(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210851008.3 (22)申请日 2022.07.19 (71)申请人 浙江科技学院 地址 310023 浙江省杭州市西湖区留和路 318号 申请人 中国林业科 学研究院亚热 带林业研 究所 (72)发明人 周扬　周鸿昊　龙伟　王斌　 周志春　姚小华　吴统贵　陈正伟　 周延锁　虞佳佳　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 林超 (51)Int.Cl. G06T 7/62(2017.01)G06T 5/00(2006.01) G06T 5/50(2006.01) G06T 7/194(2017.01) G06T 7/33(2017.01) G06V 10/762(2022.01) (54)发明名称 一种基于三维点云图像的马尾松部分表型 参数自动测量方法 (57)摘要 本发明公开了一种基于三维点云图像的马 尾松部分表型参数自动测量方法。 采集不同视角 下的马尾松植株的三维点云图像； 预处理获得马 三维点云； 进行配准获得融合点云； 提取最小生 成树和主茎的骨架点， 进而获取主茎点云和叶片 点云； 根据最小生成树、 主茎点云和叶片点云处 理获得主茎长度、 马尾松地径、 平均叶长和叶片 数量。 本发 明方法能够自动识别三维点云图像中 马尾松植株， 并完成主径长度、 地径、 平均叶片长 度、 叶片长度的策略， 提高了检测效率， 实现高精 度、 高效率的作物表型数据采集， 达到快速、 低成 本的作物 表型参数准确 和无损检测。 权利要求书3页 说明书10页 附图3页 CN 115393418 A 2022.11.25 CN 115393418 A 1.一种基于三维点云图像的马尾松部分表型参数自动测量方法， 其特征在于， 方法包 括以下步骤： 1)采集马尾松植株的三维点云图像， 采集过程中对马尾松植株进行旋转， 每次旋转记 录一个三维点云图像， 每 个马尾松植株进行N次旋转记录N个三维点云图像； 2)对每个三维点云图像进行 预处理， 获得马尾松植株本身的三维点云； 3)对N个预处 理后的三维点云进行配准， 获得融合 点云； 4)提取备选点最小生成树和主茎的骨架点， 进 而获取主茎点云和叶片点云； 5)根据备选点最小生成树、 主茎点云和叶片点云处理获得主茎长度H、 马尾松地径、 平 均叶长和叶片数量。 2.根据权利要求1所述的一种基于三维点云图像的马尾松部分表型参数自动测量方 法， 其特征在于： 所述 步骤2)预处 理具体为： 2.1)对三维点云图像使用直 通滤波的方法去除背景； 2.2)对去除背景后的三维点云图像使用RANSAC平面拟合的方法检测桌面平面， 再使用 平面分割的方法将桌 面平面去除； 2.3)采用基于半径滤波方法对去除背景和桌面平面后的三维点云图像中的噪声点进 行去除； 2.4)从去除噪声点后的三维点云图像 中获取马尾松植株所在花盆的最低点， 然后根据 最低点和盆高估计花盆的土壤平面高度进而确定土壤平面， 以土壤平面上方的区域作为感 兴趣的区域， 将土壤平面下面的区域使用直通滤波去除， 感兴趣的区域的所有点构成马尾 松植株本身的三维点云。 3.根据权利要求1所述的一种基于三维点云图像的马尾松部分表型参数自动测量方 法， 其特征在于： 所述步骤3)具体为： 3.1)对源点云和目标点云， 均遍历每个点进行以下处理获得源点云和目标点云的特征 点： 选取点云中的点作为处理点， 以处理点为中心、 邻域半径内的所有点构成区域点云， 使 用主成分分析方法PCA估计区域点云的协方差矩阵， 求取协方差矩阵的最小特征值对应的 特征向量作为处理点的法向量； 然后计算处理点的法向量分别与区域点云内和自身相 邻的 所有点的法向量之间的夹角， 再计算所有夹角的均值作为夹角均值， 设置夹角阈值， 进行以 下判断： 