基于点云的作物地下变态根可视化模拟

为研究作物地下变态根的可视化模拟,以肉质直根和块根为模拟对象,采用体着色三维重建的方法获取变态根点云,提出并实现了去除变态根点云噪声、离群点和修补孔洞的预处理通道,并对预处理后的点云进行曲面重建,构建曲面模型,进而提取变态根的构型参数,最后对重建后的曲面模型进行可视化模拟。以胡萝卜和马铃薯为试验对象进行了可视化模拟,结果表明,去除变态根点云噪声、离群点和修补孔洞的预处理通道,能有效得到完整、均匀和光顺的点云模型,从曲面模型提取的体积误差小于10%,利用重建得到的曲面模型可平滑逼真的可视化变态根形态。该文研究为植物变态根构型模拟提供了一种新方法。     

基于噪声类型及强度估计的狭叶锦鸡儿叶切片图像盲去噪

狭叶锦鸡儿叶切片显微图像在获取过程中不可避免的受到噪声污染,会对后续处理造成不良影响。针对现有噪声类型未知,去噪算法存在速度慢、效果不理想等问题,该文提出图像噪声类型估计-强度估计-去噪这一处理过程,实现对狭叶锦鸡儿叶切片显微图像降噪目的。首先采用平滑区直方图重构和拟合法确定噪声类型;然后在此基础上,应用基于图像块的SVD(singular valuable decomposition,SVD)域图像噪声强度估计法对噪声标准差进行估计;最后在确定噪声类型和强度基础上,采用几何均值滤波(geometric mean filtering,GMF)和三维块匹配滤波(block-matching and 3-D filtering,BM3D)对图像进行联合去噪。试验结果表明:该文噪声类型估计法估计出切片图像噪声类型为加性高斯噪声,高斯函数对随机选取的15幅狭叶锦鸡儿叶切片图像平滑区域直方图数据点拟合优度2R均值为0.996,平均均方根误差RMSE(root mean squared error,RMSE)为0.144 6;采用该文噪声强度估计法估计出的切片图像噪声标准差???[2.5,4.0],处理标准差较小噪声,该文算法处理精度、运行速度和稳定性等方面存在明显优势;GMF-BM3D算法在较好去除图像噪声同时,极大的保留了图像纹理、边缘和细节等信息,同时极大的提高了算法运行速度,处理后的图像BRISQUE(blind/referenceless image spatial quality evaluator,BRISQUE)值为10左右,相当于原图BRISQUE值的1/2左右。与传统BM3D算法相比,去噪效果相当,但耗时约相当于传统BM3D算法的1/9。与小波去噪算法(wavelet threshold,WT)算法相比,虽速度相对较慢,但去噪后图像BRISQUE值比使用WT法低4左右。因此,该算法较好实现了对狭叶锦鸡儿叶切片图像准确降噪,为其后续处理提供了可靠技术支持。     

基于可视化类库的植株三维形态配准方法及点云可视化

精确的植物三维静态形态结构模型有助于植物空间结构相关的各种研究,是虚拟植物、植物建模等问题研究的一个重要方面。研究植物生长过程中的三维信息的获取可以获得作物生长过程中各参数的动态数据,可为精细农业植物生长模型建立等提供依据。该文以植物为研究对象,介绍了虚拟植物及植物三维可视化的研究现状,讨论了植物叶片三维可视化的可行性及必要性。针对植物三维点云的采集与处理上,讨论了三维扫描仪的精度测定方法,并针对基于基准体的植株点云配准问题,提出采用基准体点云平均法向量计算的方法,去除了部分基准体表面的噪声点,提高了植株体的配准精度;采用迭代最近点（iterative closest point,ICP）算法,对植株叶片进行进一步的高精度配准。最后采用基于可视化类库VTK(visualization toolkit)实现了植物点云配准与三维可视化。     

