專利名稱：一種從圖像中重建枝干模型的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機視覺和圖形學(xué)領(lǐng)域，具體涉及一種從圖像中重建枝干模型的方法。
背景技術(shù)：
植物的真實感建模在場景繪制以及珍稀植物原生態(tài)保存等方面都具有極其重要 的意義。 近十年內(nèi)，基于真實測量信息的植物重建方法得到廣泛關(guān)注，其根本原因在于這 類方法能夠以較強的真實感重現(xiàn)自然界中植物。然而由于植物類型繁多，結(jié)構(gòu)復(fù)雜，目 前的重建方法多局限于特定形態(tài)植物。其中以針對室外較大樹木的枝干建模方法居多。 Shlyakher.等人(Shlyakher I. ，Rozenoer M. ，Dorsey J. ，and Teller S. Reconstructing 3Dtree models from instrumented photographs, IEEE Computer Graphicsand Applications, 2001)用圖像恢復(fù)的visual hull及其骨架來控制L-system相關(guān)參數(shù)，生 長得到較符合實際的樹木模型。Han等人(HanF. ，and Zhu S. C. Bayesian reconstruction of 3D shapes and scenes from asingle image, Proceedings of IEEE Workshop on Higher-LevelKnowledge in 3D modeling and Motion Analysis, 2003)利用Bayesian方
法結(jié)合簡單的空間分布先驗和圖像的硬性觀測，能夠從純枝干的單幅圖像中推測被遮擋部
分并恢復(fù)完整的枝干模型。Teng等人(Teng C. H. ，Chen Y. S. ，and Hsu W. H. Constructing a 3D trunk model from twoimages， Graphical Models, 2007)利用立體視覺方法重建主 枝干。Neubert等人(Neubert B. ， Franken T. ， and Deussen 0. Approximateimage-based tree modeling using particle flows,ACM Transactions onGraphics，2007)利用圖像上 方向場的約束，用粒子流模擬生成枝干模型。Tan等人(Tan P. ， Zeng G. ， Wang J. D. ， Wang S. B. ， and Quan L Image-based tree modeling, ACM Transactions on Graphics,2007) 采用Structure from motion (SFM)技術(shù)，從多幅圖像中得到三維點云模型，以此為基礎(chǔ)重 建可見枝干，并合成不可見枝干。除了圖像數(shù)據(jù)之外，激光數(shù)據(jù)也是重建枝干的重要憑據(jù)。 例如，Xu等人(Xu H， GossettN， and Chen B. Knowledge and heuristic-based modeling of laser—scanned trees. ACM Transactions on Graphics, 2007)從激光點云數(shù)據(jù)中抽取主 枝干，并依據(jù)主枝干合成細小的難以從激光數(shù)據(jù)中可靠抽取的較細枝干。然而，以上方法在 方便性以及真實度上都欠缺，尤其是重建被葉片遮擋的枝干部分。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種能夠保證真實度的植物重建方法，獲得與圖像符合的三 維枝干模型。 為了達到上述發(fā)明目的，本發(fā)明提供了一種從圖像中重建植物枝干模型的方法， 所述方法包括以下步驟 SI :獲取若干幅圖像以及所述圖像間的相對關(guān)系；
S2 :獲取所述圖像的alpha matte作為后續(xù)操作的依賴圖像； S3 :手工指定其中兩幅圖像中枝干底部的位置和其中一幅圖像中對應(yīng)的決定半徑
