植物三維建模ICP點(diǎn)云配準(zhǔn)優(yōu)化

陸健強(qiáng)，蘭玉彬，毋志云，梁 效，?；⒒?，鄧小玲※，吳澤錦，唐亞戰(zhàn)

（1. 華南農(nóng)業(yè)大學(xué)電子工程學(xué)院（人工智能學(xué)院），廣州 510642；2. 國(guó)家精準(zhǔn)農(nóng)業(yè)航空施藥技術(shù)國(guó)際聯(lián)合研究中心，廣州 510642；3. 嶺南現(xiàn)代農(nóng)業(yè)廣東實(shí)驗(yàn)室，廣州 510642）

0 引 言

隨著人工智能、智慧農(nóng)業(yè)和虛擬現(xiàn)實(shí)等技術(shù)信息技術(shù)的快速發(fā)展和攝像器材的廣泛普及，植物三維模型重建工作越來(lái)越普遍。非破壞性地獲取植物表型信息，研究農(nóng)作物的生長(zhǎng)態(tài)勢(shì)是植物表型研究領(lǐng)域的重要發(fā)展趨勢(shì)。通過計(jì)算機(jī)技術(shù)建立植物三維模型，減少非破壞性測(cè)量，獲取植物表型的持續(xù)性數(shù)據(jù)，可為農(nóng)作物生長(zhǎng)規(guī)律探究、種植精準(zhǔn)管控、病蟲害綠色防治等方面提供有力支持?，F(xiàn)階段，由于植物形態(tài)復(fù)雜，枝葉間相互遮擋等客觀因素，植物三維建模過程，普遍存在點(diǎn)云圖像噪聲過多、配準(zhǔn)誤差較大等問題，仍需進(jìn)一步提高三維建模點(diǎn)云配準(zhǔn)精度，降低模型點(diǎn)云數(shù)據(jù)的冗余程度。

植物表型建模的點(diǎn)云重構(gòu)研究中，針對(duì)點(diǎn)云配準(zhǔn)，Besl等最先提出迭代最近點(diǎn)算法（Iterative Closet Point，ICP）進(jìn)行剛性配準(zhǔn)；Guo等提取RoPS特征進(jìn)行初始配準(zhǔn)，再進(jìn)行精配準(zhǔn)，使得在兩組點(diǎn)云重疊部分較少時(shí)，點(diǎn)云配準(zhǔn)更加有效。針對(duì)法向量獲取，Huang等采用一種迭代估算法向量的方法，可更好地處理存在薄面結(jié)構(gòu)的點(diǎn)云。針對(duì)曲面重構(gòu)，Ohtake等提出多層次整體劃分（Multi-level Partition of Unity implicits，MPU），用自適應(yīng)八叉樹對(duì)數(shù)據(jù)域進(jìn)行劃分，采用二次函數(shù)擬合局部曲面，最終融合局部曲面函數(shù)而獲得隱式曲面。Kazhdan等[提出并改進(jìn)了重要的泊松重建算法，解決了原有泊松重建曲面平滑過渡的問題。

近年來(lái)，樊景超等提出一種基于序列圖像的蘋果樹三維點(diǎn)云模型獲取方法，通過匹配圖像特征點(diǎn)構(gòu)建稀疏點(diǎn)云，利用多視點(diǎn)視覺技術(shù)構(gòu)建果樹的稠密點(diǎn)云；方圣輝等使用激光掃描儀采集了四種代表性植株的稠密點(diǎn)云，通過計(jì)算結(jié)構(gòu)表型參數(shù)對(duì)三維點(diǎn)云模型進(jìn)行數(shù)字化，減少了其中間參數(shù)，提高了模擬精度；邊黎明等利用可見光相機(jī)、熒光成像儀、高光譜像儀等各成像傳感器實(shí)現(xiàn)了林木表型信息的快速、無(wú)損地采集林木的表型信息；袁培森等探討了表示學(xué)習(xí)在植物表型中的研究意義及目前存在的問題，并提出了表示學(xué)習(xí)在構(gòu)建植物表型應(yīng)用的發(fā)展方向。以上研究表明，植株的三維建模需進(jìn)一步提高點(diǎn)云數(shù)據(jù)的配準(zhǔn)精度與融合程度，而且應(yīng)充分考慮三維模型精度與點(diǎn)云數(shù)據(jù)量的正相關(guān)問題，以解決建模過程產(chǎn)生過高的冗余數(shù)據(jù)的問題。