当处理点对应的夹角均值大于夹角阈值， 则处理点保留作为特征点； 否则处理点不保 留作为特 征点； 3.2)计算源点云和目标点云中特征点的特征描述子， 利用源点云和目标点云中的特征 描述子， 使用采样一 致性方法进行粗配准； 3.3)经过粗配准坐标变换的源点云和目标点作为输入， 用最近点迭代算法ICP方法进 行精配准， 在ICP方法的迭代搜索最近点过程中采用基于邻近搜索算法KD ‑tree进行改进处 理， 获得源点云和目标点云之间的转换矩阵； 3.4)以N个预处理后的三维点云中的最后一个三维点云作为目标点云， 其余三维点云 均作为源点云， 遍历每个源点云， 重复上述步骤3.1)～3.4)将源点云和目标点云之间进行权　利　要　求　书 1/3 页 2 CN 115393418 A 2配准处理获得每对 源点云和目标点云之间的转换矩阵； 3.5)将所有源点云用各自的转换矩阵配准到目标点云上获得各个配准后的源点云， 将 各个配准后的源点云和目标点云通过点云的加法合成为完整的融合 点云。 4.根据权利要求1所述的一种基于三维点云图像的马尾松部分表型参数自动测量方 法， 其特征在于： 所述 步骤4)具体为： 4.1)通过沿生长方向对融合点云进行第一 次切片， 并对第一次切片获得的每一切片层 内的点云进行欧几里 得聚类， 得到各个聚类簇； 4.2)根据步骤4.1)获得的聚类簇进行以下判断： 对于步骤4.1)点数小于等于预设数量阈值的聚类簇， 直接提取聚类簇的质心作为主茎 骨架备选点； 对步骤4.1)点数大于预设数量阈值的聚类簇， 进行沿垂直于生长方向的任意方向的第 二次切片， 并对第二次切片获得的每一切片层内的点进行按照灰度值大小进 行聚类获得各 个聚类簇， 再计算每个聚类簇的平均灰度值， 取灰度值最大聚类簇所在第二次切片的切片 层的质心作为主茎骨架备选点； 由所有主茎骨架备选点构成了备选点 集合； 4.3)建立备选点集合的备选点最小生成树， 再通过DAG单源最长路径算法在备选点最 小生成树当中搜索到最长路径， 最长路径的所有备选点组成含冠层主茎骨架点 集合； 4.4)从含冠层主茎骨架点集合从最顶部的备选点向下搜索， 当搜索到某个备选点时， 若搜索路径长度大于冠层长度阈值， 则停止搜索， 最长路径中搜索到的备选点到最顶部的 备选点均被抛 弃， 最长路径中余下的备选点作为主茎的骨架点； 4.5)对每个主茎的骨架点之间进行插值， 每隔固定距离插入一个点； 在完成主茎的骨 架点的插值后， 以从下到上沿着骨架 点使用Kdtree的半径搜索法搜索得到的点作为主茎点 云中的点， 从而获得主茎点云； 4.6)再用步骤3)配准后获得的融合点云减去主茎点云， 获得即叶片点云， 实现马尾松 的茎叶分离 。 5.根据权利要求1所述的一种基于三维点云图像的马尾松部分表型参数自动测量方 法， 其特征在于： 所述步骤5)中， 按照以下方式获得主茎长度H： 根据和主茎的骨架点， 由主 茎的骨架点建立最小生成树作为主茎骨架最小生成树， 按照主茎骨架最小生成树中的点顺 序提取每相邻两个骨架 点之间的距离， 将所有相 邻两个骨架 点之间的距离求和获得距离和 作为主茎 长度H。 6.根据权利要求1所述的一种基于三维点云图像的马尾松部分表型参数自动测量方 法， 其特征在于： 所述 步骤5)中， 按照以下 方式获得马尾松地径： S11、 以备选点最小生成树中距离最低骨架点预设固定距离处的骨架点作为起点， 将起 点与其上方沿备选点最小生成树最相 邻的骨架 点作连线作为下法线， 过起点生成与下法线 垂直的平面作为下平面； S12、 以起点上方沿备选点最小生成树最相邻的骨架点作为次起点， 将次起点与其上方 沿备选点最小生成树最相 邻的骨架 点作连线作为上法线， 过次起点生成与上法线垂 直的平 面作为上平面； S13、 将位于上平面和下平面之间的主茎点云中的所有点均向下平面垂直投影获得投权　利　要　求　书 2/3 页 3 CN 115393418 A 3