一种农作物叶面属性数字化重建的自组织映射建模方法与流程

本发明涉及计算机应用技术领域，特别涉及农作物的数字建模和分析技术。

背景技术：

农作物数字化模型已经成为越来越有用的工具，可用于理解和指导更好地实施农业技术以促进农业增收。同时，对于经济学家和决策者来说，农作物数字化模型也能够作为一种分析和准确预测作物产量的工具。

农作物的叶面结构与农作物生长特性和农作物产量密切相关，如叶片形状、叶片颜色、叶面积指数、叶片方位角分布、叶片空间分布的异质性等属性随着农作物的生长发育阶段和种植环境的变化而变化。准确地获取农作物的叶面信息，是掌握和分析农作物特性的重要途径，对于提高农作物产量和应对气候变化的适应能力具有重要的作用。

三维重建是指对物体建立三维数学模型，是在计算机环境下对物体进行处理和分析的基础和核心。物体三维重建是计算机辅助几何设计(CAGD)、计算机图形学(CG)、计算机动画、计算机视觉、医学图像处理、科学计算和虚拟现实、数字媒体创作等领域的共性科学问题和核心技术。

农作物的三维重建可分为基于规则的方法、基于图像的方法、基于三维扫描仪的方法等。然而，基于规则的重建方法无法捕获农作物叶面详细的结构；基于图像的方法往往受限于农作物周围复杂的生长环境，无法有效解决遮挡等噪声问题；基于三维扫描仪的方法难以保证重建的精度和效率。传统的三维重建方法往往以农作物的虚拟可视化为目的，不仅会增加分析的复杂性，而且大大降低了后期评估的效率。所以，如何设计更有效、更准确、更合理的农作物叶面属性数字化重建方法成为一个亟待解决的问题。

技术实现要素：

针对以上所述问题，本发明提供了一种农作物叶面属性数字化重建的自组织映射建模方法，本发明通过综合运用立体视觉、神经网络和贝叶斯混合模型等技术，使得农作物叶面的数字化建模效率大大提高，并能够有效降低模型的复杂度。

为了达到上述技术效果，本发明采用如下技术方案：一种农作物叶面属性数字化重建的自组织映射建模方法，包括：

利用立体视觉算法，生成农作物叶面几何和纹理数据；

基于自组织映射进行点云曲面重建；

在贝叶斯框架下，基于过去的经验以及新观测的信息对模型的相关参数进行统计建模。

利用神经网络方法保持图像的全局几何形状信息和颜色信息，并消除高度估计中的误差。

自组织映射通过学习随机抽取的一段时间内输入数据的样本，形成自我组织的基础。

利用层次树结构加速自组织映射的学习过程，在该方案下，学习过程从只有少数节点的树顶开始，只改变搜索最佳匹配节点的方式，不改变顺序学习中的任何一步。

保证每个节点具有充分的更新，尽量构造较小的自组织映射。

本发明有益效果是：数字化模型能够准确保持农作物叶面的全局几何特征信息和颜色特征信息，同时消除立体视觉算法中高度的估计误差。应用本发明后，可以有效降低农作物叶面属性数字化建模的复杂度，并提高农作物自动评估的效率。

附图说明

图1为本发明的总体流程图。

图2为本发明的基于树结构的自组织映射算法流程图。

具体实施方式

下面结合附图对本发明做更详细说明。

参阅图 1，一种农作物叶面属性数字化重建的自组织映射建模方法，包括如下步骤：

利用立体视觉算法，生成农作物叶面几何和纹理数据；

基于自组织映射进行点云曲面重建；

在贝叶斯框架下，基于过去的经验以及新观测的信息对模型的相关参数进行统计建模。

通过比较两幅图像中对应像素的相对位移，即可以重构深度信息，主要包括两步：

(1)、识别匹配两幅图像中的对应点；

(2)、计算深度。

参阅图 2，基于树结构的自组织映射算法主要包含以下步骤：

(1)、初值设置为2*2网络，算法开始；

(2)、为每个单元格指定数据样本；

(3)、将网络中的每个细胞划分成 4 个子细胞；

(4)、在每一层，对于每个数据样本：从数据样本中找到父细胞的最佳匹配，更新最佳匹配细胞及其领域，并重新分配子细胞的数据样本；

(5)、回到步骤(3)。

具体实施时，自组织映射用一个由细胞组成的二维网格表示：{C₁,C₂ ,…, C_m}。每个单元格包含一个模型向量，是六维的输入数据(R,G,B,X,Y,Z)。自组织映射通过学习输入数据的随机选择样本进行演化。对于每个样本x(t)，自组织映射选择最佳细胞C_b(t)进行数据匹配，公式如下：

被选的细胞C_b(t)及其邻域C_i(t)的更新取决于学习过程。该学习过程定义如下：

其中，是邻域函数，类似于一个平滑内核，时间变量和它的位置取决于C_b(t)。重复该学习过程，直到表面模型得到足够精确的表示。