本研究以激光掃描儀針對(duì)單株滴水蓮、九里香、茉莉、柑橘和多株桐花、灰莉進(jìn)行三維建模分析，提出基于ICP的低數(shù)據(jù)量點(diǎn)云配準(zhǔn)優(yōu)化方法。利用高效近鄰搜索算法判別和去除點(diǎn)云的離群點(diǎn)噪聲，通過人工干預(yù)選擇參與配準(zhǔn)的三對(duì)特征坐標(biāo)參考值，以解決ICP算法在配準(zhǔn)過程中易陷于局部最優(yōu)解的問題，并在保持植株點(diǎn)云三維形態(tài)特征的前提下，以體素化網(wǎng)格法有效濾除冗余數(shù)據(jù)點(diǎn)，以期在無(wú)損獲取植物表型特征信息的同時(shí)，構(gòu)建低數(shù)據(jù)量的植物精確三維模型，實(shí)現(xiàn)植物表型三維建模的輕量化處理。

1 材料與方法

1.1 試驗(yàn)材料

本試驗(yàn)利用專業(yè)三維激光掃描儀分別對(duì)單株和多株植物進(jìn)行三維建模，獲取精準(zhǔn)、可靠的試驗(yàn)數(shù)據(jù)。試驗(yàn)采用的三維激光3D掃描儀，品牌型號(hào)為思拓力X300，數(shù)碼相機(jī)像素為1 070萬(wàn)，環(huán)幕獲取像素為8 560萬(wàn)，水平掃描角度360°，垂直掃描角度180°，掃描線頻為40 線/s，測(cè)距精度為50 m內(nèi)<5 mm、300 m內(nèi)<30 mm，水平、垂直測(cè)角分辨率均為0.022 5°，輸出格式包括X35、X3a、X3i和txt等。

基于冠幅、株高、葉片大小、枝葉遮擋程度等具區(qū)別度的植株選擇原則，單株植物選取滴水蓮，九里香，茉莉和柑橘4種具代表性的植物作為點(diǎn)云獲取對(duì)象。試驗(yàn)用滴水蓮株高0.423 m，冠幅0.419 m，具有葉子大、葉柄長(zhǎng)、莖粗直立，枝葉間存在明顯遮擋的特點(diǎn)；試驗(yàn)用九里香株高0.735 m，冠幅0.615 m，形態(tài)上具有葉片小、葉柄甚短、樹形端正、葉子細(xì)密存在遮擋的特點(diǎn)；試驗(yàn)用茉莉株高0.782 m，冠幅0.725 m，具有單葉對(duì)生、葉柄較短、莖枝較細(xì)、枝葉較分離無(wú)明顯遮擋的特點(diǎn)；試驗(yàn)用柑橘株高1.757 m，冠幅1.129 m，具有葉片大小變異較大、小枝較細(xì)弱、枝葉間存在明顯遮擋的特點(diǎn)。如圖1。

圖1 試驗(yàn)對(duì)象 Fig.1 Test object

多植株作物分別選取桐花和灰莉作為試驗(yàn)對(duì)象。試驗(yàn)用8株桐花株高分別為0.652、0.681、0.792、0.761、0.658、0.605、0.665和0.841 m，具有枝葉較分離、相互間無(wú)明顯遮擋的特點(diǎn)；灰莉又名非洲茉莉，分布廣泛，試驗(yàn)用灰莉植株共14株，平均株高0.975 m，相互間遮擋較為明顯。

實(shí)際株高和冠幅測(cè)量時(shí)以植株的最高點(diǎn)到地面的垂直高度記為該植株的株高；以植株平行地面方向最寬距離記為該植株的冠幅，如圖2所示。每種植株的實(shí)際株高和冠幅分別測(cè)量10次，取平均值記為最終數(shù)值。

圖2 株高和冠幅測(cè)量示意圖 Fig.2 Schematic diagram of plant height and leaf crown width measurement

1.2 建模方法

本文以滴水蓮為例詳細(xì)描述建模方法與試驗(yàn)，并以該方法對(duì)單株九里香、茉莉、柑橘進(jìn)行單植株作物的建模試驗(yàn)。對(duì)多植株的桐花進(jìn)行植株分離建模試驗(yàn)，對(duì)灰莉進(jìn)行多株建模試驗(yàn)。

