[发明专利]用于多视图植物三维重建的生成模型的构建方法

说明书

本发明公开了一种用于多视图植物三维重建的生成模型的构建方法，该方法包括：利用贝叶斯概率框架构建植物生长模型，通过对支取生长模型赋予带参先验概率，构建植物骨架生长的概率表示；通过在根节点上指定初始生长因子和分叉代数限制，植物生长模型通过随机采样生成实例化的骨架；获取同种植物的图像集，植物生长模型利用矢量场方法对图像集中的每个单图像计算一个2D骨架，通过对2D骨架聚类分析，提取出图像集的形态基元，利用形态基元的模型与训练集中的骨架拟合，使用高斯‑牛顿梯度下降方法求取植物生长模型参数的最优解。该方法能够反映植物生长姿态特性的贝叶斯概率模型，可作为植物表示的一般框架，能用于多视图植物重建。

技术领域

本发明涉及三维重建技术领域，特别涉及一种用于多视图植物三维重建的生成模型的构建方法。

背景技术

植物是城市和自然景观环境的常见元素，植物模型在于农业、生物、建筑、游戏、电影行业中运用广泛。然而植物模型的创建仍然是繁琐昂贵的工作。已有的植物生成系统需要微调参数或手工建模以获得所需的树形，不便于获取大量的不同的树实例。现有的植物重建技术或者利用激光扫描的点云来重建树的骨架，或者使用多视图来恢复特定的某棵树的形态，其无法学习树的生长模式并生成新的不同的树的实例。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种用于多视图植物三维重建的生成模型的构建方法，该方法能够反映植物生长姿态特性的贝叶斯概率模型，可作为植物表示的一般框架，能用于多视图植物重建。

为达到上述目的，本发明一方面实施例提出了一种用于多视图植物三维重建的生成模型的构建方法，包括：

利用贝叶斯概率框架构建植物生长模型，通过对所述支取生长模型赋予带参先验概率，构建植物骨架生长的概率表示；

通过在根节点上指定初始生长因子和分叉代数限制，所述植物生长模型通过随机采样生成实例化的骨架；

获取同种植物的图像集，所述植物生长模型利用矢量场方法对所述图像集中的每个单图像计算一个2D骨架，通过对2D骨架聚类分析，提取出所述图像集的形态基元，利用所述形态基元的模型与训练集中的骨架拟合，使用高斯-牛顿梯度下降方法求取所述植物生长模型参数的最优解。

本发明实施例的用于多视图植物三维重建的生成模型的构建方法，通过植物生长的参数化分形模型，通过对模型赋予带参先验概率，构建植物骨架生长的概率表示。生长模型的构建可以重构植物在不同年龄阶段的形态，它们构成了模型的形态空间。给定同株植物的单视图或多视图图像，利用深度学习方法可提取出该植物的分支概率图像，使用该图像可以对生成模型的参数进行优化，并推理补全植物被遮挡部分的后验概率。使用同种植物的图片训练该模型将使该模型特化到该种植物上，对模型的采样将能够实例化该种植物的不同的随机形态，在形态空间中进行插值将实现不同形态的平滑过渡。能够反映植物生长姿态特性的贝叶斯概率模型，可作为植物表示的一般框架，能用于多视图植物重建。

另外，根据本发明上述实施例的用于多视图植物三维重建的生成模型的构建方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，在所述植物生长模型中，植物骨架的每个分叉定义了枝干间的父子关系，每个分叉可以定义分叉数、分叉形态、生长因子的参数化局部概率，生长因子为由该分叉传递至下一分叉的生长信息，其将影响后续分叉的条件概率，植物局部概率的参数将决定模型所描述的植物的形态特征。

进一步地，在本发明的一个实施例中，在输入为多视图图像时，分割出图像中的单棵植株，利用Pix2Pix网络将每幅图像转换为分支概率图像，再将分支概率反投影到3D体素坐标中，形成3D概率分支结构，使用贪婪搜索生成多个概率候选结构，为每个候选结构使用Metropolis Hasting采样优化最优候选，形成后验分布的离散近似，通过采样实现分支骨架的重建。