的像素； S4 :依據(jù)上述圖像中指定的枝干初始位置計算三維初始位置以及半徑； S5 :以所得三維初始位置以及半徑為基礎(chǔ)逐步生長三維枝干模型。 其中，所述步驟S5包括 S5-l :定義當(dāng)前生長階段的節(jié)點狀態(tài)X, ^fXJ,"=/ ，其中《,=,A，5,^,J是
第i個枝干當(dāng)前生長階段節(jié)點的狀態(tài)，Pit表示什么，Dit表示什么，rit表示什么； S5-2 :利用下式求解當(dāng)前生長階段的所有枝干節(jié)點的狀態(tài)， P (kt， Xt I Zt) a p (kt， Xt I kt—" Xt—》p (Zt I kt， Xkt) 其中，所述步驟S5-2估計當(dāng)前生長階段的所有枝干節(jié)點狀態(tài)的方法包括 S5-2-l :初始化當(dāng)前生長t狀態(tài)的狀態(tài)(kt， Xkt); S5-2-2 :按照proposal函數(shù)提議一個新的狀態(tài)(k' t， X' kt); S5-2-3 :利用下式計算新狀態(tài)的接受率 = 、"〃" ""~ S5-2-4:當(dāng)接受率大于l時，直接接受；否則，以概率a接受，其中aG
;
S5-2-5 :按照上述步驟迭代，迭代次數(shù)s = 1. . . N-l，生成若干采樣；
S5-2-6 :求取采樣的期望作為t階段的狀態(tài)。 其中，在步驟5-2求解每個生長時段狀態(tài)之前，檢測該時段增加或者減少的枝。
其中，在步驟5-2求解每個生長時段狀態(tài)之前，檢測該時段生長或者停長的枝。
其中，在步驟5-2求解每個生長時段狀態(tài)之前，對于保持生長的枝進行更新。
與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案構(gòu)建樹木圖像的柔性似然函數(shù)，第一次結(jié)合 圖像的柔性似然函數(shù)與植物模型的先驗知識重建帶葉片植物的枝干模型，方法簡單且最大 限度地利用了圖像上的信息，能夠生成與圖像較為符合的枝干模型。


圖1為本發(fā)明的從圖像中重建枝干模型的方法流程圖。
具體實施例方式
以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。 本發(fā)明的技術(shù)方案包括如下步驟獲取若干幅圖像以及所述圖像間的相對關(guān)系； 獲取所述圖像的alpha matte作為后續(xù)操作的依賴圖像；指定其中兩幅圖像中枝干底部的 位置和其中一幅圖像中對應(yīng)的決定半徑的像素；依據(jù)上述圖像中指定的枝干初始位置計算 三維初始位置以及半徑；以所得三維初始位置以及半徑為基礎(chǔ)逐步生長三維枝干模型。
具體敘述如下輸入兩幅圖像，依據(jù)ImageModeller軟件得到兩幅圖像的相對關(guān) 系，即確定每幅圖像對應(yīng)的相機光心位置、焦距和主點，然后對圖像做alpha matting得到 alpha值作為象素值的圖像。標定和alpha matting采用現(xiàn)有技術(shù)。通常，一幅圖像由前景和背景組成，圖像中不同象素處兩者參與的比例不一樣。比如，在只有背景的地方，前景所占比例為0%，在只有前景的地方，前景所占比例為100%，這個比例即alpha值。alpha值作為象素值的圖像即alpha matte。而求取alpha matte的過程，稱之為alpha matting。
Alpha matting技術(shù)采用CVPR06上由Levin等人發(fā)表的〃 AClosed FormSolution to Natural Image Matting"。然后，在兩幅圖像上給定初始的根部生長點，并在其中一幅上指定決定半徑的位于根部生長點一側(cè)的一個象素點。為方便選取不同圖像上的對應(yīng)生長點，可以在拍攝植物之前在其底部系上標志。根據(jù)初始標注的信息找到的三維枝干信息。接下來的基于貝葉斯方法從根部逐段生長枝干的過程是本發(fā)明的核心。本發(fā)明的核心處理過程如下。定義當(dāng)前生長階段的節(jié)點狀態(tài);^ if ，其中
= fS,，5,.f，。^是第i個枝干當(dāng)前生長階段節(jié)點的狀態(tài)，包括該枝干在當(dāng)前階段的空
