李玉超 張博 汪永剛 張雪景 張君 范曉飛

摘要：提高植物三維點(diǎn)云模型重建時的準(zhǔn)確性與完整性，是精準(zhǔn)獲取植物表型參數(shù)的關(guān)鍵所在。目前大多數(shù)三維重建方法只能從某一方向?qū)δ繕?biāo)物體進(jìn)行重建，缺乏完整的三維重建過程。為了解決此問題，本研究提出了一種基于多視角圖像序列的玉米雙面配準(zhǔn)的三維重建方法，通過安裝在圖像采集平臺上下側(cè)的RGB相機(jī)來獲取玉米不同視角的圖像序列，基于SfM算法獲取玉米的三維點(diǎn)云模型后使用點(diǎn)云顏色濾波算法進(jìn)行預(yù)處理。通過交互式選點(diǎn)測量方法得到玉米點(diǎn)云的空間坐標(biāo)后基于歐式距離算法計算20組玉米的株高、葉長、葉寬等表型參數(shù)，與對應(yīng)的手動測量結(jié)果相比，決定系數(shù)r2依次為0.973 6、0.969 1、0.915 0，結(jié)果表明兩者間顯著相關(guān)。之后對標(biāo)記物使用4PCS和PCA算法進(jìn)行粗配準(zhǔn)，結(jié)果表明采用4PCS具有更好的粗配準(zhǔn)效果。最后采用ICP算法進(jìn)行標(biāo)記物的精配準(zhǔn)，得到變換矩陣后將其應(yīng)用于玉米點(diǎn)云，即完成了玉米點(diǎn)云的雙面配準(zhǔn)。由玉米點(diǎn)云的配準(zhǔn)精度均方根值（RMS）可知，當(dāng)點(diǎn)云重疊度設(shè)置為90%時，RMS值較小，玉米點(diǎn)云配準(zhǔn)的精度更高，可達(dá)到較好的配準(zhǔn)效果。總之，本研究所提的配準(zhǔn)方法可以拼接和重建出結(jié)構(gòu)更加完整的玉米點(diǎn)云模型，從而滿足對玉米表型研究的需求。

關(guān)鍵詞：多視圖重建；點(diǎn)云預(yù)處理；玉米表型；點(diǎn)云配準(zhǔn)；三維重建

中圖分類號：S126 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2023）08-0177-08

基金項目：河北省高層次人才資助項目（編號：E2019100006）；河北省重點(diǎn)研發(fā)計劃（編號：20327403D）；河北農(nóng)業(yè)大學(xué)引進(jìn)人才項目（編號：YJ201847）；2021年度石家莊市引進(jìn)國外智力項目。

作者簡介：李玉超（1996—），男，河北定州人，碩士研究生，研究方向?yàn)橹参锉硇汀-mail：chao15930202106@163.com。

通信作者：范曉飛，博士，教授，主要從事智慧農(nóng)業(yè)與圖像處理研究。E-mail：hbaufxf@163.com。

高通量表型是植物科學(xué)研究的重要組成部分，準(zhǔn)確快速地測量植物表型可以更好地分析其基因型與表型之間的關(guān)系［1］。選擇最佳的植物表型更是作物育種的關(guān)鍵步驟之一［2］，而傳統(tǒng)的測量方法主要靠人力進(jìn)行測量，費(fèi)時費(fèi)力，對作物易造成不可逆的損害。因此，使用無損測量的成像技術(shù)用于分析作物表型尤為重要［3］。與二維圖像相比，在三維空間中分析作物表型具有更高的準(zhǔn)確性，可以獲取更詳細(xì)的表型信息［4-5］。三維重建技術(shù)的快速發(fā)展為獲取植物的三維模型提供了可能［6］。

