本發(fā)明涉及計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域，特別涉及農(nóng)作物的數(shù)字建模和分析技術(shù)。

背景技術(shù)：

農(nóng)作物數(shù)字化模型已經(jīng)成為越來(lái)越有用的工具，可用于理解和指導(dǎo)更好地實(shí)施農(nóng)業(yè)技術(shù)以促進(jìn)農(nóng)業(yè)增收。同時(shí)，對(duì)于經(jīng)濟(jì)學(xué)家和決策者來(lái)說(shuō)，農(nóng)作物數(shù)字化模型也能夠作為一種分析和準(zhǔn)確預(yù)測(cè)作物產(chǎn)量的工具。

農(nóng)作物的葉面結(jié)構(gòu)與農(nóng)作物生長(zhǎng)特性和農(nóng)作物產(chǎn)量密切相關(guān)，如葉片形狀、葉片顏色、葉面積指數(shù)、葉片方位角分布、葉片空間分布的異質(zhì)性等屬性隨著農(nóng)作物的生長(zhǎng)發(fā)育階段和種植環(huán)境的變化而變化。準(zhǔn)確地獲取農(nóng)作物的葉面信息，是掌握和分析農(nóng)作物特性的重要途徑，對(duì)于提高農(nóng)作物產(chǎn)量和應(yīng)對(duì)氣候變化的適應(yīng)能力具有重要的作用。

三維重建是指對(duì)物體建立三維數(shù)學(xué)模型，是在計(jì)算機(jī)環(huán)境下對(duì)物體進(jìn)行處理和分析的基礎(chǔ)和核心。物體三維重建是計(jì)算機(jī)輔助幾何設(shè)計(jì)(CAGD)、計(jì)算機(jī)圖形學(xué)(CG)、計(jì)算機(jī)動(dòng)畫、計(jì)算機(jī)視覺、醫(yī)學(xué)圖像處理、科學(xué)計(jì)算和虛擬現(xiàn)實(shí)、數(shù)字媒體創(chuàng)作等領(lǐng)域的共性科學(xué)問(wèn)題和核心技術(shù)。

農(nóng)作物的三維重建可分為基于規(guī)則的方法、基于圖像的方法、基于三維掃描儀的方法等。然而，基于規(guī)則的重建方法無(wú)法捕獲農(nóng)作物葉面詳細(xì)的結(jié)構(gòu)；基于圖像的方法往往受限于農(nóng)作物周圍復(fù)雜的生長(zhǎng)環(huán)境，無(wú)法有效解決遮擋等噪聲問(wèn)題；基于三維掃描儀的方法難以保證重建的精度和效率。傳統(tǒng)的三維重建方法往往以農(nóng)作物的虛擬可視化為目的，不僅會(huì)增加分析的復(fù)雜性，而且大大降低了后期評(píng)估的效率。所以，如何設(shè)計(jì)更有效、更準(zhǔn)確、更合理的農(nóng)作物葉面屬性數(shù)字化重建方法成為一個(gè)亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)以上所述問(wèn)題，本發(fā)明提供了一種農(nóng)作物葉面屬性數(shù)字化重建的自組織映射建模方法，本發(fā)明通過(guò)綜合運(yùn)用立體視覺、神經(jīng)網(wǎng)絡(luò)和貝葉斯混合模型等技術(shù)，使得農(nóng)作物葉面的數(shù)字化建模效率大大提高，并能夠有效降低模型的復(fù)雜度。

為了達(dá)到上述技術(shù)效果，本發(fā)明采用如下技術(shù)方案：一種農(nóng)作物葉面屬性數(shù)字化重建的自組織映射建模方法，包括：

利用立體視覺算法，生成農(nóng)作物葉面幾何和紋理數(shù)據(jù)；

基于自組織映射進(jìn)行點(diǎn)云曲面重建；

在貝葉斯框架下，基于過(guò)去的經(jīng)驗(yàn)以及新觀測(cè)的信息對(duì)模型的相關(guān)參數(shù)進(jìn)行統(tǒng)計(jì)建模。

