賴(lài)亦斌，陸聲鏈，錢(qián)婷婷，宋真，陳明

1.廣西師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，廣西桂林541004

2.廣西師范大學(xué)廣西多源信息挖掘與安全重點(diǎn)實(shí)驗(yàn)室，廣西桂林541004

3.上海市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所，上海201403

全球人口正在不斷增長(zhǎng)，水土等自然資源面臨著流失、匱乏的處境，加上全球新冠疫情的影響，人類(lèi)對(duì)于糧食的需求將會(huì)逐漸增大[1]。為適應(yīng)糧食增產(chǎn)的迫切需求，需要育種專(zhuān)家采用高效的育種方案與策略選育出高產(chǎn)高質(zhì)的優(yōu)質(zhì)作物品種。然而，與高通量測(cè)量作物基因序列的技術(shù)相比，傳統(tǒng)的以人工測(cè)量作物生長(zhǎng)參數(shù)為基礎(chǔ)的植物表型獲取手段通常效率低下，從而制約了現(xiàn)代農(nóng)業(yè)智能育種的進(jìn)程[2]。此外，人工測(cè)量具有主觀性，導(dǎo)致測(cè)量參數(shù)不準(zhǔn)確；人工測(cè)量與植物直接接觸，還可能對(duì)被測(cè)量作物造成不可逆轉(zhuǎn)的破壞。因此，自動(dòng)化的無(wú)損高通量作物表型監(jiān)測(cè)技術(shù)已成為現(xiàn)代數(shù)字化農(nóng)業(yè)領(lǐng)域的的研究熱點(diǎn)。植物表型通常指植物個(gè)體或群體由自身基因決定且處于特定的環(huán)境下所表現(xiàn)出的可觀察的形態(tài)特征[3]，植物表型研究是綜合評(píng)估分析植物的各種性狀。構(gòu)成植物表型性狀的植物器官通常包括根、葉、莖和果實(shí)等，其中葉器官構(gòu)成了大多數(shù)植物的主要性狀。對(duì)植物葉器官的大小、顏色、形狀等表型參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和評(píng)估分析，可以實(shí)時(shí)檢測(cè)病蟲(chóng)害，預(yù)測(cè)作物產(chǎn)量，為優(yōu)質(zhì)作物品種選育、糧食增產(chǎn)提供發(fā)展空間。因此，用某種傳感器在自然環(huán)境下自動(dòng)計(jì)數(shù)、分割與識(shí)別作物冠層中的葉器官是高通量植物表型研究的一項(xiàng)主要任務(wù)。在以往的工作中，研究人員大多從二維圖像和三維點(diǎn)云這兩個(gè)角度研究植物器官的分割任務(wù)。

文獻(xiàn)[4]針對(duì)作物病蟲(chóng)害圖像的特點(diǎn)，提出了一種基于模糊C-均值聚類(lèi)算法的作物病蟲(chóng)害圖像自適應(yīng)分割方法。文獻(xiàn)[5]提出了一種基于馬爾科夫隨機(jī)場(chǎng)最優(yōu)化模型的聯(lián)合分割算法，實(shí)現(xiàn)了自然光條件下棉花葉片的自動(dòng)分割。文獻(xiàn)[6]提出了一種基于粒子種群算法（particle swarm optimization,PSO）與最大類(lèi)間方差法相結(jié)合的分割方法，得到了生菜葉片分割圖。文獻(xiàn)[7]基于遺傳算法提出一種用于植物葉片疾病自動(dòng)監(jiān)測(cè)和分類(lèi)的圖像分割算法。文獻(xiàn)[8]提出了一種從無(wú)人機(jī)獲得的圖像中識(shí)別與計(jì)數(shù)煙草植物的算法。然而，基于二維圖像獲取葉器官的表型信息具有一定的局限性，因?yàn)槿~器官之間互相遮擋，所以二維信息并不能充分反映完整的葉片信息。隨后，研究人員在三維尺度上探索植物表型，采用激光雷達(dá)[9]、超聲波傳感器[10]、激光掃描[11]等先進(jìn)設(shè)備獲取植株的三維點(diǎn)云模型，進(jìn)而獲得植株的表型參數(shù)。