試驗(yàn)環(huán)境為1.2 m×1.2 m黑色幕布組成的正方形密閉空間（圖3），滴水蓮放置于正方形區(qū)域中間，在滴水蓮周圍放置8顆標(biāo)號(hào)為a～h的圓形標(biāo)定物；設(shè)置激光掃描儀的掃描視角為水平90°，垂直180°，依次將掃描儀放置在圖3中1（西北，315°）、2（東北，45°）、3（東西，315°）、4（西南，225°）的位置，啟動(dòng)儀器掃描滴水蓮獲得4個(gè)位置不同角度的點(diǎn)云圖，如圖4所示。

圖3 點(diǎn)云采集點(diǎn)及標(biāo)定物布置 Fig.3 Arrangement of collection points and calibration objects

圖4 滴水蓮激光掃描圖 Fig.4 Laser scanning image of Dishgyi

以Qt5（虛擬機(jī)Ubuntu64）、Matlab2016（Win64）為開發(fā)環(huán)境，以點(diǎn)云庫(kù)（Point Cloud Library，PCL）進(jìn)行點(diǎn)云處理函數(shù)開發(fā)。通過基于i7-5500U處理器的圖形工作站對(duì)所采集的滴水蓮點(diǎn)云圖進(jìn)行處理，利用PCL開源庫(kù)中的visualizer模塊進(jìn)行點(diǎn)云可視化，最終得到滴水蓮的原始點(diǎn)云可視化結(jié)果如圖5。由圖5可見，獲得的點(diǎn)云數(shù)據(jù)中背景較多，不利于后續(xù)點(diǎn)云的配準(zhǔn)，需進(jìn)行點(diǎn)云數(shù)據(jù)的背景濾除。

圖5 滴水蓮原始點(diǎn)云可視化結(jié)果 Fig.5 Visualization results of original point cloud of Dishgyi

為實(shí)現(xiàn)點(diǎn)云圖像的背景濾除，方便后續(xù)對(duì)點(diǎn)云的配準(zhǔn)，在進(jìn)行點(diǎn)云獲取時(shí)，采用四棱柱為包圍空間，根據(jù)人機(jī)交互算法定位感興趣的點(diǎn)云區(qū)域，切除背景，實(shí)現(xiàn)背景分離。滴水蓮背景濾除結(jié)果如圖6所示。

圖6 背景濾除結(jié)果圖 Fig.6 Results of background filtering

經(jīng)濾除背景后，在未進(jìn)行預(yù)處理的情況下直接對(duì)從4個(gè)角度獲得的點(diǎn)云圖像進(jìn)行基于ICP算法的剛性配準(zhǔn)。先將掃描點(diǎn)4獲取的點(diǎn)云（灰色）作為配準(zhǔn)目標(biāo)點(diǎn)云，再將掃描點(diǎn)1獲取的點(diǎn)云作為待配準(zhǔn)點(diǎn)云，待配準(zhǔn)點(diǎn)云與目標(biāo)點(diǎn)云配準(zhǔn)結(jié)果如圖7所示。

圖7 配準(zhǔn)收斂后的點(diǎn)云 Fig.7 Point cloud after registration convergence

由圖7可見，配準(zhǔn)后的點(diǎn)云與目標(biāo)點(diǎn)云無(wú)法正常融合。分析試驗(yàn)過程，出現(xiàn)此現(xiàn)象的原因有3點(diǎn)：一是點(diǎn)云中存在大量離群衍射噪點(diǎn)，形成噪聲干擾；二是點(diǎn)云數(shù)據(jù)量過大，點(diǎn)與點(diǎn)間形成干擾過大；三是ICP配準(zhǔn)算法需提供初始解，否則易陷入局部最優(yōu)解。

針對(duì)以上問題，本研究擬從以下3個(gè)方面進(jìn)行算法優(yōu)化：

1）配準(zhǔn)前濾除離群點(diǎn)，降低噪點(diǎn)的影響；

2）添加標(biāo)定物，輔助ICP配準(zhǔn)算法獲取初始解，再利用初始解后的ICP算法對(duì)點(diǎn)云進(jìn)行精準(zhǔn)配準(zhǔn)；

3）對(duì)配準(zhǔn)后的點(diǎn)云圖像采用體素化網(wǎng)格法進(jìn)行采樣，在保證不破壞點(diǎn)云三維形態(tài)特征的前提下，有效濾除冗余數(shù)據(jù)點(diǎn)。

