[发明专利]基于SFM点云深度的盆栽玉米杂草快速去除方法

说明书

本发明公开了一种基于SFM点云深度的盆栽玉米杂草快速去除方法。该方法编写了基于SFM点云深度的盆栽玉米杂草快速去除方法的算法。待分割的混有杂草盆栽玉米图像首先经过运动恢复结构(SFM)三维重建生成三维点云数据，然后进行相关点云预处理，根据盆栽玉米植株和杂草三维点云深度方向的差异，用Point Cloud Library(PCL)设置深度阈值将杂草去除，最后将去除杂草后的三维点云数据进行投影，得到二维去除杂草后的玉米植株图片。该方法能克服目标植株与其它背景因颜色差别不大或者有连通的传统图像处理方法不好分割或者分割效果不好的缺点。可推广运用于所有具有深度差异的前景与背景的分割，相比传统图像处理技术而言，具备分割效果好、适用性强的技术优势。

技术领域

本发明属于农业自动化领域，具体涉及玉米表型参数自动化测量，尤其涉及一种基于SFM点云深度的盆栽玉米杂草快速去除方法。

背景技术

玉米是我国第一大粮食作物。高产一直是玉米育种与栽培的重要目标之一。玉米的株高、茎粗和投影面积跟玉米的产量有着密切的关系，而传统的基于二维图像处理的测量玉米株高、茎粗和投影面积在有杂草的情况下会导致测量的偏差，因此，杂草的精确去除，是提取玉米特征性状，实现玉米表型自动化测量的关键步骤。不同栽培环境下的杂草的颜色、大小、形状、姿态、纹理等存在较大差异，视图图片中玉米植株与杂草间互相遮挡，两者的RGB颜色信息非常接近，光照不均匀且不断变化，这些因素使得在盆栽玉米中精确的去除杂草完整的分割出玉米植株成为一个非常困难的问题。

耿蕊等(2018)通过基于MATLAB的图像理解和图像分析，根据杂草的特征(形状、光谱特征、纹理)识别杂草和作物，该方法虽然有效的能识别农作物间的杂草进行去除，但会出现过去除和欠去除杂草的情况，造成误差。颜秉忠(2018)通过一种基于机器视觉的玉米苗期杂草识别方法，采集的图片经过畸变矫正、HSI颜色空间转换和阈值分割后，根据形状和颜色特征提取并识别杂草，该方法对双子叶杂草较为有效，对单子叶杂草存在一定程度的误判。纪寿文等(2001)人采用双峰法滤除土壤背景，根据叶长、叶宽和投影面积识别了玉米苗期田间杂草，并根据杂草投影面积确定了杂草密度，研究结果表明，该方法可以有效地识别出玉米苗期田间单子叶杂草。王路军等(2016)提出了从整体植株来提取特征并用BP神经网络进行识别杂草的算法，实验结果表明该算法的杂草识别精度很高，不足之处是前期所要做训练测试时间较长。

运动恢复结构(SFM)是基于图像序列的三维重建方法的一种，它能通过一系列图像系列真实的、比较精确的重建出当时的场景，为相关研究人员提供了与真实情况一样的三维点云模型，方便后期性状的提取与研究。

发明内容

(一)要解决的技术问题

为了解决传统二维图像处理很难非常好的从连通有玉米植株和绿色杂草中把玉米植株完整的分割出来这一问题，本发明提供了一种基于SFM点云深度的盆栽玉米杂草快速去除方法，从而实现在复杂杂草环境下的玉米植株多品种全生育期的完整分割。

(二)技术方案

本发明为了解决其技术问题所采用的技术方案，提供了一种基于SFM点云深度的盆栽玉米杂草快速去除方法，该方法的总体技术流程见图1。

一种基于SFM点云深度的盆栽玉米杂草快速去除方法，其特征在于，包括：

步骤A，将获取的盆栽玉米的二维顶视图像导入到VisualSFM软件中，重建出玉米植株的三维点云数据；

步骤B，将重建出来的玉米点云数据进行体素栅格下采样，统计学去噪，坐标变换和尺度校正等预处理，以便于后续三维点云的处理；

步骤C，基于三维深度的算法对点云数据进行杂草快速分割并去除；

步骤D，将分割后的去草三维玉米点云往地面进行投影，获得二维图片；

更具体地，步骤B中玉米三维点云的预处理，具体流程包括4个步骤：