目前三維重建技術(shù)在農(nóng)業(yè)方面的應(yīng)用十分廣泛［7-8］。常見的三維重建方法有LiDAR法［9］、Kinect法［10］和多視圖重建法［11］等，不同的三維重建方法所采用的原理也不盡相同。其中基于多視角圖像序列的三維重建方法具有成本低、操作簡便和自動化程度高的特點(diǎn)。在獲取多視角圖像序列之后，基于運(yùn)動恢復(fù)結(jié)構(gòu)（SfM）算法來進(jìn)行三維重建的方法具有效率高的特點(diǎn)，可以準(zhǔn)確地重建出點(diǎn)云模型。井然等使用無人機(jī)結(jié)合SfM算法，對挺水植物進(jìn)行了三維建模，進(jìn)而對其生物量進(jìn)行了準(zhǔn)確估算［12］。Malambo等使用基于無人機(jī)的SfM算法量玉米和高粱的田間表型，通過采集株高數(shù)據(jù)分析了2種作物在生長周期內(nèi)的變化趨勢［13］。孫英偉等提出一種基于SfM算法的單木結(jié)構(gòu)參數(shù)快速提取方法，其提取的樹木胸徑、樹高、冠幅等表型與實(shí)測值相關(guān)系數(shù)均大于0.94［14］。張慧春等使用SfM方法對擬南芥進(jìn)行了三維重建，提取的擬南芥表型性狀主要包括葉寬、葉長、主莖長度、葉片面積等［15］。Sun等使用SfM方法重建了棉鈴的三維結(jié)構(gòu)圖，并通過點(diǎn)云聚類和分割獲得了棉鈴的數(shù)量和位置［16］。Zhang等使用SfM通過從不同視圖捕獲圖像來重建甘薯植物，對葉面積、株高、株數(shù)、葉面積指數(shù)等植物特征進(jìn)行生長監(jiān)測，結(jié)果表明三維模型中測量值與實(shí)際測量值之間具有高度相關(guān)性［17］。

點(diǎn)云配準(zhǔn)旨在將多個點(diǎn)云正確配準(zhǔn)到同一個坐標(biāo)系下，形成更完整的點(diǎn)云，從而達(dá)到更高的精度［18］。朱啟兵等使用RANSAC算法進(jìn)行點(diǎn)云的初始配準(zhǔn)，之后采用ICP算法完成精配準(zhǔn)得到了盆栽金桔的完整點(diǎn)云［19］。陸健強(qiáng)等提出一種基于輕量化處理的ICP優(yōu)化算法，通過對滴水蓮三維建模并進(jìn)行配準(zhǔn)后取得了預(yù)期效果，能夠準(zhǔn)確反映出植物點(diǎn)云的形態(tài)特征［20］。方慧等采用多軟件、多視場掃描和拼接方法及ICP算法相結(jié)合的配準(zhǔn)方式完成植株點(diǎn)云的配準(zhǔn)，可以較好地提高局部點(diǎn)云的配準(zhǔn)效果［21］。然而上述研究對植物進(jìn)行建模、拼接和配準(zhǔn)時存在植物結(jié)構(gòu)重建時不夠清晰的問題，對植物更詳細(xì)的表型信息獲取仍有待提高，因此本研究提出了一種對玉米植物進(jìn)行雙面配準(zhǔn)的方法。

本研究通過RGB相機(jī)進(jìn)行拍照，從兩側(cè)獲取玉米幼苗全視角圖像序列，基于SfM算法生成玉米不同方向的三維點(diǎn)云模型。之后經(jīng)過點(diǎn)云預(yù)處理和點(diǎn)云配準(zhǔn)拼接得到新的玉米點(diǎn)云模型，可以獲取植株結(jié)構(gòu)更完整的表型信息。本研究提出的方法快速準(zhǔn)確，在無損提取植物表型特征信息的同時，可以構(gòu)建精確的玉米三維模型。

1 試驗(yàn)與方法

1.1 材料與設(shè)備

選用的試驗(yàn)材料是玉米品種鄭單958的種子，在保定農(nóng)資市場選購。玉米具有生長速度較快，種子從發(fā)芽到出苗生長周期較短的特點(diǎn)，在用三維成像技術(shù)觀察植物形態(tài)特征上能夠滿足觀測的需求。