文獻(xiàn)[12]提出了一種從彩色點(diǎn)云中分割生菜并估算鮮重的新穎方法。文獻(xiàn)[13]首次在農(nóng)業(yè)領(lǐng)域提出了基于激光雷達(dá)探測(cè)的莖葉分割和表型性狀提取方法。由于相機(jī)設(shè)備的成本相對(duì)低廉，近年來(lái)基于雙目立體視覺(jué)和多目視覺(jué)等三維重建方法得到了廣泛應(yīng)用。文獻(xiàn)[14]根據(jù)多視圖立體（multi-view stereo,MVS）方法重建黃瓜、辣椒、茄子的三維點(diǎn)云，采用區(qū)域生長(zhǎng)算法分割葉片并提取株高、葉長(zhǎng)、葉面積等植物表型參數(shù)。文獻(xiàn)[15]從不同視角拍攝植物以構(gòu)建植物的三維結(jié)構(gòu)，根據(jù)分水嶺算法對(duì)頂視圖進(jìn)行分割后生成種子點(diǎn)，再將種子點(diǎn)擴(kuò)展到三維圖像上生長(zhǎng)，從而準(zhǔn)確自動(dòng)地分割每一片葉子。文獻(xiàn)[16]擴(kuò)展了現(xiàn)有的基于歐氏距離和光譜的聚類(lèi)方法，并用迭代方法分割三維油菜點(diǎn)云器官。文獻(xiàn)[17]提出了一種基于體素的卷積神經(jīng)網(wǎng)絡(luò)（voxel-based convolutional neural network,VCNN），用于玉米莖葉的分類(lèi)和分割?；谌S點(diǎn)云進(jìn)行植物表型特征和參數(shù)的自動(dòng)提取是當(dāng)前農(nóng)業(yè)信息技術(shù)研究的熱點(diǎn)問(wèn)題[18]，因此針對(duì)三維植物點(diǎn)云自動(dòng)分割的相關(guān)研究具有重要的意義。然而，植物的點(diǎn)云分割具有一定的挑戰(zhàn)性，一是因?yàn)橹参锉旧淼慕Y(jié)構(gòu)復(fù)雜又不規(guī)則，且器官之間往往存在遮擋現(xiàn)象；二是因?yàn)橹参锏淖匀簧L(zhǎng)環(huán)境易受光照、風(fēng)向、天氣等物理?xiàng)l件的影響，所以通過(guò)傳感器等設(shè)備獲取的植物點(diǎn)云數(shù)據(jù)除了包含一定的噪聲外還存在不均勻、無(wú)序性等問(wèn)題[19]。

鑒于此，本文根據(jù)不同種類(lèi)植物的三維點(diǎn)云開(kāi)展了針對(duì)性的分割實(shí)驗(yàn)，以煙草、玉米和黃瓜群體3種植物為樣本數(shù)據(jù)，進(jìn)行了預(yù)處理、群體分離、邊緣提取、葉片分割等操作，并對(duì)分割結(jié)果進(jìn)行評(píng)估分析。

1 點(diǎn)云數(shù)據(jù)預(yù)處理

無(wú)論是三維激光掃描儀還是基于圖像的MVS方法，獲取的點(diǎn)云數(shù)據(jù)都有一定的噪聲，尤其是后者獲取的點(diǎn)云數(shù)據(jù)更容易受到背景的影響。為了消除離群點(diǎn)與多余的背景點(diǎn)，需要對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行濾波預(yù)處理[20]，具體方法如下：

1）統(tǒng)計(jì)濾波

統(tǒng)計(jì)每一個(gè)點(diǎn)近鄰的空間距離信息，設(shè)定閾值去除點(diǎn)云中的噪聲點(diǎn)。

2）體素濾波

由掃描儀掃描的點(diǎn)云通常密度較大，如果采用基于體素的濾波方法對(duì)點(diǎn)云進(jìn)行降采樣，就可以在不破壞點(diǎn)云原有形態(tài)的基礎(chǔ)上降低點(diǎn)云數(shù)量，從而減輕后續(xù)分割任務(wù)的計(jì)算負(fù)擔(dān)。