間坐標，生長方向以及半徑。本發(fā)明估計當(dāng)前生長階段的所有枝干節(jié)點最優(yōu)狀態(tài)的方法是最大化貝葉斯后驗概率 P(Xt|Zt) ^ P(Zt|Xt)P(Xt|Xt—》。 (1) 在實際的生長過程中枝干數(shù)目是可變的，因此，加入指示集kt，用來標識當(dāng)前階段枝干的編號集合。比如，如果當(dāng)前枝干分別為l、3號枝干，則kt二 {1，3}。按照生長過程中出現(xiàn)的先后順序編號，初始指定的枝干編號為1。所舉例子中，指示集中包括1、3號枝干說明生長過程中總共加入3個枝干，而當(dāng)前生長階段2號枝干已經(jīng)停止生長，只有1、3號枝干活躍。在可變枝干情況下，我們需要最大化的貝葉斯后驗概率為
P(kt，Xt|Zt) °cP(kt，Xt|kt—"Xt—》P(Z氛，Xkt)。 (2)
以下，對公式2中的逐項給定本發(fā)明的定義方法。 1.公式2中第一項為取決于前一生長階段的先驗?zāi)Ｐ?，可以分解并表示為P(kt，Xt|kt—"Xt—》=P(Xt|kt，kt—A—》P(k氛—"Xt—》。(3)
公式3右邊第一項P(Xtlkt，kt—》又可以進一步分解為新加入的枝干和原有的
枝干，即
P(Xk》表示新加枝干的位置先驗分布，P"
義為
<formula>formula see original document page 5</formula>^
P(Xt|kt，kt—"Xt—》=P(Xke)P(Xks|Xks(t—d)。 (4)
這里之所以能夠分解是假定新加入的枝干和原有枝干是獨立互不影響的。其中，
<formula>formula see original document page 5</formula>
)則是原有枝干的先驗生長概率模型。定
<formula>formula see original document page 5</formula> 公式5右側(cè)第一項為第i個枝干的生長先驗?zāi)Ｐ停x如下
^,'A,,,J ~ f AY^,力+ A ",A，",W "" "7 。 (6)
公式(5)右側(cè)第二項W (Xit， Xjt) = Mp(-g(Xit， Xjt))是Xit與Xjt之間的Gibbs分布形式的勢函數(shù)，g(Xit， Xjt)是一個懲罰函數(shù)，在本發(fā)明中定義如下。首先，令g'=(rit+rit-| |Pit-Pit| l)，表示Xit與X"之間重疊部分大小，那么 1)當(dāng)g'》0時，g(X"，Xjt) =N(rit+rjt-| |Pit_Pjt| |)大的數(shù)值，如IOO，使得當(dāng)兩個枝干完全重合時，即g(Xit， Xjt)=0的概率值。
'(rit+rjt)，其中，N是一個較N時，e鄧(-N)是一個接近
2)當(dāng)g' < 0時，直接令g(Xit， Xjt) = O，使得距離沒有沖突的枝干都可以得到
e鄧(O) = l，表示其生長或被加入均不影響其他現(xiàn)有枝干。 公式(3)的第二項P(ktllv》指定哪個枝干可能進入，離去或者繼續(xù)保留的概率值。 公式(2)的第二項為似然概率模型，其定義方式為尸A I A,, IJ = ^,月,,」G卩4 ^A',」， (7) 其中，A,. = A 二 A +^^,，一卯"。C(a， b)函數(shù)是描述a到
b的連通性，R是旋轉(zhuǎn)函數(shù)，G是梯度函數(shù)，返回alpha圖像上對應(yīng)位置處的梯度值。
本發(fā)明采用RJMCMC方法求解MAP (Maximum a posteriori)分布作為當(dāng)前生長階段的狀態(tài)。問題形式類似于Khan等人的文章MCMC-based particle filtering fortracking a variable number of interacting targets 。 i亥文在處理多目f示足艮蹤時同樣米用RJMCMC方法。 MCMC即Markov Chain Monte Carlo,其工作方式為在狀態(tài)空間X中定義馬爾可夫鏈，相對于其他求解概率分布函數(shù)的期望值的算法，如拒絕采樣，以及重要性采樣等，MCMC可以更有效地處理高維度問題。在我們的應(yīng)用當(dāng)中，枝干的數(shù)目是比較多的，因此，采用MCMC的方法較為合適。在本發(fā)明中，MCMC所定義的馬爾可夫鏈的穩(wěn)態(tài)分布即是公式(2)后驗分布。