本研究使用2個RGB相機(jī)分別采集植物上下面的圖像序列，RGB相機(jī)分辨率為2 048×1 536，型號為JAI公司的FSFE-3200D-10GE。采集圖像數(shù)據(jù)時，待測植物置于載物臺上，通過控制器使得與旋轉(zhuǎn)臺相連的相機(jī)轉(zhuǎn)動，相機(jī)每隔2 s拍攝1次，轉(zhuǎn)過的角度為6°，旋轉(zhuǎn)1周后總計可以獲取 60～70張圖片，之后把采集到的圖片數(shù)據(jù)傳送到計算機(jī)中進(jìn)行處理。

為了把玉米上下面的三維點(diǎn)云模型進(jìn)行配準(zhǔn)，在進(jìn)行拍照時在載物臺上畫了已知實(shí)際尺寸的直角三角形（邊長分別為3、4、5 cm）作為標(biāo)記物，來作為配準(zhǔn)的參照物。三維重建后，先從上下2個方向?qū)⒄瘴稂c(diǎn)云進(jìn)行配準(zhǔn)，得到變換矩陣之后，再應(yīng)用于玉米點(diǎn)云模型的配準(zhǔn)。本研究中進(jìn)行玉米雙面配準(zhǔn)的流程如圖1所示。

所用三維成像設(shè)備由旋轉(zhuǎn)平臺、相機(jī)固定支架、相機(jī)、載物臺和控制器等部分組成，如圖2所示。旋轉(zhuǎn)平臺用來帶動相機(jī)固定支架和相機(jī)的旋轉(zhuǎn)，載物臺用來放置待測試驗(yàn)材料，控制器用來控制電機(jī)轉(zhuǎn)動的速度。

1.2 基于SfM的三維重建

基于圖像的三維重建技術(shù)主要是將二維圖像恢復(fù)成三維模型的技術(shù)［22］。運(yùn)動恢復(fù)結(jié)構(gòu)算法（SfM）作為三維重建的一種，其重建原理是將采集的多視角圖像序列，運(yùn)用匹配算法獲得圖像相同像素點(diǎn)的對應(yīng)關(guān)系，再利用匹配約束關(guān)系，結(jié)合三角測量原理，獲得空間點(diǎn)的三維坐標(biāo)，進(jìn)而重建出物體的三維模型［23］。重建過程主要包括特征點(diǎn)提取與匹配、稀疏點(diǎn)云重建和密集點(diǎn)云重建等關(guān)鍵步驟。

本研究中使用的基于運(yùn)動恢復(fù)結(jié)構(gòu)算法（SfM）進(jìn)行三維重建的軟件主要有AgisoftMetashape和CloudCompare。本研究中三維點(diǎn)云的稀疏重建和密集重建結(jié)果如圖3所示。圖3-a是采用SfM算法獲得的玉米植株的稀疏點(diǎn)云，圖3-b是在圖3-a基礎(chǔ)上生成的密集點(diǎn)云，圖3-c是去除無關(guān)背景后提取的玉米植株。同理，圖3-d是玉米葉片的稀疏點(diǎn)云，圖3-e是其密集點(diǎn)云，圖3-f是提取的玉米葉片。

1.3 點(diǎn)云預(yù)處理

在采集點(diǎn)云數(shù)據(jù)時，由于設(shè)備精度和環(huán)境因素等帶來的影響，點(diǎn)云數(shù)據(jù)中將不可避免地出現(xiàn)一些噪聲點(diǎn)。因此需要采用點(diǎn)云預(yù)處理方法把無關(guān)信息過濾去除，進(jìn)而提高點(diǎn)云運(yùn)算時的速度［24］。本研究主要使用基于顏色閾值分割的方法去除植物邊緣的噪聲點(diǎn)，從而獲得用于研究分析的標(biāo)記物和玉米點(diǎn)云模型［25］。

