基于三维重建技术的植物表型分析

时间：2021-11-21 15:49:51

关键字：三维重建植物表型分析基因组植物育种 SIFT 算法图像序列

[导读]摘要：植物表型作为基因组在环境中的实际表现，是研究基因功能和植物育种的重要桥梁，而破坏性的测量对于持续性的研究来说是灾难性的。大量的同一物种植物的取样，只能在一定程度上保证实验条件一样，但是基因组某一性状的表现不仅受基因影响还受环境影响。所以对植物进行三维重建，非破坏性的获取植物表型是必要的。文中主要介绍了基于图像序列的三维重建流程及算法，在一定程度上还原了植物的三维模型，从实验的角度论证了使用三维重建进行植物表型分析的可行性。

0 引言

1997 年 Schork 首次提出了表型组学（Phenomics）的概念 [1]，特指作为基因组研究重要补充的复杂疾病性状研究。植物表型组学作为其中的一员，主要是理解植物基因功能及环境效应 [2]。过去仅依赖肉眼观察和破坏性获得的植物特征和性状十分有限 [3]，无法满足作物基因组功能研究和作物育种的实际需求。

目前，表型获取技术成为作物育种中比较薄弱的环节，制约着植物表型组学的发展。所以如何提高该技术的精度、通量，降低价格成本成为研究植物表型的重点。随着计算机技术的进步和硬件的不断优化，与难以持续获取植物信息的手动采集相比，使用计算机对植物进行三维重建，实现非破坏性采集，十分受科研人员的欢迎 [4]。本文主要从重建流程及相关算法进行介绍。

1 重建流程及算法

当前实现三维重建主要为两类 [5] ：基于激光扫描的三维重建；基于图像序列的三维重建。

现实中的物体都是三维立体的，而人眼或者其他视觉设备获取到的图像都是二维的，但是人眼可以从二维图像中获取三维信息，而计算机视觉需要通过恢复现实环境的模型从而来认知世界 [6]。

本文主要介绍基于图像序列的三维重建，其流程如图 1所示。

首先，打印棋盘格 [7] 的照片，并将其粘贴在一面空白的墙上，使用手机对其拍摄获取标定图片；然后，对选择重建的物体进行拍摄，对得到的图片进行筛选，去除光照不足和模糊的照片，对重建的图像进行预处理，为特征检测与匹配做准备；接着，进行特征点检测与匹配，尽量获得多的特征点，去除误匹配 [8] ；最后，通过标定图片进行相机标定，计算基础矩阵本质矩阵，进行三维重建 [9]。

1.1 标定图片及重建图片的获取

本文使用普通手机拍摄就可以直接得到实验需要的 RGB图片，在一定程度上降低了对设备的要求。对于标定图片来说，尽量保证不同角度同一水平线拍摄；而重建图片从两个不同角度正面拍摄 [10]。

1.2 图像预处理

获取图片后需要对图片进行预处理才能使用。图像预处理主要目的是：抽出对象的特征作为图像识别的特征模式；适应图像处理的要求，消除图像的噪声 [11]。

对图 2 进行处理，使用低通滤波进行模糊，使用高通滤波进行锐化 [12]。处理后的效果如图 3 所示。

1.3 特征点检测与匹配

如何高效且准确地匹配来自两个不同视角图像中的同一个物体是许多计算机视觉应用中的第一步 [13]。为了更好地进行特征匹配，需要在图像中选择具有代表性的区域，如角点。然而，角点并不能很好地满足需求，因此采用 SIFT 算法 [14]。

图像的特征点由两部分构成：关键点（Key Point）和描述子（Descriptor）。关键点是具有图像位置信息的特征点，有些还具有方向、尺度信息；描述子通常是一个按照人为设计方式的向量，用来描述关键点周围像素的信息 [15]。一般的描述子都是按照外观相似的特征应该有相似的描述子的原则设计的。因此，在匹配时，只要两个特征点的描述子在向量空间中距离相近，就可以视它们为相同的特征点 [16]。

特征点的检测和匹配通常需要以下 3 个步骤。

（1）提取图像中的关键点，即找到图像中具有某些特征的像素。其中，SIFT 算法采用差分高斯（Difference ofGaussian，DoG）与不同尺度的图片进行卷积，构建尺度空间 [17]。利用非极大值抑制初步确定特征点，去掉低对比度的点，再通过 Hessian 矩阵去除边缘的点，最后确定特征点的主方向。

DoG 定义为：