基于三维点云数据的花瓣形态及生长过程模拟

目前对于虚拟植物的研究多是通过图形建模来模拟植物的生长变化,计算复杂且操作不灵活。随着三维扫描和点云重建技术的发展,为复杂植物形态可视化提供了新的手段。论文基于三维扫描的植物点云数据模型,研究了植物花瓣的形变和生长过程模拟。利用三维扫描仪获取植物花瓣的生长序列,采用MATLAB根据实测点云数据拟合植物生长函数曲线,最后将传统花卉生长模拟与点云模型的自由变形相融合,提出了依据实测点云数据通过点云模型变形算法模拟花卉植物动态生长的方法。该方法不仅能够保留花卉植物复杂的形态特征,而且使形变控制简单,模拟的花瓣形态及生长真实自然。此外,该方法还与基于物理的模拟方法进行比较,并利用拟合回归分析、实测花瓣数据与重建数据间误差对该方法的准确性进行了分析。结果显示花瓣生长期内决定系数达0.75以上及平均误差控制在2mm以内,研究结果为花卉植物的生长形变模拟提供了参考。     

基于点云配准的果树快速三维重建

旨在为果园生产管理提供果树三维可视化基础数据,该文提出了一种基于点云配准的自然光照环境下的果树三维重构方法。首先,利用RGB-D相机采集不同视角下的果树彩色图像和深度图像,并通过信息融合获取相应视角下果树的三维点云数据;第二,对果树原始点云进行去背景和滤波等预处理,利用归一化对齐径向特征NARF(Normal Aligned Radial Feature)算法计算每片点云中的关键点,并在关键点初运用快速点特征直方图FPFH(Fast Point Feature Histograms)描述子得到关键点的特征向量。通过计算比较两片点云的FPFH特征,寻找两片相邻点云之间的空间映射关系,利用随机抽样一致性RANSAC(RANdomSAmple Consensus)算法提纯映射关系并完成相邻两片点云的初始配准;第三,在初始配准的基础上,利用迭代最近点ICP(Iterative Closest Point)算法完成点云的精确配准;最后,利用上述点云初始配准和精确配准方法对果树多片点云进行全局配准并完整重构果树的三维点云图像。针对配准过程中时间消耗过大的问题,该文提出了基于OpenMP技术对配准进行加速的方法。结果表明,该文所提出的果树三维重构方法具有较高的准确性,配准的平均距离误差为0.0068 m;同时,在不影响配准精度和稳定性的前提下大幅提高了果树三维重建的效率。     

基于点云配准的果树快速三维重建（英文）

旨在为果园生产管理提供果树三维可视化基础数据,该文提出了一种基于点云配准的自然光照环境下的果树三维重构方法。首先,利用RGB-D相机采集不同视角下的果树彩色图像和深度图像,并通过信息融合获取相应视角下果树的三维点云数据;第二,对果树原始点云进行去背景和滤波等预处理,利用归一化对齐径向特征NARF(Normal Aligned Radial Feature)算法计算每片点云中的关键点,并在关键点初运用快速点特征直方图FPFH(Fast Point Feature Histograms)描述子得到关键点的特征向量。通过计算比较两片点云的FPFH特征,寻找两片相邻点云之间的空间映射关系,利用随机抽样一致性RANSAC(RANdom SAmple Consensus)算法提纯映射关系并完成相邻两片点云的初始配准;第三,在初始配准的基础上,利用迭代最近点ICP(Iterative Closest Point)算法完成点云的精确配准;最后,利用上述点云初始配准和精确配准方法对果树多片点云进行全局配准并完整重构果树的三维点云图像。针对配准过程中时间消耗过大的问题,该文提出了基于OpenMP技术对配准进行加速的方法。结果表明,该文所提出的果树三维重构方法具有较高的准确性,配准的平均距离误差为0.0068 m;同时,在不影响配准精度和稳定性的前提下大幅提高了果树三维重建的效率。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