在二維圖像中基于顏色的閾值分割的基本思想是確定一個閾值，然后把每個像素點(diǎn)的灰度值和閾值相比較，根據(jù)比較的結(jié)果把像素點(diǎn)進(jìn)行劃分歸類，符合設(shè)定閾值的圖像像素點(diǎn)保留，不符合閾值要求的像素點(diǎn)刪除。基于顏色閾值的點(diǎn)云濾波與此相類似，在獲取點(diǎn)云的RGB信息之后，進(jìn)行RGB顏色閾值的設(shè)定。由于點(diǎn)云噪點(diǎn)的RGB值與葉片的RGB值相差較大，所以可以根據(jù)此差值來進(jìn)行閾值的設(shè)定，根據(jù)點(diǎn)云顏色信息，可以去除玉米幼苗葉片邊緣的白色噪點(diǎn)。

1.4 玉米點(diǎn)云表型測量方法

本研究通過對三維重建后的玉米點(diǎn)云模型進(jìn)行交互式選點(diǎn)測量，得到點(diǎn)云空間坐標(biāo)，之后基于歐式距離算法原理得到玉米株高、葉長和葉寬的大小，由此得到的數(shù)據(jù)與玉米植株手動測量值結(jié)果相比較，來驗(yàn)證本研究中點(diǎn)云測量的精度。

在數(shù)學(xué)中，歐幾里得距離（即歐氏距離）是歐幾里得空間中兩點(diǎn)間距離。在n維空間中，假設(shè)有2點(diǎn)a（x11，x12，…，x1n）和b（x21，x22，…，x2n），則n維空間的距離公式為：

由此可知在三維空間中，假設(shè)有兩點(diǎn)a（x1，y1，z1）和b（x2，y2，z2），則三維空間歐氏距離計算公式為：

基于以上距離計算公式，在知道點(diǎn)云坐標(biāo)的前提下，可以求出點(diǎn)云測量的玉米株高、葉長和葉寬等參數(shù)。

1.5 點(diǎn)云同一尺度縮放

受相機(jī)的鏡頭精度、拍攝距離和轉(zhuǎn)臺的機(jī)械震動等客觀因素的影響，得到的玉米作物點(diǎn)云模型在尺度上存在大小不一致的問題，如果直接配準(zhǔn)拼接的話會導(dǎo)致較大的誤差，因此需要先對其進(jìn)行縮放，再進(jìn)行配準(zhǔn)。

點(diǎn)云縮放是指尺度按比例縮放一定的倍數(shù)，點(diǎn)云數(shù)量保持不變。本研究中點(diǎn)云縮放的具體方法就是把獲取的上下面的標(biāo)記物點(diǎn)云模型分別記作M和N。采用主成分分析法（PCA）構(gòu)建點(diǎn)云的包圍盒，得出點(diǎn)云模型在坐標(biāo)軸上的長度。把M和N 2個點(diǎn)云模型在對應(yīng)坐標(biāo)軸上的長度的比值作為縮放比例。

本研究取y軸作為參照進(jìn)行縮放，縮放公式為：

式中：YM和YN分別為標(biāo)記物點(diǎn)云M和N在y軸方向的長度；k為縮放比例。

1.6 三維點(diǎn)云配準(zhǔn)

點(diǎn)云的配準(zhǔn)過程，本質(zhì)上就是求點(diǎn)云之間的旋轉(zhuǎn)平移矩陣，將源點(diǎn)云變換到目標(biāo)點(diǎn)云相同的坐標(biāo)系下?？梢杂檬剑?）進(jìn)行表示：

式中：pt和ps指的是目標(biāo)點(diǎn)云與源點(diǎn)云中的對應(yīng)點(diǎn)。點(diǎn)云配準(zhǔn)關(guān)鍵之處就是要求出其中的R與T的旋轉(zhuǎn)平移矩陣。

點(diǎn)云配準(zhǔn)主要分為粗配準(zhǔn)和精配準(zhǔn)2個部分。點(diǎn)云粗配準(zhǔn)就是在2個點(diǎn)云的相對位置關(guān)系不明確的情況下，找到一個這2個點(diǎn)云相似的旋轉(zhuǎn)平移矩陣。本研究所用到的點(diǎn)云粗配準(zhǔn)方法主要有4PCS算法和PCA算法，通過比較得出4PCS算法具有更好的配準(zhǔn)效果。之后采用ICP算法對點(diǎn)云進(jìn)行精配準(zhǔn)，得到變換矩陣。由于目標(biāo)物體和玉米點(diǎn)云模型的相對位置是不變的，因此把變換矩陣應(yīng)用于玉米模型，也就完成了研究對象的點(diǎn)云配準(zhǔn)。