由于電磁波的衍射特性，以及植物的三維點(diǎn)云結(jié)構(gòu)較為復(fù)雜，在配準(zhǔn)前應(yīng)進(jìn)行點(diǎn)云去噪。否則，融合4組點(diǎn)云數(shù)據(jù)后，噪點(diǎn)更難濾除，且植株更加模糊，難以分辨植株的細(xì)節(jié)結(jié)構(gòu)。針對(duì)該問題，本文提出基于統(tǒng)計(jì)分析的方法判別離群點(diǎn)噪聲并濾除。

濾除植株點(diǎn)云噪聲需要判斷每個(gè)點(diǎn)的鄰域，根據(jù)鄰域中的點(diǎn)數(shù)，判別當(dāng)前點(diǎn)是否為離群點(diǎn)。依次提取樣本集中的每個(gè)樣本點(diǎn)，計(jì)算該樣本點(diǎn)與其他點(diǎn)的歐式距離，從而判斷兩點(diǎn)是否屬于同一鄰域，進(jìn)而判定離群點(diǎn)。但單組點(diǎn)云數(shù)據(jù)量處于百萬(wàn)級(jí)量級(jí)，窮舉會(huì)消耗大量的計(jì)算時(shí)間。

本研究基于鄰域點(diǎn)數(shù)對(duì)離群點(diǎn)進(jìn)行判定，首先采用kd-tree將數(shù)據(jù)空間劃分為3個(gè)維度，接著依次提取樣本集中的每個(gè)樣本點(diǎn)，根據(jù)樣本點(diǎn)和設(shè)定的半徑，統(tǒng)計(jì)數(shù)據(jù)集所有與樣本點(diǎn)距離小于的數(shù)據(jù)點(diǎn)，當(dāng)樣本點(diǎn)的鄰域內(nèi)點(diǎn)數(shù)小于設(shè)定閾值，即判定為離群點(diǎn)。

預(yù)配準(zhǔn)：預(yù)配準(zhǔn)核心思想在于引入3對(duì)特征坐標(biāo)作為ICP初始解獲取輔助。試驗(yàn)采用8顆直徑2.5 cm的球體作為標(biāo)定物， 8個(gè)標(biāo)定物擺放于植株周圍a～h標(biāo)定位置，掃描儀從4個(gè)位置各獲取一組點(diǎn)云圖像以及對(duì)應(yīng)的5個(gè)特征點(diǎn)。每組點(diǎn)云與其臨近的2組點(diǎn)云進(jìn)行配準(zhǔn)，共需要6個(gè)特征位置。

各組點(diǎn)云之間的預(yù)配準(zhǔn)通過手動(dòng)選擇3對(duì)特征點(diǎn)。以第一組點(diǎn)云與第二組點(diǎn)云的預(yù)配準(zhǔn)過程為例，設(shè)從第一組點(diǎn)云的5個(gè)特征點(diǎn)中選擇3個(gè)點(diǎn)為原始點(diǎn)，構(gòu)成原始面，從第二組點(diǎn)云的5個(gè)特征點(diǎn)中選擇3個(gè)點(diǎn)為變換點(diǎn)，構(gòu)成變換面，求出從變換點(diǎn)還原到原始點(diǎn)的變換矩陣，根據(jù)變換矩陣對(duì)2組點(diǎn)云進(jìn)行預(yù)配準(zhǔn)。

獲取變換矩陣的主要步驟如下：

1）旋轉(zhuǎn)平面，使原始面和變換面平行。由于設(shè)計(jì)中標(biāo)定物位于同一水平面，且掃描儀數(shù)據(jù)精度足夠，獲取的多組點(diǎn)云中，標(biāo)定物3點(diǎn)坐標(biāo)形成的2個(gè)三角形平面可視為平行。將原始面與變換面的相機(jī)位置坐標(biāo)值、、均設(shè)置為0.1，相機(jī)視點(diǎn)的、、分量均設(shè)置為0，即可將原始面與變換面對(duì)應(yīng)的坐標(biāo)點(diǎn)的數(shù)值比例調(diào)整為相同數(shù)值，此時(shí)由標(biāo)定物形成的原始面與變換面在三維坐標(biāo)空間內(nèi)仍處于同一水平面。經(jīng)驗(yàn)證，可視標(biāo)定物每3個(gè)坐標(biāo)點(diǎn)形成的2個(gè)三角形平面，軸坐標(biāo)值最大誤差為0.30%，各點(diǎn)的軸坐標(biāo)值基本一致。