3）顏色濾波

黃瓜群體點(diǎn)云存在標(biāo)簽紙以及盆等多余點(diǎn)云，而MVS生成的點(diǎn)云還有RGB顏色信息?？紤]到這些背景顏色與植物部分的顏色存在一定的差別，將RGB轉(zhuǎn)換到色調(diào)、飽和度、明度（hue,saturation,value,HSV）顏色空間，再根據(jù)H色調(diào)信息盡量篩選出只包含植物部分的點(diǎn)云。

2 基于PCL的三維點(diǎn)云分割方法

三維點(diǎn)云分割的方法有很多種類(lèi)，具體可分為基于邊緣、基于區(qū)域、基于屬性、基于圖、基于模型等類(lèi)型的分割方法[19]。根據(jù)點(diǎn)云庫(kù)（point cloud library,PCL）框架可以實(shí)現(xiàn)基于歐氏距離的聚類(lèi)、基于隨機(jī)采樣一致性（random sample consensus,RANSAC）分割、區(qū)域生長(zhǎng)分割、超體聚類(lèi)+基于凹凸性聚類(lèi)等分割方法。

2.1 基于RANSAC的分割算法

在三維點(diǎn)云數(shù)據(jù)中，一些如直線、圓柱體、球形等較規(guī)則的幾何模型都有一個(gè)共同特點(diǎn)：就是可以用相應(yīng)的方程（數(shù)學(xué)特征）描述特定的幾何模型。RANSAC算法可以在噪聲中擬合出符合某個(gè)模型的數(shù)據(jù)，如識(shí)別出點(diǎn)云中的地板、墻面等背景點(diǎn)云以及在地面上擺放著的規(guī)則物體，或者是人工設(shè)計(jì)的具有規(guī)則性的圓柱體等建筑類(lèi)型的點(diǎn)云。對(duì)于形狀不規(guī)則的植物器官，RANSAC算法雖然可以分割出具有近似圓柱體特征的莖桿，為后續(xù)的分割操作提供便利，但其應(yīng)用會(huì)受到限制。

RANSAC算法的大致過(guò)程如下[5]：根據(jù)預(yù)先設(shè)定的參數(shù)擬定一個(gè)估計(jì)的幾何模型，再用這個(gè)估計(jì)模型對(duì)整個(gè)三維空間隨機(jī)采樣，可以擬合出符合條件的點(diǎn)。例如：設(shè)定一個(gè)距離閾值和特定的幾何模型，隨機(jī)采樣點(diǎn)云數(shù)據(jù)中的點(diǎn)并計(jì)算這些點(diǎn)與設(shè)定的幾何模型之間的距離，若在閾值范圍之內(nèi)則這些點(diǎn)稱(chēng)為局內(nèi)點(diǎn)或內(nèi)點(diǎn)，若不在閾值范圍之內(nèi)則稱(chēng)為局外點(diǎn)或外點(diǎn)。每進(jìn)行一次隨機(jī)估計(jì)的迭代都會(huì)統(tǒng)計(jì)內(nèi)點(diǎn)的數(shù)量，當(dāng)達(dá)到一定的迭代次數(shù)后，選取內(nèi)點(diǎn)數(shù)量最大的那次結(jié)果作為分割結(jié)果，這樣就可以把三維點(diǎn)云數(shù)據(jù)中與估計(jì)模型最佳匹配的點(diǎn)云分割出來(lái)。

2.2 基于歐氏聚類(lèi)的分割方法

歐氏聚類(lèi)分割方法是一種基于近鄰信息屬性的分割方法，這個(gè)近鄰信息就是在三維空間中點(diǎn)與點(diǎn)之間的歐氏距離。依據(jù)空間中的距離，將小于距離閾值的點(diǎn)云作為一個(gè)集群。