1.6.1 基于4PCS算法的點(diǎn)云粗配準(zhǔn)

4PCS配準(zhǔn)算法［26］使用的是RANSAC算法框架，通過構(gòu)建與匹配全等四點(diǎn)對的方式來減少空間匹配運(yùn)算，進(jìn)而加速配準(zhǔn)過程。在任意姿態(tài)的點(diǎn)云P和Q中構(gòu)建共面四點(diǎn)集合，使用仿射不變性約束，在共面四點(diǎn)集合中匹配符合條件的對應(yīng)點(diǎn)對，使用LCP策略尋找配準(zhǔn)后最大重疊度四點(diǎn)對，得到最優(yōu)匹配結(jié)果，從而完成點(diǎn)云粗匹配。

1.6.2 基于PCA的點(diǎn)云粗配準(zhǔn)

基于主成分分析（PCA）的點(diǎn)云粗配準(zhǔn)，重點(diǎn)是利用點(diǎn)云數(shù)據(jù)的主軸方向進(jìn)行配準(zhǔn)。首先需要計算出待配準(zhǔn)點(diǎn)云的協(xié)方差矩陣，據(jù)此計算出主要的特征分量，即點(diǎn)云的主軸方向。通過主軸方向可以求出旋轉(zhuǎn)矩陣，再根據(jù)計算得出的點(diǎn)云中心坐標(biāo)可以求解出平移向量。

由于點(diǎn)云數(shù)據(jù)主軸可能存在方向的問題，通過PCA分析得到的初始的旋轉(zhuǎn)矩陣R0和平移向量T0不一定可以用于點(diǎn)云的精配準(zhǔn)。因此在進(jìn)行點(diǎn)云精配準(zhǔn)之前，需要完成對R0和T0的校正，以此來避免粗配準(zhǔn)后點(diǎn)云誤差大和精配準(zhǔn)會往錯誤方向收斂的問題。

校正公式如下：

假設(shè)2組點(diǎn)云P和X，利用R0和T0將點(diǎn)云P進(jìn)行旋轉(zhuǎn)平移得到Pnew，之后搜索最近點(diǎn)找到Pnew在點(diǎn)云X中的對應(yīng)點(diǎn)集Q（數(shù)目為n），利用上述公式可以計算出點(diǎn)云粗配準(zhǔn)的誤差，其中erri是第i個對應(yīng)點(diǎn)間的誤差，error是2組點(diǎn)云的平均均方誤差。

1.6.3 基于ICP算法的點(diǎn)云精配準(zhǔn)

ICP算法的基本原理就是分別在待匹配的目標(biāo)點(diǎn)云P和源點(diǎn)云Q中，按照一定的約束條件，找到最鄰近點(diǎn)（pi，qi），然后計算出最優(yōu)匹配參數(shù)R和t，使得誤差最小。誤差函數(shù)公式為：

式中：n為最鄰近點(diǎn)對的個數(shù)；pi為目標(biāo)點(diǎn)云P中的一點(diǎn)；qi為源點(diǎn)云Q中與pi對應(yīng)的最近點(diǎn)；R為旋轉(zhuǎn)矩陣；t為平移向量。

ICP算法的配準(zhǔn)流程首先要計算{Q}中的每一個點(diǎn)在{P}點(diǎn)集中的對應(yīng)近點(diǎn)，之后求取對應(yīng)點(diǎn)對平均距離最小的剛體變換，求得平移參數(shù)和旋轉(zhuǎn)參數(shù)。對{Q}使用上一步求得的平移和旋轉(zhuǎn)矩陣進(jìn)行空間變換，得到新的變換點(diǎn)集{Q′}，若新的變換點(diǎn)集與參考點(diǎn)集平均距離小于設(shè)定閾值，或者迭代次數(shù)達(dá)到設(shè)定值，則停止迭代計算，否則新的變換點(diǎn)集繼續(xù)迭代，直到滿足函數(shù)要求。