2）以變換面的平面法向量為旋轉(zhuǎn)軸，以變換點(diǎn)構(gòu)成的三角形重心為旋轉(zhuǎn)中心進(jìn)行旋轉(zhuǎn)，使得3點(diǎn)對(duì)重疊。首先使3點(diǎn)對(duì)形成的2個(gè)三角形的重心重疊，然后以重心為中心，以垂直于該平面的法向量為旋轉(zhuǎn)軸旋轉(zhuǎn)平面。試驗(yàn)采用暴力搜索算法和快速尋找波谷計(jì)算最佳旋轉(zhuǎn)角度，并通過點(diǎn)距離分析2種算法的優(yōu)度。判斷標(biāo)準(zhǔn)為點(diǎn)距離和越小，算法性能越佳。

法向量和點(diǎn)距離和的計(jì)算方法為：設(shè)有3點(diǎn)分別是：p(，，)，p(，，)，p(，，)。垂直于這3點(diǎn)形成的平面法向量為→(a，b，c)，旋轉(zhuǎn)后對(duì)應(yīng)點(diǎn)分別為p(，，)，p(，，)和p(，，)。法向量坐標(biāo)的計(jì)算公式如式（1）所示，點(diǎn)距離的計(jì)算公式如式（2）所示，通過式（3）計(jì)算出點(diǎn)對(duì)距離和。

表1 兩種算法下配準(zhǔn)同一點(diǎn)云的耗時(shí) Table 1 Time consuming of registering the same point cloud under the two algorithms

圖8 旋轉(zhuǎn)角度與點(diǎn)距離和的函數(shù)關(guān)系 Fig.8 Functional relationship of rotation angle and sum of point distances

由表可知快速尋找波谷算法比暴力算法耗時(shí)少約26.75%，快速尋找波谷算法不僅最佳旋轉(zhuǎn)角精度更高，運(yùn)算速度也更快。

精準(zhǔn)配準(zhǔn)：根據(jù)圖像偏移的整體性與否，配準(zhǔn)算法分為剛性和非剛性兩類。剛性配準(zhǔn)處理的是圖像的整體偏移（如旋轉(zhuǎn)、平移）；非剛性配準(zhǔn)允許各組點(diǎn)對(duì)擁有不同的位置關(guān)系，是針對(duì)動(dòng)態(tài)點(diǎn)云進(jìn)行的配準(zhǔn)。物體在掃描過程中易發(fā)生非剛性形變，如掃描時(shí)被風(fēng)吹動(dòng)的葉片。本文最初采用ICP剛性配準(zhǔn)算法進(jìn)行直接配準(zhǔn)，試驗(yàn)結(jié)果誤差較大（圖7）。其原因主要為ICP配準(zhǔn)算法需提供初始解，否則易陷入局部最優(yōu)解。本文提出的精準(zhǔn)配準(zhǔn)方法基于特征坐標(biāo)引入，結(jié)合人工干預(yù)進(jìn)行初始配準(zhǔn)，為ICP配準(zhǔn)提供初始解，即利用選取的圓形標(biāo)定物作為配準(zhǔn)算法的特征坐標(biāo)值，采用ICP算法對(duì)標(biāo)定物點(diǎn)云數(shù)據(jù)進(jìn)行精準(zhǔn)配準(zhǔn)。依據(jù)預(yù)配準(zhǔn)過程已獲得的ICP配準(zhǔn)算法初始解，結(jié)合已獲取到的點(diǎn)云數(shù)據(jù)，再以ICP算法對(duì)滴水蓮進(jìn)行4個(gè)角度點(diǎn)云數(shù)據(jù)的配準(zhǔn)，最終實(shí)現(xiàn)多組點(diǎn)云的精準(zhǔn)配準(zhǔn)。

配準(zhǔn)后的點(diǎn)云存在重疊區(qū)域，出現(xiàn)大量冗余數(shù)據(jù)點(diǎn)，點(diǎn)云數(shù)據(jù)量達(dá)到百萬(wàn)級(jí)。為減少冗余數(shù)據(jù)點(diǎn)，降低處理設(shè)備的性能要求和數(shù)據(jù)處理時(shí)間，本研究提出體素化網(wǎng)格法對(duì)點(diǎn)云進(jìn)行下采樣，實(shí)現(xiàn)保持點(diǎn)云三維形態(tài)特征的前提下，有效濾除冗余數(shù)據(jù)點(diǎn)的目的。

