温室栽培作为一种高度集成的设施农业,在提高农业生产效率和解决世界粮食短缺问题上正变得越来越重要。尽管意义重大,但现代温室栽培仍面临高投入、需要频繁投入专业人力、高能耗等挑战。为此,急需经济、高效、智能的温室环境控制方法,以保证每个植物在整个生长期内享有温和的生长环境,最终实现高产量和经济效益。环境控制算法的实施需要将作物的长势情况作为控制依据,目前业界绝大部分手段都是依赖于温室内外的温湿度、光照等环境测量数据作为反馈,控制遮阳网、通风和灌溉。然而这些都是间接控制方式,对作物的真实长势(比如空间株型、叶片形态、色彩等表型特征)这些直观的控制依据都缺乏自动的观测和分析。同时,在农业工程领域另一项富有前景的技术也迈入了瓶颈期,它就是杂交及基因育种技术。育种技术目前依然需要专业农学研究者对比分析不同试种区块中作物表现型的区别,该过程不仅费时费力,还需要专业知识的指导。因此,对作物表型特征的高通量自动采集和分析的手段成为了改进育种技术的关键。综上所述,为了实现真正的智能设施农业,减少育种环节中繁琐的人工劳动,基于计算机图像图形技术的作物自动表型分析算法的研究显得尤为重要。对绝大多数植物而言,叶片是所占面积最大的一类植物器官,也是植物进行光合作用和呼吸作用的主要场所。叶片构成了植物主要的表面形态和结构,是反映植物生长状态最重要的窗口。叶片形态、纹理以及颜色的变化通常蕴含着影响生长的生物压力因素(疾病和虫害)或者非生物压力因素(干旱)。因此,本硕士论文专注于叶片的表型分析算法研究,致力于实现叶片的自动识别、分割,并为计算单叶片的叶长、叶宽、叶面积、叶倾角等表型参数服务。传统的叶片分割与分析算法大部分是基于2D图像的,而图像在表示成簇的植物冠层时具有天生的缺陷,被遮挡的叶片信息在图像中完全缺失。为了解决这个问题,本硕士论文借助三维成像技术得到作物的整体稠密三维点云,然后基于冠层点云设计全新的单叶片分割与表型分析方法。本论文的主要研究内容包括:1.设计了一种基于点云过分割与面片生长的植株点云单叶片分割算法,其主要贡献为:(1)受到图像中的超像素分割方法的启发,在三维点云中借助中等尺度结构—3D面片,将冠层点云划分为面片集合,然后再把碎化的面片按相似程度自动生长为单叶片。该思路既避免了底层细微点特征分割容易受噪声影响的缺点,也避免了3D分割算法中常见的参数敏感性问题,大大提高了单叶片分割的准确率。在对四种不同品种的温室植物点云的叶片分割定量性能评估中,平均准确率(Average Precision)超过了80%,其平均综合评价指标(Average F-Measure)高达90.81%。(2)该方法不仅能用于从植物冠层这种不规则的三维形体中分割出叶片,甚至还能推广到分割其他场景点云中的规则表面或对象,具有应用于遥感、建筑信息模型(Building Information Model,简称为BIM)等领域的潜力。2.在第一个研究内容的基础上,提出了一种抗重叠现象的植物点云单叶片分割方法,其主要贡献包括:(1)受到2D图像处理中先对重叠目标进行形态学腐蚀去除重叠部分再进行分割的启发,设计了一种新型的3D联合滤波(腐蚀)算子对重叠叶片点云进行滤波。该滤波算子可以有效地分离以各种角度在各种位置相互接触重叠的叶片。对滤波后剩余的点集使用聚类方法即可得到预分割的叶片中心区域。(2)使用由内而外生长的方式,使分割后的叶片中心区域向四周被3D联合滤波算子滤除的点集进行3D面片尺度上的生长,完成了对充满遮挡的稠密冠层点云的有效单叶片分割。(3)所提出的算法可以准确高效地对多类植物和用多种不同方式生成的点云进行单叶片分割,在同类算法中具有难得一见的适普性。在4种不同的植物点云上进行的叶片分割实验表明,单叶分割平均点覆盖率(Average Cover Rate)达到了96%,平均准确率(Average Precision)达到了99.66%,平均综合评价指标(Average F-measure)达到了99.66%,分割的平均速度达到了12.92秒/株。(4)所提出的抗重叠叶片分割算法可以为叶面积、叶长和叶宽等叶片表型特征的估计带来方便,对于植物学研究和农业工程是一个非常有效的工具。在孔雀竹芋冠层点云的叶片表型估计中,我们的方法对叶面积、叶长、叶宽、叶倾角的平均误差分别为0.47%、2.89%、4.64%、以及2°。