2.3 基于區(qū)域生長(zhǎng)的分割方法

區(qū)域生長(zhǎng)分割的目的是根據(jù)平滑度約束合并足夠接近的點(diǎn)，以便將具有相同特征的連通區(qū)域分割出來(lái)，同時(shí)能保證分割后的部分保留較好的邊緣信息[21]。該算法的輸出是點(diǎn)云聚類(lèi)的集合，每一個(gè)聚類(lèi)包含一組點(diǎn)。同組的點(diǎn)具有相同的特征，因而被認(rèn)為是同一光滑曲面的一部分。區(qū)域生長(zhǎng)算法的基本思路是：根據(jù)曲率大小選出區(qū)域中曲率值最小的一個(gè)初始種子點(diǎn)，接著在種子點(diǎn)鄰近的區(qū)域搜索與該種子點(diǎn)有相似特征的點(diǎn)，并將這些搜索到的點(diǎn)合并到種子區(qū)域中。然后將合并后的點(diǎn)作為新的種子點(diǎn)繼續(xù)搜索，直到種子區(qū)域中所有像素周?chē)鷽](méi)有相似特征的點(diǎn)為止。算法的具體步驟[22]如下：

步驟1初始種子點(diǎn)的選取

依據(jù)點(diǎn)云的曲率值將輸入點(diǎn)云排序，選擇曲率最小的點(diǎn)作為初始種子點(diǎn)，則該點(diǎn)所在的區(qū)域即為最平滑的區(qū)域。從最平滑的區(qū)域開(kāi)始生長(zhǎng)可減少分割片段的總數(shù)，提高分割效率。將曲率排序后選出的點(diǎn)添加到種子集合中。

步驟2鄰近區(qū)域的搜索

設(shè)置一個(gè)空的種子點(diǎn)序列和空的聚類(lèi)集合，從已排序的點(diǎn)云中選出初始種子點(diǎn)添加到種子點(diǎn)序列中，并搜索其鄰域點(diǎn)。

步驟3相似準(zhǔn)則的判斷

比較每一個(gè)鄰域點(diǎn)與當(dāng)前種子點(diǎn)法線之間的夾角，若角度小于平滑閾值，則將當(dāng)前區(qū)域添加到當(dāng)前點(diǎn)；若該鄰域點(diǎn)的曲率小于曲率閾值，則將其加入種子集合，并將當(dāng)前種子點(diǎn)從種子序列中移除。

循環(huán)執(zhí)行上述步驟，直至種子序列為空。

2.4 超體素聚類(lèi)與基于凹凸性聚類(lèi)

超體素聚類(lèi)與基于凹凸性的聚類(lèi)方法[23]分為兩部分：一是超體素聚類(lèi)，類(lèi)似于圖像中超像素的概念，這種聚類(lèi)方法會(huì)將場(chǎng)景的點(diǎn)云過(guò)分割。根據(jù)每一個(gè)點(diǎn)的局部信息整合成一個(gè)超體素，需要設(shè)置主要參數(shù)seed_resolution和voxel_resolution來(lái)限制即將形成的體素網(wǎng)格的大小。二是在超體素的基礎(chǔ)上再聚類(lèi)，需要計(jì)算不同點(diǎn)云塊之間的凹凸關(guān)系，而凹凸關(guān)系則根據(jù)凸性準(zhǔn)則和健全性準(zhǔn)則來(lái)判斷。這種基于凹凸關(guān)系的分割方法也稱(chēng)為局部凸連接打包（locally convex connected patches,LCCP）方法。

2.5 基于近鄰法向信息的邊緣提取

在二維圖像上，像素值在某個(gè)方向上發(fā)生突變的地方通常視為圖像的邊緣。根據(jù)圖像邊緣的定義方式[24]可知，三維點(diǎn)云上的邊緣點(diǎn)通常處于兩個(gè)相交面的交界處。因此，對(duì)每一個(gè)點(diǎn)進(jìn)行擬合計(jì)算得到其近鄰點(diǎn)的法向量角度，若某一個(gè)點(diǎn)的法向量夾角相對(duì)周?chē)狞c(diǎn)發(fā)生了突變，則說(shuō)明該點(diǎn)為邊緣點(diǎn)。

具體的步驟如下：設(shè)定一個(gè)k閾值和角度閾值，k閾值用來(lái)搜索點(diǎn)云中每一個(gè)點(diǎn)的k近鄰點(diǎn)；用最小二乘法將這k個(gè)近鄰點(diǎn)中擬合成二維平面，并將這些點(diǎn)投影到這個(gè)平面上；計(jì)算每個(gè)點(diǎn)與k個(gè)投影點(diǎn)之間所形成的角度。若這個(gè)角度值的標(biāo)準(zhǔn)差大于設(shè)定的角度閾值，則判斷這個(gè)點(diǎn)為邊緣點(diǎn)。

