觸式測量，容易對植物造成損傷[14]。本研究中簸箕柳株高參數(shù)的提取方法如下：首先利用主成分分析法(principal component analysis，PCA)大致確定簸箕柳植株的主徑方向(圖9中箭頭方向)，然后基于此方向做簸箕柳植株的最小包圍盒，包圍盒高度即為簸箕柳株高。PCA的實現(xiàn)方法如下：

1)求取中心點。假設(shè)輸入點集為P={pi|i=1,2,…,n}，點云中點的數(shù)量為n，則點云中心點(pm)為：

(2)

2)求特征協(xié)方差矩陣。通過式(2)求得的pm求取協(xié)方差3×3矩陣Cp：

(3)

3)求協(xié)方差矩陣的特征值和特征向量。由于Cp是對稱實矩陣，可得到3個非負特征值λ0、λ1、λ2，從而計算出相應(yīng)的特征向量e0、e1和e2：

Cpei=λiei，i∈{0,1,2}

(4)

其中，e0代表點云中最密集方向(植株主徑方向)。

圖9 植株高度最小包圍盒Fig. 9 Minimum bounding box of plant height

通過人工獲取的株高參數(shù)記錄了15株簸箕柳快速生長期內(nèi)株高的變化，采集時間為2019年2月20日至2019年3月16日，每隔6 d記錄一組數(shù)據(jù)，記錄5次共75組數(shù)據(jù)。由簸箕柳形態(tài)表型參數(shù)獲取平臺提取的簸箕柳株高參數(shù)，分別選取3組數(shù)據(jù)的平均值作為一次測量結(jié)果，測量日期和間隔都與手工測量相同。

平臺提取基徑的方法為：首先截取簸箕柳的生長枝條，通過確定簸箕柳生長點處基徑邊緣坐標(biāo)(x1,y1,z1)與水平方向上另一邊緣處坐標(biāo)(x2,y2,z2)，計算兩點之間的歐式距離。

通過手工測量的方法記錄15株簸箕柳快速生長期內(nèi)基徑的變化。由于扦插后第一周萌芽的枝條較短，基徑較小，手工測量和平臺都不易提取基徑參數(shù)，因此，選擇簸箕柳扦插后的第二周開始測量，采集時間為2019年3月1日—25日，每隔6 d記錄一組數(shù)據(jù)，記錄5次共75組數(shù)據(jù)。

2.2 葉片面積提取

葉片是植物進行光合作用合成有機物的重要器官，葉片面積大小直接決定了光合作用的強弱，對農(nóng)作物產(chǎn)量具有重要影響[15]。傳統(tǒng)葉片面積測量方法有方格法、描形稱質(zhì)量法和儀器測定法等[16]，本試驗中手工測量數(shù)據(jù)使用YMJ-D型葉面積儀(浙江托普云農(nóng)科技股份有限公司)測量獲得。由于SFM-MVS算法生成點云的規(guī)則特征和植株的形態(tài)差異，獲取的點云數(shù)據(jù)通常分布不均且含有一定誤差[17]。本研究采用最小二乘法對葉片的原始點云數(shù)據(jù)進行處理，以獲取較好的曲面擬合效果。最小二乘法是一種數(shù)學(xué)優(yōu)化算法，即利用最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配[18]。葉片擬合前后曲面重建的對比效果見圖10。

圖10 葉片擬合前后效果對比Fig. 10 Comparison of the effects before and after leaf fitting

計算葉片面積須將葉片點云剖分為三維三角形網(wǎng)格，所有三角剖分后三角形網(wǎng)格的面積之和即為葉片面積。由于分割出的各個葉片坐標(biāo)系存在差異性，因此需要調(diào)整葉片點云，使之處于統(tǒng)一測量坐標(biāo)系。定義的葉片標(biāo)準(zhǔn)測量坐標(biāo)系以葉片的點云重心為坐標(biāo)原點，X、Y、Z軸方向分別與葉片的長度、寬度、厚度方向一致，X、Y、Z軸的正方向符合右手法則。統(tǒng)一測量坐標(biāo)系的目標(biāo)是使葉片點云在空間中具有相同的朝向，利用主成分分析法調(diào)整葉片點云坐標(biāo)系至本研究定義的標(biāo)準(zhǔn)測量坐標(biāo)系，使葉片點云具有相同的朝向。

葉片點云經(jīng)過坐標(biāo)轉(zhuǎn)換和最小二乘法擬合后，利用Delaunay三角剖分算法(一種特殊的三角剖分算法，符合空圓特征和最大化最小角特征2個重要準(zhǔn)則)生成三角形網(wǎng)格，三角剖分后任一三角形的外接圓范圍內(nèi)不會有其他點存在[19]。Delaunay三角剖分算法主要通過以下2個步驟完成：首先，將葉片點云投影到XY平面上，由于對葉片點云進行了坐標(biāo)轉(zhuǎn)換，因此點云投影到XY平面不會造成點的重合，對投影過的二維點進行Delaunay三角剖分；然后，根據(jù)投影前x、y對應(yīng)的z值將三角剖分后的三角形網(wǎng)格返回到三維坐標(biāo)系中。上述2個步驟主要通過MATLAB軟件中的Delaunay和trisurf函數(shù)(用于創(chuàng)建三角剖分曲面圖)完成。