2 結(jié)果與分析

2.1 點(diǎn)云預(yù)處理結(jié)果

圖4所示的2組數(shù)據(jù)分別為從上下方向?qū)τ衩子酌绲耐暾仓旰腿~片進(jìn)行多視角圖像采集之后三維重建的結(jié)果。本研究使用了基于顏色的點(diǎn)云濾波方法之后，明顯地去除了離群點(diǎn)和葉片間的懸空點(diǎn)等無關(guān)點(diǎn)云，較好地保留了玉米和標(biāo)記物點(diǎn)云模型。由圖4可知，該算法具有很好的點(diǎn)云濾波效果。

2.2 玉米表型測量結(jié)果

玉米表型測量結(jié)果如圖5所示。通過對5盆玉米進(jìn)行了為期4 d的數(shù)據(jù)采集，一共獲取了20組數(shù)據(jù)，之后進(jìn)行三維重建，對玉米的株高、葉長和葉寬等表型參數(shù)進(jìn)行了提取研究。其中玉米株高的均方根誤差（RMSE）為9.83 mm，決定系數(shù)r2為 0.973 6（圖5-a）；玉米葉長的均方根誤差（RMSE）為9.95 mm，決定系數(shù)r2為0.969 1（圖5-b）； 玉米葉寬的均方根誤差（RMSE）為0.55 mm，決定系數(shù)r2為0.915 0（圖5-c）。結(jié)果表明，通過點(diǎn)云提取的玉米表型參數(shù)與手動測量值顯著相關(guān)。與傳統(tǒng)人工測量的方法相比，通過點(diǎn)云測量的方式可以達(dá)到無損、快速、準(zhǔn)確提取的效果。

本研究中手動測量和點(diǎn)云測量的玉米表型數(shù)據(jù)如表1所示。

2.3 點(diǎn)云縮放結(jié)果

三角形標(biāo)記物和玉米點(diǎn)云的縮放結(jié)果如圖6和圖7所示，其中藍(lán)色表示的是上方的RGB相機(jī)拍照后進(jìn)行建模的點(diǎn)云模型，紅色表示的是下方的RGB相機(jī)拍照后進(jìn)行建模的點(diǎn)云模型。在進(jìn)行縮放之前，三角形標(biāo)記物和玉米點(diǎn)云模型在大小和形態(tài)上有較為明顯的差別，主要原因就是上下方向上的RGB相機(jī)在進(jìn)行拍照時到玉米和三角形標(biāo)記物的距離不同導(dǎo)致的?？s放之后，上圖所示的點(diǎn)云模型統(tǒng)一了尺度，在大小以及形態(tài)上十分接近?？梢妼Λ@取的點(diǎn)云模型進(jìn)行縮放具有十分重要的意義，可為點(diǎn)云進(jìn)行配準(zhǔn)時減少誤差。

2.4 點(diǎn)云配準(zhǔn)結(jié)果

本研究使用了4PCS算法和PCA算法對點(diǎn)云進(jìn)行了粗配準(zhǔn)，配準(zhǔn)效果如圖8所示。圖8-a中綠色表示的是從上方視角進(jìn)行建模后獲取的標(biāo)記物和玉米點(diǎn)云模型，紅色表示的是從下方視角獲取的點(diǎn)云模型。圖8-b中白色及藍(lán)色點(diǎn)云分別表示從上方視角和下方視角建模后獲取的點(diǎn)云模型。從圖8可以看出，使用4PCS算法在點(diǎn)云配準(zhǔn)方面的效果較好一些，所獲取的點(diǎn)云模型大體上可以配準(zhǔn)。雖然采取4PCS算法可以實(shí)現(xiàn)點(diǎn)云初步配準(zhǔn)，但是點(diǎn)云模型并沒有完全重合，玉米的點(diǎn)云形態(tài)特征還存在一定的缺陷。