3 實(shí)驗(yàn)結(jié)果

本文的三維點(diǎn)云分割實(shí)驗(yàn)采用C++語(yǔ)言結(jié)合開(kāi)源庫(kù)PCL來(lái)實(shí)現(xiàn)，并在Dell-PC latitude 3490筆記本電腦上測(cè)試。PCL提供了強(qiáng)大的三維點(diǎn)云數(shù)據(jù)處理功能，包括點(diǎn)云數(shù)據(jù)的讀取、可視化、濾波、關(guān)鍵點(diǎn)提取、分割、配準(zhǔn)、識(shí)別、曲面重建等。在數(shù)字領(lǐng)域、虛擬農(nóng)業(yè)領(lǐng)域中，PCL對(duì)于三維植物點(diǎn)云數(shù)據(jù)處理來(lái)說(shuō)非常重要。通過(guò)跨平臺(tái)支持的嵌入式設(shè)備，將PCL作為基礎(chǔ)平臺(tái)開(kāi)發(fā)出可以提取植物三維信息的程序，對(duì)于三維植物建模具有重要的意義。

3.1 實(shí)驗(yàn)樣本數(shù)據(jù)

實(shí)驗(yàn)采用的樣本數(shù)據(jù)是以三維激光掃描儀獲取的煙草和玉米植株，以及根據(jù)MVS重建方法獲取的黃瓜群體。三維激光掃描儀獲取的.obj格式的三維點(diǎn)云需要通過(guò)PCL中的IO模塊將其轉(zhuǎn)換為.pcd格式。

3.2 數(shù)據(jù)預(yù)處理

預(yù)處理的主要過(guò)程如圖1和2所示。用統(tǒng)計(jì)濾波去除煙草點(diǎn)云中的離群點(diǎn)如圖1中的(a)和(b)所示，用體素濾波降低點(diǎn)云密度如圖1中的(c)和(d)所示，用RANSAC去除地面點(diǎn)云如圖2中的(a)和(b)所示，用顏色濾波去除非葉子部分的點(diǎn)云如圖2中的(c)和(d)所示。

圖1 三維植物點(diǎn)云的預(yù)處理過(guò)程Figure 1 Pre-processing process of 3D plant point cloud

圖2 三維植物群體點(diǎn)云的預(yù)處理過(guò)程Figure 2 Pre-processing process of 3D plant population point cloud

預(yù)處理過(guò)程的相應(yīng)參數(shù)如表1所示。

表1 預(yù)處理過(guò)程的各項(xiàng)參數(shù)Table 1 Parameters of pre-processing

將預(yù)處理后的點(diǎn)云作為后續(xù)分割任務(wù)中的輸入數(shù)據(jù)。

3.3 煙草植株器官分割

對(duì)于煙草植株，可以取不同的曲率閾值和平滑度閾值，采用區(qū)域生長(zhǎng)算法分割后為每一個(gè)聚類(lèi)賦色，從而得出不同的分割結(jié)果如圖3所示。顏色是隨機(jī)分配的，紅色的點(diǎn)不屬于任何類(lèi)別。

圖3 煙草植株分割結(jié)果Figure 3 Tobacco plant segmentation results

3.4 玉米植株器官分割

對(duì)于玉米植株，取不同的曲率閾值和平滑度閾值執(zhí)行區(qū)域生長(zhǎng)算法，從而計(jì)算出最佳的分割結(jié)果如圖4所示。

圖4 玉米植株分割結(jié)果Figure 4 Corn plant segmentation results

玉米的莖桿具有類(lèi)似圓柱體的特征，于是用RANSAC模型擬合出玉米原始點(diǎn)云的莖桿部分，再根據(jù)區(qū)域生長(zhǎng)算法得到結(jié)果如圖5中的(a)～(c)所示。

圖5 分割結(jié)果Figure 5 Segmentation results

3.5 黃瓜群體器官分割

對(duì)于黃瓜群體，分割的需求需要針對(duì)特定的問(wèn)題。若要從群體中分離出每一個(gè)植株，則可用歐氏聚類(lèi)方法將包含盆栽的群體植株點(diǎn)云分割為單個(gè)植株點(diǎn)云，如圖6所示。