簸箕柳葉面積參數(shù)的測量時間選擇為簸箕柳扦插后的第2周，此時簸箕柳葉片生長較好，也達到了葉面積測量儀所能測量的最小值。采集時間為2019年3月1日—25日，每隔6天記錄一組數(shù)據(jù)，記錄5次共75組數(shù)據(jù)，其中，每組包含3片葉子的測量值。同時，使用葉面積測量儀記錄了15株簸箕柳快速生長期內(nèi)葉面積的變化，每次測量去除頂部第1個展開的葉片，從上至下依次選取3個葉片。

2.3 分枝數(shù)與分枝角提取

簸箕柳分枝數(shù)是單株簸箕柳從主干上生長出的枝條數(shù)。簸箕柳的分枝方式為單軸分枝，主干單一且較為明顯，簸箕柳分枝數(shù)等于自身葉片數(shù)量，每一個分枝上僅有1個葉片，因此提取簸箕柳分枝數(shù)即對簸箕柳葉片數(shù)進行提取。將背景、花盆與主干部分進行分割，只留下葉片部分，并利用分割后的葉片進行三維重建，對于主干分割不理想的情況則后期在點云中進行人為分割處理。在三維空間中，每一個葉片點云之間無交集，可將每個葉片點云看做一個點云團，且每個點云之間的距離小于葉片點云團之間的距離。因此，本研究采用基于歐式距離聚類分割的思想對點云團進行計數(shù)，并設(shè)定閾值，將噪點信息排除。

由于簸箕柳前期分枝不明顯，因此，選擇扦插后第2周開始對15株簸箕柳進行分枝數(shù)的測量，采集時間為2019年3月1日—19日，每隔6天記錄一組數(shù)據(jù)，記錄4次共60組數(shù)據(jù)。

分枝角對樹形結(jié)構(gòu)的形成具有決定性作用，分枝角的大小對簸箕柳枝條間的生長和光照效果有一定影響[20]。傳統(tǒng)的分枝角測量方式為使用量角器測量主干與分枝之間的角度θ。本研究提取分枝角的方法為提取兩個向量之間的夾角，在點云中選取主干上兩點設(shè)置為向量a，分枝上選取兩點設(shè)置為向量b。分枝上選取的第1個點位于分枝與主干的交接處，第2個點與第1個點的連線應(yīng)盡可能沿分枝初始伸長的切線方向，在保證上述選點的條件下，兩點間的距離應(yīng)盡可能遠。利用式(5)求得分枝角θ：

(5)

簸箕柳頂部分枝角基本呈銳角，底部分枝角基本呈鈍角，因此，分別提取頂部和底部兩部分的分枝角進行測量。頂部分枝角的選擇為去除頂部3個分枝后的第1個分枝，底部分枝角的選擇為去除底部3個分枝后的第1個分枝。選擇扦插后第3周開始對15株簸箕柳進行分枝數(shù)的測量，采集時間為2019年3月7日—19日，每隔6天記錄一組數(shù)據(jù)，記錄3次共45組數(shù)據(jù)。

2.4 試驗數(shù)據(jù)對比

簸箕柳形態(tài)表型參數(shù)提取值與人工測量值的比較如圖11所示。簸箕柳形態(tài)表型參數(shù)提取效果通過使用形態(tài)表型參數(shù)提取的結(jié)果誤差來評價，估計誤差由決定系數(shù)(R2)、誤差均方根(RMSE)和平均絕對百分比誤差(MAPE)衡量。本系統(tǒng)提取的簸箕柳各表型參數(shù)與人工測量值的吻合程度較好，能夠較真實地反應(yīng)簸箕柳的形態(tài)屬性。株高、基徑、葉片面積、分枝數(shù)以及分枝角的人工測量值與本系統(tǒng)測量值的RMSE分別為 8.91 mm、0.54 mm、63.65 mm2、1.36和 5.81°；MAPE分別為7.69%，13.94%，9.99%，5.32%和9.30%。

