现代相机和传感器，新的写照连同图像处理算法和人工智能(AI)，注册征正在开创精准农业和植物育种的可识新时代。在不久的别特将来，农民和科学家将能够通过简单地将特殊成像设备指向植物来量化各种植物性状。片中

然而，物特在这些愿景成为现实之前，新的写照必须克服一些障碍。注册征图像传感过程中面临的可识一个主要问题是难以组合从多个图像传感器收集的同一植物的数据，也称为“多光谱”或“多模式”成像。别特不同的片中传感器针对不同的频率范围进行了优化，并提供有关工厂的物特有用信息。不幸的新的写照是，组合使用多个传感器获取的注册征植物图像的过程（称为“配准”）可能非常复杂。

当涉及近距离植物的可识三维(3D)多光谱图像时，配准甚至更加复杂。为了正确对齐从不同相机拍摄的特写图像，有必要开发能够有效解决几何失真的计算算法。此外，对近景图像进行配准的算法更容易受到光照不均匀引起的错误的影响。这种情况通常在存在叶影以及密集树冠中的光反射和散射时面临。

在此背景下，包括中国浙江大学岑海燕教授在内的研究团队最近提出了一种通过融合深度图像和快照光谱图像来生成高质量植物点云的新方法。正如他们在PlantPhenomics上发表的论文中所解释的那样，研究人员采用了一个三步图像配准过程，该过程与一种基于人工智能(AI)的新型技术相结合来校正照明效果。

岑教授解释说：“我们的研究表明，使用立体参考来校正植物光谱并生成植物的高精度3D多光谱点云是很有希望的。”

实验装置包括一个升降平台，该平台在与三脚架上的两个摄像机预设距离处放置一个旋转台；一个RGB（红色、绿色和蓝色）深度相机和一个快照多光谱相机。在每个实验中，研究人员将一株植物放在舞台上，旋转植物，并从15个不同的角度拍摄它。

他们还拍摄了在不同位置包含聚四氟乙烯半球的平坦表面的图像。这些半球的图像用作反射率校正方法的参考数据，该团队使用人工神经网络实施了该方法。

对于配准，团队首先通过图像处理，从整体图像中提取植物结构，去除噪点，平衡亮度。然后，他们使用加速稳健特征(SURF)进行粗略配准——一种可以识别主要不受比例、光照和旋转变化影响的重要图像特征的方法。

最后，研究人员使用一种称为“恶魔”的方法进行了精细配准。这种方法基于找到可以最佳地“变形”一幅图像以使其与另一幅图像匹配的数学运算符。

这些实验表明，所提出的配准方法明显优于传统方法。此外，所提出的反射率校正技术产生了显着的效果，正如岑教授强调的那样：“我们建议对处于冠层结构复杂性低且叶片扁平且宽阔的生长阶段的植物使用我们的校正方法。”该研究还强调了一些潜在的改进领域，以使拟议的方法更加强大。

岑教授对结果感到满意，他总结说：“总的来说，我们的方法可用于在受控环境中获得植物的精确3D多光谱点云模型。可以在不改变光照条件的情况下连续生成模型。”

将来，诸如此类的技术将帮助科学家、农民和植物育种者轻松地将来自不同相机的数据整合为一种一致的格式。这不仅可以帮助他们可视化重要的植物性状，还可以将这些数据提供给新兴的基于人工智能的软件，以简化甚至完全自动化分析。