0 引 言

1997 年 Schork 首次提出了表型組學（Phenomics）的概念 [1]，特指作為基因組研究重要補充的復雜疾病性狀研究。植物表型組學作為其中的一員，主要是理解植物基因功能及環(huán)境效應 [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。隨著計算機技術(shù)的進步和硬件的不斷優(yōu)化，與難以持續(xù)獲取植物信息的手動采集相比，使用計算機對植物進行三維重建，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)算法進行介紹。

1 重建流程及算法

當前實現(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，而計算機視覺需要通過恢復現(xiàn)實環(huán)境的模型從而來認知世界 [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，使用手機對其拍攝獲取標定圖片 ；然后，對選擇重建的物體進行拍攝，對得到的圖片進行篩選，去除光照不足和模糊的照片，對重建的圖像進行預處理，為特征檢測與匹配做準備 ；接著，進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，通過標定圖片進行相機標定，計算基礎(chǔ)矩陣本質(zhì)矩陣，進行三維重建 [9]。

1.1 標定圖片及重建圖片的獲取

本文使用普通手機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備的要求。對于標定圖片來說，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 圖像預處理

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

對圖 2 進行處理，使用低通濾波進行模糊，使用高通濾波進行銳化 [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視覺應用中的第一步 [13]。為了更好地進行特征匹配，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該有相似的描述子的原則設計的。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，單獨使用這些信息并不利于特征匹配。因此，需要更詳細的信息來區(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 相機標定并計算基本矩陣和本質(zhì)矩陣相機標定的目的 ：主要是獲取相機的內(nèi)參和外參矩陣，與此同時也會得到每一幅標定圖像的旋轉(zhuǎn)和平移矩陣，內(nèi)參和外參矩陣可以對重建圖像進行矯正，得到矯正后的圖片 [19]。

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

通過標定圖片進行相機標定（考慮畸變）并進行矯正 [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的內(nèi)參外參進行三維重建，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視覺技術(shù)進行三維重建得到植物模型，進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、葉面積這些耗費人工的破壞性測量還是有較好的效果。