基于剪切波和全变分的农田遥感图像去噪去伪影方法

农田遥感图像在采集过程中会受到噪声影响,为得到准确的农田遥感图像数据,应对获取的农田遥感图像进行去噪预处理。农田遥感图像中的纹理承载了重要信息,在图像降噪的同时保持或增强图像纹理具有重要意义。由于纹理和噪声一样,在频域表现为高频信号,以分解和重构算法为基础的常见滤波(含小波变换)方法在降噪的同时,也会造成纹理清晰度的下降。该文结合农田遥感图像纹理呈现出来的直线特性,将剪切波(Shearlet)和变分理论相结合,提出了一种新的遥感农田图像保纹理降噪方法。该方法首先对较大的遥感图像分块进行shearlet变换,在降噪的同时识别不同图块图像的纹理含量;对细小纹理含量较少的平滑区域,采用保边降噪变分模型去除shearlet变换带来的人工伪影。为避免子图块边界带来的边界效应,该文基于中心仿射变换理论提出了一种新的图像延拓方法,有效提高了图像降噪的效果。试验结果表明,该文算法去噪后的峰值信噪比(peak signal to noise ratio,PSNR)平均值比全变分模型去噪算法大1 d B,该文算法去噪后的PSNR平均比曲线波去噪算法大2 d B。同基于Symmlet小波的Shearlet算法相比,该文算法处理后农田遥感图像中伪影减少,在高斯噪声标准偏差σ为10、20和30 d B时,峰值信噪比PSNR分别提高了13.99%、9.69%和7.75%。     

基于自适应小波偏微分方程的蝗虫切片图像去噪

蝗虫显微切片图像在获取的过程中不可避免地会受到噪声污染,其纹理、边缘与噪声又都属于高频分量,单独使用小波变换或偏微分方程(partial differential equation,PDE)扩散的方法都不能在有效去噪的同时保持边缘、纹理等。针对这一问题,提出了基于自适应小波PDE的去噪算法。首先对蝗虫切片含噪图像进行sym5小波软阈值去噪,分解层数根据去噪后图像的PSNR(peak signal to noise ratio)值自适应地选择,阈值门限使用Birge-Massart处罚算法获取。然后在此去噪的基础上进行Perona-Malik(PM)模型去噪,迭代次数根据去噪后图像的PSNR值自适应地选择,梯度阈值根据图像自身的2范数获取。为了验证所提出算法的去噪性能,进行了与常用去噪算法的对比试验。试验结果表明:视觉上,采用本文算法去噪后的图像噪声点较少且边缘、纹理清晰;客观上,采用该文算法去噪后的图像PSNR值比使用维纳滤波高出2 d B左右,比使用中值滤波高出3 d B左右,比使用小波阈值去噪高出2 d B左右,比使用PM模型去噪高出1 d B左右,并且在结构相似性(structural similarity image measurement,SSIM)上采用该文算法去噪后的图像与原始图像的相似度最高。因此,将自适应小波PDE的算法应用于蝗虫切片去噪是可行的、有效的,为其后续处理提供了技术支持。     

基于3D激光雷达的鸡舍通道中心线检测方法

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.94 ms,比LSM算法得到的平均误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。     

基于相位相关的温室番茄植株多模态三维重建方法

为实现温室番茄植株多模态三维重建,解决多光谱反射率配准和多视角点云三维重建问题,基于相位相关原理将多光谱反射率配准至RGB-D图像坐标系中,建立了基于Kinect传感器测量位姿自主标定的多视角RGB-D图像三维重建方法,实现植株RGB三维点云模型和多光谱反射率点云模型重建,通过归一化灰度相似系数、配准区域光谱重叠率、互信息值3个指标客观评价二维多光谱图像配准质量,采用豪斯多夫距离客观评价植株三维点云重建精度。结果表明:30株温室番茄,每株4个重建视角,视角间隔为90°,配准区域光谱重叠率和归一化灰度相似系数的平均值分别为0.920 6和0.908 5,异源图像配准后互信息值比配准前互信息值平均提升了9.81%,植株冠层多光谱图像能够准确配准至深度坐标系,番茄植株三维重建点云距离集小于0.6 cm的比例为78.39%,小于1.0 cm的比例为91.13%,番茄距离集均值的平均值为0.37 cm,表明植株三维点云模型重建精度较高,能够应用于温室番茄植株多模态三维重建。植株多模态三维模型是实现三维形态测量与生理诊断的关键要素,为高通量植株表型测量提供高效精准的测量方法,对植物表型组学等研究领域的发展具有重要的意义。     

植物三维建模ICP点云配准优化

构建精确三维模型无损获取植物表型特征信息,对研究农作物的精准化种植、可视化管理和智能化操控具有实际意义.针对当前植物三维建模过程点云数据量大、配准精度不高的问题,该研究提出基于轻量化处理的迭代最近点算法(Iterative Closest Point,ICP)点云配准优化方法.首先以人机交互算法对获取的植株点云图像进行...     