利用PCL點(diǎn)云庫(kù)實(shí)現(xiàn)的VoxelGrid類為輸入的點(diǎn)云數(shù)據(jù)創(chuàng)建一個(gè)三維體素柵格，在每個(gè)體素內(nèi)所有點(diǎn)的重心近似代表體素中其他點(diǎn)，即該體素內(nèi)所有點(diǎn)可由一個(gè)重心點(diǎn)表示。滴水蓮點(diǎn)云配準(zhǔn)后大部分點(diǎn)云比較集中，共有3 033 389個(gè)數(shù)據(jù)點(diǎn)，此時(shí)用體素中所有點(diǎn)的重心近似表示其他點(diǎn)，經(jīng)統(tǒng)計(jì)，點(diǎn)云數(shù)據(jù)降為81 741個(gè)，減少了97.35%。

2 建模試驗(yàn)與結(jié)果分析

為驗(yàn)證本研究所提出的基于輕量化處理的植物三維建模優(yōu)化方法的有效性，對(duì)單植株和多植株試驗(yàn)對(duì)象進(jìn)行點(diǎn)云精簡(jiǎn)與三維模型重建試驗(yàn)驗(yàn)證。

2.1 點(diǎn)云去噪

以315°試驗(yàn)獲取的滴水蓮點(diǎn)云數(shù)據(jù)組為例，在未濾除噪點(diǎn)時(shí)，滴水蓮的點(diǎn)云數(shù)據(jù)存在大量噪點(diǎn)，葉片、枝莖等表現(xiàn)模糊（圖9a）。進(jìn)行離群點(diǎn)濾除后，噪聲數(shù)據(jù)點(diǎn)減少11.20%（圖9b）。觀察圖9b可發(fā)現(xiàn)，邊緣處的葉子點(diǎn)云也被部分濾除，但經(jīng)融合多組點(diǎn)云時(shí)，誤濾除的點(diǎn)云數(shù)據(jù)在其他角度的點(diǎn)云數(shù)據(jù)組中得到補(bǔ)償。

圖9 滴水蓮點(diǎn)云去噪結(jié)果圖 Fig.9 Point cloud denoising result of Dishgyi

2.2 點(diǎn)云配準(zhǔn)

圖10為僅采取預(yù)配準(zhǔn)處理進(jìn)行點(diǎn)云配準(zhǔn)獲得的滴水蓮點(diǎn)云初始配準(zhǔn)圖。此時(shí)的點(diǎn)云雖能實(shí)現(xiàn)配準(zhǔn)，但明顯存在點(diǎn)云顯示效果不理想、配準(zhǔn)后的植物點(diǎn)云表型形態(tài)不明顯的缺陷。

圖10 滴水蓮預(yù)配準(zhǔn)結(jié)果 Fig.10 Results of pre-registration of Dishgyi

如圖11所示，預(yù)配準(zhǔn)情況下只能分辨出5條莖稈，而精準(zhǔn)配準(zhǔn)后可清晰分辨出9條莖稈（圖11d）；對(duì)比圖 11b和圖 11e，精準(zhǔn)配準(zhǔn)后的植株輪廓更加清晰，葉子與莖稈、葉子間的點(diǎn)云重合現(xiàn)象消失或大量減少，視覺上模糊程度降低；對(duì)比圖11c和圖11f，莖枝分離更加明顯，莖葉的細(xì)節(jié)也更易區(qū)分。

圖11 滴水蓮預(yù)配準(zhǔn)與精準(zhǔn)配準(zhǔn)結(jié)果 Fig.11 Pre-registration and accurate registration results of Dishgyi

2.3 點(diǎn)云精簡(jiǎn)

滴水蓮點(diǎn)云精簡(jiǎn)試驗(yàn)中，配準(zhǔn)得到滴水蓮點(diǎn)云共有3 033 389個(gè)數(shù)據(jù)點(diǎn)（圖12a）。采用體素網(wǎng)格法進(jìn)行點(diǎn)云精簡(jiǎn)，經(jīng)統(tǒng)計(jì)，點(diǎn)云數(shù)據(jù)點(diǎn)降為81 741個(gè)，減少了97.35%（圖12b）。與圖12a相比，精簡(jiǎn)后的滴水蓮點(diǎn)云模型的基本表型特征細(xì)節(jié)，如葉片、輪廓、莖稈的粗細(xì)等仍能清晰區(qū)分。