圖6 分割結(jié)果Figure 6 Segmentation results

當(dāng)分割植物群體中的葉片器官時(shí)，用區(qū)域生長(zhǎng)算法分割預(yù)處理后的黃瓜葉片點(diǎn)云，取不同的曲率閾值和平滑度閾值執(zhí)行區(qū)域生長(zhǎng)算法，從而得出最佳的分割結(jié)果如圖7所示。

從圖7中看出：大部分葉子均可以分割到理想位置上，但不可避免地出現(xiàn)兩片葉子分割為同一片葉子的情況，可見(jiàn)用區(qū)域生長(zhǎng)算法對(duì)植物點(diǎn)云分割需要考慮這種重疊的現(xiàn)象。使用區(qū)域生長(zhǎng)算法對(duì)3種植物進(jìn)行分割實(shí)驗(yàn)，區(qū)域生長(zhǎng)算法設(shè)置的參數(shù)如表2所示。

圖7 基于區(qū)域生長(zhǎng)的黃瓜群體分割結(jié)果Figure 7 Segmentation results of cucumber population based on region growing

表2 區(qū)域生長(zhǎng)算法的各項(xiàng)參數(shù)Table 2 Parameters of pre-processing

使用超體素聚類(lèi)+LCCP聚類(lèi)的方法分割黃瓜群體點(diǎn)云，設(shè)置的主要參數(shù)如下：voxel_resolution為0.008 5，seed_resolution為0.150 0，concavity_tolerance_threshold為2，smoothness_threshold為10，其中voxel_resolution和seed_resolution這兩個(gè)參數(shù)會(huì)影響超體素網(wǎng)格的大小，完成聚類(lèi)結(jié)果如圖8所示。

圖8 基于超體聚類(lèi)+LCCP的黃瓜群體分割結(jié)果Figure 8 Cucumber population segmentation results based on supervoxel clustering+LCCP clustering

相比于區(qū)域生長(zhǎng)算法，超體素聚類(lèi)+LCCP聚類(lèi)的方法可以解決葉片分割中部分重疊的問(wèn)題，但是與葉片相連的莖稈有時(shí)也會(huì)聚為一類(lèi)。因此，本文引入邊緣濾波的方法（類(lèi)似于圖像的形態(tài)學(xué)腐蝕）對(duì)黃瓜群體點(diǎn)云進(jìn)行多次邊緣提取操作，結(jié)果如圖9所示。

圖9 黃瓜群體的邊緣提取結(jié)果Figure 9 Edge extraction results of cucumber population

通過(guò)觀察可以發(fā)現(xiàn)：隨著邊緣濾波次數(shù)的增加，葉片器官逐漸減小，葉片之間的接觸現(xiàn)象也會(huì)減少，且細(xì)長(zhǎng)的莖稈比葉器官更早消失。對(duì)于經(jīng)過(guò)2次邊緣提取的群體點(diǎn)云，可以執(zhí)行超體素聚類(lèi)+LCCP聚類(lèi)操作，如圖10所示。

圖10 基于邊緣提取后的聚類(lèi)結(jié)果Figure 10 Clustering results based on edge extraction

經(jīng)過(guò)邊緣提取后再進(jìn)行分割操作，可以觀察到兩片葉子劃分為同一片葉子的重疊現(xiàn)象相較之前減少了，而且部分莖稈也在邊緣提取過(guò)程中被去除，減少了聚類(lèi)中莖稈與葉片相連的現(xiàn)象，但是較小的葉器官會(huì)存在被濾除的風(fēng)險(xiǎn)。

3.6 誤差分析

完成分割后通過(guò)統(tǒng)計(jì)每個(gè)聚類(lèi)中包含的點(diǎn)云數(shù)量來(lái)評(píng)估分割結(jié)果，煙草聚類(lèi)結(jié)果的點(diǎn)云數(shù)量統(tǒng)計(jì)如表3所示。

表3 煙草聚類(lèi)結(jié)果的點(diǎn)云數(shù)量統(tǒng)計(jì)Table 3 Points statistics of tobacco cluster results

