0 引 言

1997 年 Schork 首次提出了表型組學(xué)（Phenomics）的概念 [1]，特指作為基因組研究重要補(bǔ)充的復(fù)雜疾病性狀研究。植物表型組學(xué)作為其中的一員，主要是理解植物基因功能及環(huán)境效應(yīng) [2]。過去僅依賴肉眼觀察和破壞性獲得的植物特征和性狀十分有限 [3]，無法滿足作物基因組功能研究和作物育種的實際需求。

目前，表型獲取技術(shù)成為作物育種中比較薄弱的環(huán)節(jié)，制約著植物表型組學(xué)的發(fā)展。所以如何提高該技術(shù)的精度、通量，降低價格成本成為研究植物表型的重點。隨著計算機(jī)技術(shù)的進(jìn)步和硬件的不斷優(yōu)化，與難以持續(xù)獲取植物信息的手動采集相比，使用計算機(jī)對植物進(jìn)行三維重建，實現(xiàn)非破壞性采集，十分受科研人員的歡迎 [4]。本文主要從重建流程及相關(guān)算法進(jìn)行介紹。

1 重建流程及算法

當(dāng)前實現(xiàn)三維重建主要為兩類 [5] ：基于激光掃描的三維重建 ；基于圖像序列的三維重建。

現(xiàn)實中的物體都是三維立體的，而人眼或者其他視覺設(shè)備獲取到的圖像都是二維的，但是人眼可以從二維圖像中獲取三維信息，而計算機(jī)視覺需要通過恢復(fù)現(xiàn)實環(huán)境的模型從而來認(rèn)知世界 [6]。

本文主要介紹基于圖像序列的三維重建，其流程如圖 1所示。

首先，打印棋盤格 [7] 的照片，并將其粘貼在一面空白的墻上，使用手機(jī)對其拍攝獲取標(biāo)定圖片 ；然后，對選擇重建的物體進(jìn)行拍攝，對得到的圖片進(jìn)行篩選，去除光照不足和模糊的照片，對重建的圖像進(jìn)行預(yù)處理，為特征檢測與匹配做準(zhǔn)備 ；接著，進(jìn)行特征點檢測與匹配，盡量獲得多的特征點，去除誤匹配 [8] ；最后，通過標(biāo)定圖片進(jìn)行相機(jī)標(biāo)定，計算基礎(chǔ)矩陣本質(zhì)矩陣，進(jìn)行三維重建 [9]。

1.1 標(biāo)定圖片及重建圖片的獲取

本文使用普通手機(jī)拍攝就可以直接得到實驗需要的 RGB圖片，在一定程度上降低了對設(shè)備的要求。對于標(biāo)定圖片來說，盡量保證不同角度同一水平線拍攝 ；而重建圖片從兩個不同角度正面拍攝 [10]。

1.2 圖像預(yù)處理

獲取圖片后需要對圖片進(jìn)行預(yù)處理才能使用。圖像預(yù)處理主要目的是 ：抽出對象的特征作為圖像識別的特征模式 ；適應(yīng)圖像處理的要求，消除圖像的噪聲 [11]。

對圖 2 進(jìn)行處理，使用低通濾波進(jìn)行模糊，使用高通濾波進(jìn)行銳化 [12]。處理后的效果如圖 3 所示。

1.3 特征點檢測與匹配

如何高效且準(zhǔn)確地匹配來自兩個不同視角圖像中的同一個物體是許多計算機(jī)視覺應(yīng)用中的第一步 [13]。為了更好地進(jìn)行特征匹配，需要在圖像中選擇具有代表性的區(qū)域，如角點。然而，角點并不能很好地滿足需求，因此采用 SIFT 算法 [14]。

圖像的特征點由兩部分構(gòu)成 ：關(guān)鍵點（Key Point）和描述子（Descriptor）。關(guān)鍵點是具有圖像位置信息的特征點，有些還具有方向、尺度信息 ；描述子通常是一個按照人為設(shè)計方式的向量，用來描述關(guān)鍵點周圍像素的信息 [15]。一般的描述子都是按照外觀相似的特征應(yīng)該有相似的描述子的原則設(shè)計的。因此，在匹配時，只要兩個特征點的描述子在向量空間中距離相近，就可以視它們?yōu)橄嗤奶卣鼽c [16]。

特征點的檢測和匹配通常需要以下 3 個步驟。 

（1）提取圖像中的關(guān)鍵點，即找到圖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）與不同尺度的圖片進(jìn)行卷積，構(gòu)建尺度空間 [17]。利用非極大值抑制初步確定特征點，去掉低對比度的點，再通過 Hessian 矩陣去除邊緣的點，最后確定特征點的主方向。

DoG 定義為 ：

式中：G（x，y，σ）為高斯核函數(shù)；L（x，y，σ）為圖像的高斯尺度空間。

（2）根據(jù)得到的關(guān)鍵點位置，計算特征點的描述子。從圖像中提取特征的關(guān)鍵點信息，通常只包含它的位置信息，單獨(dú)使用這些信息并不利于特征匹配。因此，需要更詳細(xì)的信息來區(qū)分特征點，這就是特征描述子。此外，特征描述子可以消除因視角變化而導(dǎo)致的圖像的尺度和方向的變化，獲得更好的匹配 [18]。 

（3）根據(jù)特征點的描述子進(jìn)行匹配。然而，僅使用 SIFT算法存在大量的誤匹配，為了消除由圖像遮擋和圖像背景而產(chǎn)生的無匹配關(guān)系的關(guān)鍵點，Lowe 提出了比較最近鄰距離與次近鄰距離的 SIFT 匹配方式 [4]。特征點檢測與匹配如圖 4所示。

1.4 相機(jī)標(biāo)定并計算基本矩陣和本質(zhì)矩陣相機(jī)標(biāo)定的目的 ：主要是獲取相機(jī)的內(nèi)參和外參矩陣，與此同時也會得到每一幅標(biāo)定圖像的旋轉(zhuǎn)和平移矩陣，內(nèi)參和外參矩陣可以對重建圖像進(jìn)行矯正，得到矯正后的圖片 [19]。

相機(jī)拍照的過程其實就是從世界坐標(biāo)系到像素坐標(biāo)系的一個數(shù)學(xué)變換（不考慮畸變），如下 ：

通過標(biāo)定圖片進(jìn)行相機(jī)標(biāo)定（考慮畸變）并進(jìn)行矯正 [20]，效果如圖 5 所示。

1.5 三維重建

通過得到的特征點以及相機(jī)的內(nèi)參外參進(jìn)行三維重建，效果如圖 6 所示。

2 結(jié) 語

本文從實驗的角度論證了使用計算機(jī)視覺技術(shù)進(jìn)行三維重建得到植物模型，進(jìn)行植物表型分析是可行的。只是目前的技術(shù)實現(xiàn)重建后，在精度上存在一定的問題，一些對于精度有硬性要求的分析還不能得到良好的結(jié)果，但是對于株高、葉面積這些耗費(fèi)人工的破壞性測量還是有較好的效果。