圖12 滴水蓮點(diǎn)云精簡(jiǎn)結(jié)果 Fig.12 Result of point cloud streamlining of Dishgyi

進(jìn)一步，針對(duì)圖12b，以所獲取的滴水蓮邊緣點(diǎn)云反射率進(jìn)行賦色，進(jìn)行精簡(jiǎn)點(diǎn)云圖的植株三維重建。由重建的滴水蓮三維模型（圖13）可見，植物點(diǎn)云葉子及莖桿輪廓清晰，形狀及朝向與精簡(jiǎn)前的葉子和莖桿的點(diǎn)云一致，精簡(jiǎn)后的植物點(diǎn)云表型可有效重構(gòu)植株的形態(tài)特征。

圖13 滴水蓮精簡(jiǎn)點(diǎn)云圖的三維重建圖像 Fig.13 3D reconstruction image of simplified point cloud of Dishgyi

2.4 單植株建模結(jié)果與分析

依照上述方法對(duì)九里香、茉莉和柑橘植株進(jìn)行精簡(jiǎn)點(diǎn)云數(shù)據(jù)獲取和統(tǒng)計(jì)，植株配準(zhǔn)點(diǎn)云圖和精簡(jiǎn)點(diǎn)云圖如圖14所示，4種單植株精簡(jiǎn)前后點(diǎn)云數(shù)量對(duì)比見表2。

表2 單植株的點(diǎn)云數(shù)精簡(jiǎn)前后對(duì)比 Table 2 Comparison of point cloud number of single plants before and after simplification

圖14 單植株點(diǎn)云配準(zhǔn)、精簡(jiǎn)和建模結(jié)果 Fig.14 Results of point cloud of single plants after registration, simplification and 3D modeling

精簡(jiǎn)后植株的點(diǎn)云數(shù)據(jù)量下降96.90%～97.35%，九里香點(diǎn)云模型仍可區(qū)分出倒卵形葉片輪廓、莖稈粗細(xì)等特征；茉莉點(diǎn)云模型可區(qū)分出3條分枝、橢圓形葉片輪廓等信息；柑橘點(diǎn)云模型可區(qū)分出主桿、莖稈粗細(xì)等特征。

為驗(yàn)證精簡(jiǎn)后點(diǎn)云數(shù)據(jù)的精準(zhǔn)度，將植株點(diǎn)云株高和冠幅與實(shí)際測(cè)量株高和冠幅進(jìn)行對(duì)比，結(jié)果見表3所示。根據(jù)對(duì)比數(shù)據(jù)可得：株高誤差范圍為0.20%～0.45%，冠幅誤差范圍為0.17%～0.47%，精簡(jiǎn)后的點(diǎn)云數(shù)據(jù)與實(shí)際測(cè)量數(shù)據(jù)誤差小于0.50%，滿足獲取植物表型信息需求。

表3 株高與冠幅的實(shí)測(cè)與點(diǎn)云測(cè)量結(jié)果對(duì)比 Table 3 Comparison between measured plant height and crown width of single plants and measured values of point cloud m

2.5 多植株分離建模試驗(yàn)與結(jié)果分析

采用本研究方法對(duì)桐花輕量化處理的三維進(jìn)行建模，圖15a為精配準(zhǔn)得到的桐花點(diǎn)云圖像，從左到右記為1～8號(hào)。圖15b到圖15i為提取的單株桐花的精配準(zhǔn)與精簡(jiǎn)點(diǎn)云后的對(duì)比圖。將得到的單株桐花點(diǎn)云參數(shù)與實(shí)際測(cè)量參數(shù)進(jìn)行對(duì)比，結(jié)果見表4。由圖15可見，分離后的各植株精簡(jiǎn)點(diǎn)云圖仍清晰描述其葉、枝、莖的形態(tài)特征，8棵桐花的株高誤差在0.25%～0.60%，冠幅誤差在0.42%～0.80%，冗余點(diǎn)云數(shù)據(jù)精簡(jiǎn)了96.90%～97.20%。

圖15 多植株桐花點(diǎn)云配準(zhǔn)、精簡(jiǎn)和三維建模結(jié)果圖 Fig.15 Results of multi plant tung flower point cloud after registration, simplification and 3D modeling