基于多视角立体视觉的植株三维重建与精度评估

基于图像序列的植株三维结构重建是植物无损测量的重要方法之一。而对重建模型的精度评估方法大多基于视觉逼真程度和常规测量数据。该研究以精确的激光扫描三维模型为参照,采用豪斯多夫距离,从三维尺度上对基于图像序列的植株三维重建模型进行精度评估。同时,从植株表型参数(叶片长、宽、叶面积)方面,对植株三维重建模型进行精度评估。结果表明,基于图像序列的三维重建模型精度较高,豪斯多夫距离在0~10 mm之间,各试验植株豪斯多夫距离大多小于4.0 mm,各植株表型参数与其对照值的R2均大于0.95,且两者的无显著性差异(P0.05)。此植株三维结构重建方法能够应用于植物表型、基因育种、植物表型与环境互作等研究领域。     

基于运动恢复结构算法的油菜NDVI三维分布

植物形态伴随着植物生长过程而发生变化,植物的三维重建对研究植物形态对植物生物量估测、植物病害虫害、基因型表达等有着很重要的意义。目前三维重建方法重建出的三维点云多包含植物的形态、颜色等特征,无法反应植物营养状况（如叶绿素含量）、病虫害胁迫等原因造成有机质空间三维分布改变,同时以往手段都需要专门仪器,携带和作业都受到很大限制。多光谱图像能够反应有机质含量等化学值的分布,在近地面遥感、农产品质量无损检测等发面取得了广泛的应用。该文通过采集31张4叶龄油菜的多光谱图像,使用运动恢复结构算法（structure from motion）方法对其进行空间三维重建,得到油菜的三维点云,并对点云中噪声点进行滤除。以控制点和控制长度对所得模型进行评价,得到长度最大偏差在0.1023 cm,RMSE=0.052599,证明该方法重建所得模型具有较好的空间均匀性与准确性,最后计算NDVI指数空间分布。证明所得模型对将来研究植物营养与病虫害胁迫空间分布有着重要意义。     

基于Kinect V3深度传感器的田间植株点云配准方法

准确建立植物的三维点云是以点云方式高通量获取植株各部位物理参数的前提。为实现田间复杂环境下的植株三维点云配准,该研究提出了一种基于多标定球的田间植株点云自动配准方法,并分别在室内简单场景及大田复杂场景下从不同角度对多种作物采集的点云数据进行验证。该方法采用随机抽样一致性算法（Random Sample Consensus, RANSAC）结合点云减法的概念从下采样后的点云中实现多标定球的自动提取,弥补了RANSAC一次只能提取单个物体的缺点。然后基于各标定球的球心距离信息实现三维点集的自动匹配。最后使用奇异值分解算法解算旋转平移矩阵,实现点云的自动配准。不同场景下各作物的配准结果表明,各植株的水平90°、180°、270°以及垂直方向上的点云配准到水平0°点云下的平均轴向误差在6～17 mm之间,平均点位误差在13～30 mm之间,与手动配准的商用同类软件LiDAR360的配准结果相当,但配准过程的自动化程度明显提高,效率提高了67%。该文所提出的方法可在田间复杂环境下对低成本深度相机获取的植株点云实现高精度的自动配准,为田间植物表型参数的提取提供了低成本的可行方案。     