利用神經(jīng)網(wǎng)絡(luò)方法保持圖像的全局幾何形狀信息和顏色信息，并消除高度估計(jì)中的誤差。

自組織映射通過(guò)學(xué)習(xí)隨機(jī)抽取的一段時(shí)間內(nèi)輸入數(shù)據(jù)的樣本，形成自我組織的基礎(chǔ)。

利用層次樹結(jié)構(gòu)加速自組織映射的學(xué)習(xí)過(guò)程，在該方案下，學(xué)習(xí)過(guò)程從只有少數(shù)節(jié)點(diǎn)的樹頂開始，只改變搜索最佳匹配節(jié)點(diǎn)的方式，不改變順序?qū)W習(xí)中的任何一步。

保證每個(gè)節(jié)點(diǎn)具有充分的更新，盡量構(gòu)造較小的自組織映射。

本發(fā)明有益效果是：數(shù)字化模型能夠準(zhǔn)確保持農(nóng)作物葉面的全局幾何特征信息和顏色特征信息，同時(shí)消除立體視覺算法中高度的估計(jì)誤差。應(yīng)用本發(fā)明后，可以有效降低農(nóng)作物葉面屬性數(shù)字化建模的復(fù)雜度，并提高農(nóng)作物自動(dòng)評(píng)估的效率。

附圖說(shuō)明

圖1為本發(fā)明的總體流程圖。

圖2為本發(fā)明的基于樹結(jié)構(gòu)的自組織映射算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做更詳細(xì)說(shuō)明。

參閱圖 1，一種農(nóng)作物葉面屬性數(shù)字化重建的自組織映射建模方法，包括如下步驟：

利用立體視覺算法，生成農(nóng)作物葉面幾何和紋理數(shù)據(jù)；

基于自組織映射進(jìn)行點(diǎn)云曲面重建；

在貝葉斯框架下，基于過(guò)去的經(jīng)驗(yàn)以及新觀測(cè)的信息對(duì)模型的相關(guān)參數(shù)進(jìn)行統(tǒng)計(jì)建模。

通過(guò)比較兩幅圖像中對(duì)應(yīng)像素的相對(duì)位移，即可以重構(gòu)深度信息，主要包括兩步：

(1)、識(shí)別匹配兩幅圖像中的對(duì)應(yīng)點(diǎn)；

(2)、計(jì)算深度。

參閱圖 2，基于樹結(jié)構(gòu)的自組織映射算法主要包含以下步驟：

(1)、初值設(shè)置為2*2網(wǎng)絡(luò)，算法開始；

(2)、為每個(gè)單元格指定數(shù)據(jù)樣本；

(3)、將網(wǎng)絡(luò)中的每個(gè)細(xì)胞劃分成 4 個(gè)子細(xì)胞；

(4)、在每一層，對(duì)于每個(gè)數(shù)據(jù)樣本：從數(shù)據(jù)樣本中找到父細(xì)胞的最佳匹配，更新最佳匹配細(xì)胞及其領(lǐng)域，并重新分配子細(xì)胞的數(shù)據(jù)樣本；

(5)、回到步驟(3)。

具體實(shí)施時(shí)，自組織映射用一個(gè)由細(xì)胞組成的二維網(wǎng)格表示：{C₁,C₂ ,…, C_m}。每個(gè)單元格包含一個(gè)模型向量，是六維的輸入數(shù)據(jù)(R,G,B,X,Y,Z)。自組織映射通過(guò)學(xué)習(xí)輸入數(shù)據(jù)的隨機(jī)選擇樣本進(jìn)行演化。對(duì)于每個(gè)樣本x(t)，自組織映射選擇最佳細(xì)胞C_b(t)進(jìn)行數(shù)據(jù)匹配，公式如下：

被選的細(xì)胞C_b(t)及其鄰域C_i(t)的更新取決于學(xué)習(xí)過(guò)程。該學(xué)習(xí)過(guò)程定義如下：

其中，是鄰域函數(shù)，類似于一個(gè)平滑內(nèi)核，時(shí)間變量和它的位置取決于C_b(t)。重復(fù)該學(xué)習(xí)過(guò)程，直到表面模型得到足夠精確的表示。