对植物的表型分析一般会通过鉴定与植物表型相关的各种性状的定性或定量指标来完成，进而为解释不同环境条件下植物基因型和表型间的复杂关系提供新的见解。传统的植物表型鉴定方法费时费力，因此表型性状的自动化提取技术显得尤为重要。

为了实现自动化表型分析，研究者们已使用影像学技术迅速改进了植物表型分析技术。其中，三维成像技术由于能够更直接地测量植物的形态性状，而得到了广泛应用。在表征对象的三维结构时，主要有以下两种方法：主动方法使用诸如激光雷达之类的主动传感器来直接捕获三维点云，该点云代表植物在三维空间中每个部分的坐标；被动方法使用被动传感器（相机等），从多角度采集一组二维图像来推导出三维点云。

在对植物的三维点云进行分析时，一个必要的步骤是将点云转换为几何图形，进而提取植物器官的几何特征（如大小、形状等）。表面重建是该转换步骤的一个典型应用，在需要提取几何特征时常常会使用。

叶片是植物与外界进行物质和能量交换的重要途径。因此，叶片的表面重建是三维植物表型中的重要应用之一，而叶片表面重建的精度会直接影响到几何特征提取的精度。现有的叶片表面重建算法主要可分为无模型和有模型这两大类，无模型方法难以处理严重的噪声和遗漏点，而有模型方法又具有一定的物种特异性。

在生长环境下生成的三维点云会受到传感器噪声和缺失点的影响，尤其是在非理想条件下（如田间环境中）获取数据时。并且，由于植物具有复杂的三维结构，标准扫描技术很难为相互重叠的结构（如叶片等）获取无遮挡的三维点云，并且会在点云中产生传感器噪声和缺失点，从而导致对植物结构的表征不够完善。如果叶片表面重建不准确，那么叶片的几何特征就很难被准确描述，后续的基于该特征计算出的数据也将不准确。

2021年4月，Plant Phenomics 在线发表了庆应义塾大学，东京电机大学和东京大学Ryuhei Ando等人题为Robust Surface Reconstruction of Plant Leaves from 3D Point Clouds的研究论文。

文章中，作者开发了一种对三维点云中的噪声和遗漏点具有稳健性的叶片表面重建方法。该方法基于叶片的特性，分别采集叶片的形状和形状畸变（Figure 2），在减少了噪声和缺失点影响的同时，维持了表面重建的准确性。与传统方法相比，文章中提出的方法简化了叶片表面重建的过程，同时提高了对噪声和遗漏点的稳健性。

Figure 2: Overview of the method used to obtain the flattened leaf shape.

为了对这种新方法的性能做出评估，作者使用从大豆和甜菜中采集到的三维点云对叶片表面进行重建，并将其结果与常规方法进行比较（Figure 7）。结果表明，尽管两种点云中都存在不同程度的噪声和点云缺失，文章提出的方法仍能够很好地重建叶片表面（Figure 6）。此外，为了评估该方法进行叶片表面重建的稳定性，作者还计算了目标叶片在连续两周内的表面积。与常规方法相比，该方法得出的结果显示出了更高的数据质量。

Figure 7: Results of the evaluation of stability for leaf surface reconstruction.

Figure 6: Results of the evaluation of the leaf surface reconstruction in terms of robustness against noise and missing points.

论文链接

https://doi.org/10.34133/2021/3184185

——推荐阅读——

Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits

https://doi.org/10.34133/2022/9802585

Plant Phenomics | 基于无人机多传感器和集成学习的玉米表型高通量估算

Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves

https://doi.org/10.34133/2022/9813841

Plant Phenomics | 光谱预处理与深度转移学习相结合的叶片叶绿素含量评估