從表3中可以發(fā)現(xiàn)：?jiǎn)我粋鹘y(tǒng)的區(qū)域生長(zhǎng)方法對(duì)于煙草植株器官分割的效果不太理想，靠近莖桿的葉子（索引為7的類(lèi)）會(huì)被分為一個(gè)單獨(dú)的聚類(lèi)。設(shè)置更精確的參數(shù)可能會(huì)得到更精確的結(jié)果，但參數(shù)是人為設(shè)置的，這就需要大量的重復(fù)試驗(yàn)。因此，根據(jù)輸入點(diǎn)云特征自動(dòng)確定閾值參數(shù)是一項(xiàng)重要的研究工作，這會(huì)大大提高分割算法的效率，減少人工干預(yù)分割結(jié)果的影響。玉米聚類(lèi)結(jié)果的點(diǎn)云數(shù)量統(tǒng)計(jì)如表4所示。

表4 玉米聚類(lèi)結(jié)果的點(diǎn)云數(shù)量統(tǒng)計(jì)Table 4 Points statistics of corn clustering results

從表4中可以看出，已被分配到某一個(gè)類(lèi)別的點(diǎn)云數(shù)量占總點(diǎn)云數(shù)量的88.3%，也就是意味著還有11.7%的點(diǎn)云未被歸類(lèi)。

使用RANSAC抽取莖稈后的玉米聚類(lèi)結(jié)果的點(diǎn)云數(shù)量統(tǒng)計(jì)如表5所示。

表5 使用RANSAC抽取莖稈后的玉米聚類(lèi)結(jié)果的點(diǎn)云數(shù)量統(tǒng)計(jì)Table 5 Points statistics of corn clustering results after using RANSAC to extract corn stalks

對(duì)比表4與5的結(jié)果可以看出：頂部的器官被當(dāng)作莖桿提取出來(lái)，故聚類(lèi)結(jié)果中只有5類(lèi)點(diǎn)云簇。已分配的點(diǎn)云數(shù)量占總點(diǎn)云數(shù)量的96.9%，還剩下3.1%的點(diǎn)云未被分配。

4 結(jié)語(yǔ)

本文根據(jù)不同類(lèi)型植物的三維點(diǎn)云開(kāi)展了針對(duì)性的分割實(shí)驗(yàn)。初步結(jié)果表明：在植物三維點(diǎn)云分割方面還有許多問(wèn)題需要考慮，其中葉片器官重疊現(xiàn)象影響了自動(dòng)分割的性能，而邊緣提取可以在一定程度上弱化植物葉器官的重疊現(xiàn)象，為自動(dòng)提取作物葉器官表型信息的研究提供新的線索。

三維點(diǎn)云分割在許多領(lǐng)域中都有著廣泛的應(yīng)用，尤其是對(duì)農(nóng)業(yè)領(lǐng)域中植物的表型測(cè)量具有至關(guān)重要的作用[14]。對(duì)植物進(jìn)行三維建模以獲取表型信息的關(guān)鍵在于提取植物的葉片、莖桿等器官并計(jì)算葉長(zhǎng)、葉寬等參數(shù)，這離不開(kāi)三維點(diǎn)云分割算法。傳統(tǒng)的點(diǎn)云分割算法需要憑經(jīng)驗(yàn)設(shè)定合理的閾值參數(shù)，而參數(shù)的大小會(huì)影響分割結(jié)果的好壞。因此，對(duì)于結(jié)構(gòu)復(fù)雜的植物，要實(shí)現(xiàn)精確的點(diǎn)云分割面臨較大的挑戰(zhàn)，后續(xù)工作需要研究如何基于輸入點(diǎn)云特征自動(dòng)地選取參數(shù)。深度學(xué)習(xí)技術(shù)雖然在二維圖像分割上取得了明顯的效果，但是在三維點(diǎn)云分割上還有相當(dāng)大的潛力可以挖掘。文獻(xiàn)[17]使用了三維體素卷積神經(jīng)網(wǎng)絡(luò)分割了玉米莖葉，并與傳統(tǒng)方法、PointNet[25]、PointNet++[26]點(diǎn)云深度學(xué)習(xí)框架進(jìn)行對(duì)比，從而表明深度學(xué)習(xí)方法分割三維植物點(diǎn)云器官是一種新趨勢(shì)。