由圖11a可知，與人工測量值相比，該系統(tǒng)提取的株高整體偏高，結(jié)合系統(tǒng)獲取株高的方法進行分析可知，系統(tǒng)獲取的株高值普遍高于人工測量值的原因在于所生成的簸箕柳三維點云數(shù)據(jù)受到噪點的影響，在植株頂端存在噪點干擾，導(dǎo)致生成的包圍盒產(chǎn)生了一定誤差；簸箕柳生長點處一般會萌發(fā)新葉片，生長點處會出現(xiàn)葉片遮擋情況，使生長點處點云重建效果不理想，影響包圍盒的大小。由圖11b可知，系統(tǒng)基徑測量值普遍大于人工測量值，且誤差隨著基徑的增大逐漸減小。結(jié)合試驗分析，由平臺獲取的基徑測量值平均絕對百分比誤差較大，主要是因為簸箕柳基徑尺寸較小，一般為2～7 mm。系統(tǒng)基徑測量誤差來源主要是基徑選取點與人工選取點存在一定的偏差，此外，基徑選取點的偏離也是導(dǎo)致誤差產(chǎn)生的主要原因，而基徑邊緣噪點的干擾也會導(dǎo)致測量值普遍大于人工測量值。

圖11 形態(tài)表型參數(shù)測量準(zhǔn)確性評價Fig. 11 Accuracy evaluation of measurements of morphological phenotype parameters

由圖11c可知，與人工測量值相比，該系統(tǒng)提取的葉片面積值整體偏低。簸箕柳的葉片表面有褶皺結(jié)構(gòu)，利用SFM和CMVS算法生成的植株三維點云不能很好地體現(xiàn)這些細節(jié)，且通過最小二乘法進行擬合會平滑葉片點云，導(dǎo)致葉片面積的計算值偏小。由圖11d可知，系統(tǒng)測量分枝數(shù)與人工測量分枝數(shù)大多重合或較為接近，對于分枝數(shù)較少的階段有部分數(shù)據(jù)偏低，分枝數(shù)較多的階段有部分數(shù)據(jù)偏高。經(jīng)過對產(chǎn)生誤差的數(shù)據(jù)分析可知，產(chǎn)生誤差的主要原因在于圖像的分割質(zhì)量。雖然該方法對圖像邊緣要求較低，但圖像內(nèi)部不能存在缺失部分，如果存在缺失部分就會導(dǎo)致生成的點云之間存在較大間隙，葉片數(shù)會增大，從而導(dǎo)致分枝數(shù)增加。而在分枝數(shù)較少時，主要也是因為葉片存在重疊導(dǎo)致分割效果不理想，使葉片無法區(qū)分，葉片數(shù)減少，導(dǎo)致分枝數(shù)也減少。由圖11e可知，系統(tǒng)測量得到的分枝角基本都比人工測量得到的分枝角大。結(jié)合實際試驗對此結(jié)果進行分析可知，測量誤差主要來源于主干向量與分枝向量的選取，對于點云重建效果不理想的分枝部位進行向量選取時會產(chǎn)生相對較大的誤差；同時，對于分枝較細的部位也會產(chǎn)生較大誤差，分枝較細時，線段的選取不夠準(zhǔn)確。

3 結(jié) 論

本研究提出了一種基于圖像處理技術(shù)的植物形態(tài)表型參數(shù)獲取方法，以模式樹種楊樹的姊妹種簸箕柳作為研究對象，設(shè)計了一套基于RGB相機傳感器的形態(tài)表型參數(shù)獲取平臺，結(jié)合二維圖像恢復(fù)物體幾何外形的方法無損提取了簸箕柳的株高、基徑、葉片面積、分枝數(shù)和分枝角表型參數(shù)。結(jié)果表明：

1)通過對相機高度的調(diào)節(jié)獲取2組不同高度的圖像序列，補充一部分被遮擋部分的信息，能夠在一定程度上減少葉片等器官相互遮擋帶來的影響，提高生成的植株點云數(shù)據(jù)的精度。

2)基于HSV閾值分割的方法能夠較好地將目標(biāo)植物與干擾背景進行分割，簸箕柳自身信息保留較為完整，有利于提高特征匹配速度和形態(tài)表型參數(shù)的提取。

3)基于二維圖像恢復(fù)物體幾何外形的方法可以較精確獲得植株點云數(shù)據(jù)，提取的株高、基徑、葉面積、分枝數(shù)和分枝角參數(shù)除基徑外平均絕對百分比誤差均在10%以內(nèi)?；鶑接捎跀?shù)值較小，因此誤差相對偏大，但能夠滿足植株實際測量和生長觀測的需求， 同時，經(jīng)過預(yù)處理后三維點云的生成速率比使用原圖像提高20%左右。

本研究中基于圖像處理技術(shù)的植物形態(tài)表型參數(shù)獲取方法適用于林木表型信息測量，為林木生長監(jiān)測、育種改良等提供了一種新的表型測量方法，今后將探討該方法用于楊樹等其他林木性狀參數(shù)測量的可行性，為植物表型性狀提取與測量提供新的技術(shù)手段。本研究設(shè)計的植物形態(tài)表型參數(shù)獲取平臺在自動化程度和參數(shù)提取效率上仍有提高的空間，在植株器官分割上未能實現(xiàn)自動分割。因此，提高平臺的自動化程度和采集數(shù)據(jù)的多源性能夠?qū)崿F(xiàn)大規(guī)模的植物形態(tài)表型參數(shù)提取，為植物學(xué)提供有力的研究平臺。