植物建模长期以来一直是计算机图形学领域研究的重点之一。它是自然场景建模中必不可少的环境因素。植物形态结构复杂多样,大规模场景中需要诸多不同的形态结构。如何利用计算机高效快速地生成这些模型,已成为植物建模领域中的热点问题。为已知植物逆向推断其生长模型是一种有效的植物建模方法。针对目前方法中其描述方式不够直观、对输入要求严格以及耗时相对较长等问题,本文研究了基于参数智能提取的植物建模方法。利用该方法可以有效地实现同类植物不同形态的生成。本文的主要工作和成果如下:1.提出一种基于图像特征的植物形态相似度计算方法。该方法考虑了植物图像的形状特征和颜色特征,其中形状特征包括植物图像的轮廓特征和区域特征,从植物枝条的松散度、叶片的稠密度和颜色三方面描述植物的形态特征。植物枝条的松散程度从三方面来表示,植物的高宽比、植物的轮廓四边形和第一个一级侧枝的高度。叶片的稠密程度由叶片所占整个包围矩形面积的比例来表示。叶片的颜色用基于HSV和YUV颜色空间的颜色直方图来表示。并利用信息熵确定权重。除此之外,与常见的图像相似度方法进行比较,查准率和查全率更优,同时对缩放不敏感。2.提出一种基于改进粒子群算法的虚拟植物生长模型参数提取方法。该方法首先设定了8个植物生长模型参数,其中,2个参数控制主轴形态,4个参数控制侧枝形态,2个参数控制生长过程形态。提出一种基于植物拓扑结构的描述框架,对单轴和合轴框架进行了定义,针对描述框架分别定义了对应的L-系统规则,结合L-系统利用改进粒子群优化算法对参数进行优化。实验结果表明,改进的粒子群算法的适应度值和标准差均处于领先水平,收敛速度也有所提高。虚拟植物生长模型参数提取方法与常见的方法相比,描述方式更直观,对输入的要求较低以及耗时相对较少。3.对植物生长模型参数的数据处理及形态建模。数据处理包括数据的约束与数据的扩展。针对植物的特性,对数据设定约束条件,利用高斯分布实现数据的扩展,得到同类数据。基于MFC类库开发系统,实现了植物相似度、参数提取、随机形态和模拟生长的功能。本文提出的基于参数智能提取的植物建模方法,提供了一种统一的植物拓扑结构描述方式,描述方式直观,耗时相对较短,为研究生成不同形态的同类植物提供新的思路,在植物建模领域具有重要的意义。