基于点云数据的植物叶片曲面重构方法

叶子是植物最重要的器官之一,建立植物叶片的高精度曲面模型对于开展植物叶片形态特征分析和冠层光分布计算等研究具有重要意义。该文提出了一种基于点云数据的植物叶片曲面重构方法,该方法首先对原始点云数据进行噪声点剔除和数据精简,然后采用Delaunay三角剖分方法生成初始网格曲面,再对网格曲面进行优化处理。结果表明该方法能够基于激光扫描三维点云数据快速重构出植物叶片的高精度网格曲面,包括萎蔫和枯萎等复杂形态。该研究可为植物建模与可视化相关研究提供参考。     

Alpha-shape算法构建枣树点云三维模型

为了实现枣树智能化修剪作业,该研究提出了基于点云配准的自然光照环境下的果树三维重构方法,并针对传统最近点迭代（Iterative Closest Point,ICP）算法对待配准点云的空间位置要求苛刻的问题,提出了改进的点云配准算法。首先,使用彩色深度（RGB-D）相机采集不同角度下的枣树彩色和深度图像,并通过信息融合实现相应角度下的点云获取。其次,对点云进行背景去除和滤波处理,基于直方图设定分割阈值,提取单株枣树点云,并将放置在树根附近的标靶球作为标记,使用人工标记法进行两站点云初配准。最后,在初配准基础上计算点云的曲面法向量和曲率,由曲率相近的点构成配对点对,使用k维树最近点迭代（k dimensional-tree-Iterative Closest Point,kd-tree-ICP）算法完成精配准,对点云使用Alpha-shape算法面片化,实现表面重构。利用上述方法对多棵枣树进行全局配准并完整重构果树模型。试验结果表明,通过引入初配准,有效提高了点云配准的准确性和稳定性,配准误差均控制在1.0 cm以内,平均配准误差为0.78 cm;重构模型真实感较强,在外观上更加接近真实树,枝干相对误差控制在7%以内。该研究重构模型精度较高,可为枣树智能修剪提供可视化研究基础和技术支持。     

基于轮廓分割的草莓叶片三维建模

为精确构建原位草莓植株三维空间结构,以高架栽培模式生长环境下的草莓植株为研究对象,提出了一种基于多源图像轮廓分割的草莓植株结构形态三维重建算法。通过改进的多源图像融合算法,建立多源图像映射关系,融合预处理后的多源信息得到待分割强度图;计算待分割强度图矢量场卷积的局部中心,选出多目标的初始轮廓控制点,将参数的活动轮廓模型应用于待分割强度图像进行叶片的分割;采用标记的方法将分割轮廓映射至距离点云集,设计以单个叶片为单位的平面拟合选择机制,最终完成草莓三维模型的重建及显示。为验证该算法的有效性,将三维重建后的有效叶片数,平均单叶长度及叶片距离差作为评价指标,实验结果表明,有效叶片数正确率为85.6%,平均单叶长度模型正确计算率为88.4%,叶片距离差正确计算率为82.4%,研究结果可应用于原位草莓植株的空间位置测量,可为农业机器人局部视觉场景中植株空间结构的构建提供参考。     

基于Rank变换的农田场景三维重建方法

农田场景的三维重建对于研究远程监测作物的生长形态、预测作物产量、识别田间杂草等都具有重要作用。为解决农田场景图像三维重建困难、立体匹配精度较差等问题,该文提出了一种基于Rank变换的农田场景三维建模方法。该方法运用加权平均法灰度化图像,以保留农田场景的完整特征;以灰度图像的Rank变换结果作为匹配基元,采用基于归一化绝对差和测度函数的区域匹配算法获取场景的稠密视差图;根据平行双目视觉成像原理计算场景的空间坐标,并生成三维点云图;依据所得场景的三维坐标,对场景中感兴趣区域实现三维重建。采用标准视差计算测试图像验证立体匹配算法精确性,平均误匹配率较传统的绝对差和函数算法降低约5.63%。运用不同环境下的棉田场景图像测试三维重建方法,试验结果表明,在6.8 m的景深范围内,作物及杂草的高度、宽度等几何参数计算值与实际测量值接近,各项指标的平均相对误差为3.81%,验证了三维重建方法的可靠性及准确性。