2.5 點(diǎn)云精配準(zhǔn)結(jié)果

在基于4PCS算法進(jìn)行粗配準(zhǔn)的基礎(chǔ)上，為了進(jìn)一步提高點(diǎn)云的配準(zhǔn)效果，本研究使用ICP算法對玉米點(diǎn)云進(jìn)行了精度更高的精確配準(zhǔn)。配準(zhǔn)效果如圖9所示，使用ICP算法精配準(zhǔn)后的玉米，無論是整株的幼苗還是葉片，其輪廓都更加清晰，從上下方向獲取的點(diǎn)云模型進(jìn)行配準(zhǔn)拼接后的重合性更高?？梢姳狙芯克玫呐錅?zhǔn)方法能夠滿足對玉米植株表型全方位的觀察研究。

本研究在評價玉米點(diǎn)云配準(zhǔn)精度時，使用的是均方根值（RMS）來進(jìn)行評價。主要比較了點(diǎn)云重疊度設(shè)置為80%、90%時的均方根值（RMS），結(jié)果表明，當(dāng)重疊度在90%時，RMS值較小，表明此時點(diǎn)云配準(zhǔn)的精度更高些，能夠滿足玉米點(diǎn)云的配準(zhǔn)精度要求。玉米點(diǎn)云模型配準(zhǔn)精度結(jié)果如表2所示。

3 討論與結(jié)論

為了更好地觀察玉米在生長期間葉片的形態(tài)特征，獲取更詳細(xì)的玉米表型信息，本研究使用RGB相機(jī)從上下2個方向?qū)τ衩子酌邕M(jìn)行拍照。獲取圖像序列之后，基于SfM算法進(jìn)行三維重建，并做了點(diǎn)云預(yù)處理，之后通過點(diǎn)云提取測量了玉米株高、葉長和葉寬等具有代表性的表性參數(shù)，與實(shí)際測量值相比誤差較小。然后根據(jù)標(biāo)記物得到的縮放比例，把基于上下方向進(jìn)行重建的玉米點(diǎn)云模型縮放到同一尺度下，接著采用了4PCS算法和PCA算法對玉米點(diǎn)云進(jìn)行粗配準(zhǔn)，結(jié)果發(fā)現(xiàn)，在粗配準(zhǔn)方面4PCS算法具有更好的配準(zhǔn)效果。最后使用了ICP算法對玉米進(jìn)行精確配準(zhǔn)，得到了玉米最終的點(diǎn)云模型，結(jié)果表明，采用ICP算法可以進(jìn)一步提高玉米的配準(zhǔn)效果。通過以上結(jié)果可以得出，本研究所提出的玉米點(diǎn)云雙面配準(zhǔn)的方法能夠較好地拼接和重建研究對象的點(diǎn)云模型，并精準(zhǔn)分析其表型參數(shù)。本研究提出的方法在為農(nóng)業(yè)上其他農(nóng)作物三維重建并進(jìn)行配準(zhǔn)方面具有一定的參考性和可借鑒性。

參考文獻(xiàn)：

［1］Gao T，Zhu F Y，Paul P，et al. Novel 3D imaging systems for high-throughput phenotyping of plants［J］. Remote Sensing，2021，13（11）：2113.

［2］Pieruschka R，Schurr U. Plant phenotyping：past，present，and future［J］. Plant Phenomics，2019，2019：7507131.

［3］Li L，Zhang Q，Huang D F. A review of imaging techniques for plant phenotyping［J］. Sensors，2014，14（11）：20078-20111.

［4］Gibbs J A，Pound M，F(xiàn)rench A P，et al. Plant phenotyping：an active vision cell for three-dimensional plant shoot reconstruction［J］. Plant Physiology，2018，178（2）：524-534.

［5］An N，Welch S M，Markelz R J C，et al. Quantifying time-series of leaf morphology using 2D and 3D photogrammetry methods for high-throughput plant phenotyping［J］. Computers and Electronics in Agriculture，2017，135：222-232.

［6］Rahman A，Mo C，Cho B K. 3-D image reconstruction techniques for plant and animal morphological analysis—a review［J］. Journal of Biosystems Engineering，2017，42（4）：339-349.