表4 多植株分離的株高與冠幅實(shí)測(cè)與點(diǎn)云測(cè)量結(jié)果對(duì)比 Table 4 Comparison of measured plant height and crown width with point cloud measurements

圖16a為配準(zhǔn)得到的灰莉點(diǎn)云圖像，圖16b為精簡(jiǎn)后的灰莉點(diǎn)云圖像。配準(zhǔn)得到的灰莉點(diǎn)云中共有11 938 750個(gè)數(shù)據(jù)點(diǎn)，采用體素網(wǎng)格法進(jìn)行點(diǎn)云精簡(jiǎn)，經(jīng)統(tǒng)計(jì)，點(diǎn)云數(shù)據(jù)點(diǎn)降為334 285個(gè)，減少了97.20%的點(diǎn)云數(shù)據(jù)量。根據(jù)精簡(jiǎn)后的灰莉點(diǎn)云數(shù)據(jù)計(jì)算可得：1）精簡(jiǎn)后的植物點(diǎn)云表型平均株高為0.976 m，與實(shí)際平均株高0.975 m誤差0.10%；2）精簡(jiǎn)后的植物點(diǎn)云葉子及莖桿輪廓清晰，形狀及朝向與精簡(jiǎn)前的葉子和莖桿的點(diǎn)云一致?？梢?，精簡(jiǎn)后的灰莉點(diǎn)云表型基本反映灰莉植株形態(tài)特征。

圖16 灰莉點(diǎn)云配準(zhǔn)、精簡(jiǎn)和三維建模結(jié)果圖 Fig.16 Results of Fagraea point cloud after registration, simplification and 3D modeling

上述試驗(yàn)結(jié)果表明，引入輔助特征坐標(biāo)為ICP算法提供初始解的方法，可有效提高配準(zhǔn)精度與處理效率；采用體素化網(wǎng)格法進(jìn)行點(diǎn)云精簡(jiǎn)，可在保持點(diǎn)云三維形態(tài)特征前提下，大幅度濾除冗余數(shù)據(jù)點(diǎn)，實(shí)現(xiàn)植株形態(tài)特征的精準(zhǔn)重構(gòu)。植物三維建模是無(wú)損獲取植物表型信息的重要手段，如何實(shí)現(xiàn)植物點(diǎn)云的精準(zhǔn)配準(zhǔn)與精簡(jiǎn)、獲取植物表型信息，是該研究進(jìn)一步應(yīng)用于植物生理、作物栽培等領(lǐng)域的探索重點(diǎn)。

3 結(jié) 論

本研究提出一種基于輕量化處理的ICP優(yōu)化算法，尋求構(gòu)建低數(shù)據(jù)量的精準(zhǔn)植物三維模型。通過滴水蓮三維建模點(diǎn)云數(shù)據(jù)的獲取試驗(yàn)，得到結(jié)論如下：

1）采用kd-tree基于鄰域點(diǎn)數(shù)去噪方法對(duì)單植株和多植株點(diǎn)云數(shù)據(jù)離群點(diǎn)進(jìn)行判定去噪，可有效濾除噪聲數(shù)據(jù)點(diǎn)。

2）基于人機(jī)交互求取ICP算法初始解，解決了算法容易陷入局部最優(yōu)解的問題。植株點(diǎn)云經(jīng)精準(zhǔn)配準(zhǔn)后，輪廓清晰度有效提高。

3）利用體素化網(wǎng)格法進(jìn)行點(diǎn)云精簡(jiǎn)，點(diǎn)云冗余數(shù)據(jù)減少96.90%～97.35%，經(jīng)精簡(jiǎn)點(diǎn)云圖植株三維重建可見，精簡(jiǎn)后的植物點(diǎn)云表型可精準(zhǔn)反映植株實(shí)際形態(tài)特征。

4）精簡(jiǎn)后的點(diǎn)云模型基本表型特征可有效區(qū)分，對(duì)單植株和多植株的點(diǎn)云數(shù)據(jù)處理效果良好。單植株建模試驗(yàn)，株高誤差范圍是0.20%～0.45%，冠幅誤差范圍是0.17%～0.47%；多植株建模試驗(yàn)，植株株高誤差范圍0.25%～0.60%，冠幅誤差0.42%～0.80%。表明本研究提出的優(yōu)化方法在保持植物三維建模特征信息的同時(shí)實(shí)現(xiàn)了點(diǎn)云數(shù)據(jù)量的有效降低，可為植物表型的三維建模輕量化處理研究提供參考。