CLCFM3:基于摄影度的3D重建算法,用于使用全方位图像进行高精度的全植物传感

科学领域:

• 植物科学 植物科学
• 计算机视觉 计算机视觉
• 这是一种摄影计量技术 (photogrammetry).

背景情况:

• 准确的3D植物表型是了解植物生长的关键.
• 具有重叠部分 (叶子,茎) 的植物结构对3D重建提出了挑战.
• 遮蔽和图像匹配错误导致不完整或不准确的3D点云.

研究的目的:

• 开发一种用于获取高密度,高精度3D点云数据的新技术,用于植物表型.
• 为了应对3D工厂重建中阻塞和错误点的挑战.
• 通过使用3D信息进行大规模的植物表型比较分析.

主要方法:

• 提出了一种闭环粗至细的方法,采用多面罩匹配 (CLCFM3).
• CLCFM3使用重复的本地点云生成 (多匹配) 来抑制阻塞.
• 雇佣了面具匹配来消除噪音点和闭环粗细方法 (CLCFM) 来获得准确的结构从运动.

主要成果:

• CLCFM3方法有效地重建复杂的工厂结构的高密度,高精度的3D点云.
• 实现了阻塞的抑制和错误点的减少.
• 通过CLCFM提高结构到运动的精度,提高了整体3D数据质量.

结论:

• 开发的摄影测量技术可以有效地获取详细的3D植物数据.
• 这种方法有助于在生长过程中对各种物种的植物表型进行比较分析.
• 该方法预计将通过精确的3D表型化来推进植物科学研究.