［7］孫曉明，任 磊. RGB-D相機(jī)的三維重建綜述［J］. 軟件導(dǎo)刊，2021，20（5）：249-252.

［8］朱榮勝，李 帥，孫永哲，等. 作物三維重構(gòu)技術(shù)研究現(xiàn)狀及前景展望［J］. 智慧農(nóng)業(yè)（中英文），2021，3（3）：94-115.

［9］王向玉，謝東輝，汪 艷，等. 基于地面激光雷達(dá)點(diǎn)云數(shù)據(jù)的單木三維重建［J］. 遙感技術(shù)與應(yīng)用，2015，30（3）：455-460.

［10］鄭立華，王露寒，王敏娟，等. 基于Kinect相機(jī)的油麥菜自動化三維點(diǎn)云重建［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52（7）：159-168.

［11］楊全月，董澤宇，馬振宇，等. 基于SfM的針葉林無人機(jī)影像樹冠分割算法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2020，51（6）：181-190.

［12］井 然，宮兆寧，趙文吉，等. 基于無人機(jī)SfM數(shù)據(jù)的挺水植物生物量反演［J］. 生態(tài)學(xué)報，2017，37（22）：7698-7709.

［13］Malambo L，Popescu S C，Murray S C，et al. Multitemporal field-based plant height estimation using 3D point clouds generated from small unmanned aerial systems high-resolution imagery［J］. International Journal of Applied Earth Observation and Geoinformation，2018，64：31-42.

［14］孫英偉，林文樹. 基于SFM算法的單木結(jié)構(gòu)參數(shù)提取研究［J］. 西北林學(xué)院學(xué)報，2020，35（5）：180-184，218.

［15］張慧春，王國蘇，邊黎明，等. 基于光學(xué)相機(jī)的植物表型測量系統(tǒng)與時序生長模型研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2019，50（10）：197-207.

［16］Sun S P，Li C Y，Chee P W，et al. Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，160：195-207.[HJ2.1mm]

［17］Zhang Y，Teng P，Aono M，et al. 3D monitoring for plant growth parameters in field with a single camera by multi-view approach［J］. Journal of Agricultural Meteorology，2018，74（4）：129-139.

［18］李建微，占家旺. 三維點(diǎn)云配準(zhǔn)方法研究進(jìn)展［J］. 中國圖象圖形學(xué)報，2022，27（2）：349-367.

［19］朱啟兵，張 夢，劉振方，等. 基于點(diǎn)云配準(zhǔn)的盆栽金桔果實(shí)識別與計數(shù)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2022，53（5）：209-216.

［20］陸健強(qiáng)，蘭玉彬，毋志云，等. 植物三維建模ICP點(diǎn)云配準(zhǔn)優(yōu)化［J］. 農(nóng)業(yè)工程學(xué)報，2022，38（2）：183-191.

［21］方 慧，杜朋朋，胡令潮，等. 基于可視化類庫的植株三維形態(tài)配準(zhǔn)方法及點(diǎn)云可視化［J］. 農(nóng)業(yè)工程學(xué)報，2013，29（22）：180-188.

［22］張彥雯，胡 凱，王鵬盛. 三維重建算法研究綜述［J］. 南京信息工程大學(xué)學(xué)報（自然科學(xué)版），2020，12（5）：591-602.

［23］周靜靜，郭新宇，吳 升，等. 基于多視角圖像的植物三維重建研究進(jìn)展［J］. 中國農(nóng)業(yè)科技導(dǎo)報，2019，21（2）：9-18.

［24］Han X F，Jin J S，Wang M J，et al. A review of algorithms for filtering the 3D point cloud［J］. Signal Processing：Image Communication，2017，57：103-112.

［25］余博文. 數(shù)字圖像閾值分割研究與應(yīng)用［J］. 科學(xué)技術(shù)創(chuàng)新，2021（19）：91-92.

［26］劉世光，王海榮，劉 錦. 快速四點(diǎn)一致性點(diǎn)云粗配準(zhǔn)算法［J］. 山東大學(xué)學(xué)報（工學(xué)版），2019，49（2）：1-7.