我們的目標是求解該穩(wěn)態(tài)分布的期望值。Metropolis-Hastings (MH)是較常用的一種模擬并求解馬爾可夫鏈穩(wěn)態(tài)分布期望值的方法。對于每個生長階段，采用MH方法生成一系列采樣，作為估計該階段最優(yōu)解的依據(jù)。 Metropolis-Hastings算法(可參考Hastings的Monte carlo samplingmethodsusing Markov chains and their applications以及Bishop撰寫的Pattern Recognitionand Machine Learning—書)如下任給一個初始狀態(tài)Xt、然后一直迭代，迭代次數(shù)s =1. N-l : 根據(jù)proposal函數(shù)Q(X' t ;Xts)提議一個新的狀態(tài)X' t。 計算新狀態(tài)的接收率-a = lZ'
H弁胡仏wBJ牧儀牛 ! & )g(不；義,) P(X' t|Zt)是新狀態(tài)的后驗概率值，P(XtSlZt)是原狀態(tài)的概率值，Q(XtS;X' t)是依據(jù)proposal函數(shù)從新狀態(tài)回到原狀態(tài)的概率值，Q(X' t ;Xts)是依據(jù)proposal函數(shù)從原狀態(tài)到新狀態(tài)的概率值。 如果接受率大于l，則直接接受。否則，以概率a接受，a是
之間的隨機數(shù)，
也就是從
隨機采樣一個數(shù)，如果大于接受率a ，則接受，否則，拒絕。 具體處理過程中，考慮到一開始的MH算法可能不滿足穩(wěn)態(tài)分布，舍棄MH初始階段
的B個采樣點。另外，為了去掉MH采樣時鄰近采樣點的相關(guān)性，采取間斷取樣的方法。假
定采樣間隔為M，需要的樣本個數(shù)為N，則MH算法的總采樣次數(shù)為B+MN。 從腿的算法步驟也可以看出Proposal函數(shù)對于腿算法性能起著決定性作用。
Proposal函數(shù)應(yīng)當(dāng)滿足易估計性(計算該函數(shù)值)和有效采樣性(從該函數(shù)中采樣)。實
際上是把對復(fù)雜的穩(wěn)態(tài)函數(shù)的采樣轉(zhuǎn)為對proposal函數(shù)的采樣。對于連續(xù)的狀態(tài)空間，常
用的proposal函數(shù)即以當(dāng)前狀態(tài)為中心的高斯函數(shù)。而高斯函數(shù)的方差選擇對于MH算法的速度影響甚大。方差小了，則新狀態(tài)的接受率較高，但是則會導(dǎo)致MH算法以非常小的隨機游走速度遍歷狀態(tài)空間，速度方面會收到影響。但是，如果方差較大，則拒絕率較高。因為我們的穩(wěn)態(tài)分布函數(shù)較為復(fù)雜，方差大的proposal函數(shù)所建議的新狀態(tài)很大程度上會落在穩(wěn)態(tài)函數(shù)的概率值小的地方，導(dǎo)致直接被拒絕。因此，方差過大或過小都會導(dǎo)致MH算法的收斂速度降低。本發(fā)明proposal方式為，按照一致分布隨機選取kt集合中的枝干，對單獨的枝干做單獨的proposal, proposal函數(shù)的方差選擇為該枝干半徑的十分之一。
RJMCMC艮卩Reversible-Jump Markov Chain Monte Carlo,是可變維度狀態(tài)空間的MCMC。 Jump意味著可以改變維度，Reversible意思指每個jump都對應(yīng)的這種移動方式(可參考文獻P. Green. Reversible jump Markov chain Monte Carlo computationand Bayesianmodel determination. Biometrika，82 :711-732，1995. 以 及P.J.Green.Trans—dimensional Markov chain Monte Carlo. Chapter in HighlyStructuredStochastic Systems, 2003)。在用RJMCMC求解過程中，任意選取 一個初始狀態(tài)，(kt，Xkt) G x。然后隨機選取一種移動方式m，包括增加狀態(tài)維度(新加入枝干)，降低狀態(tài)維度(部分枝干停止生長)，或者保持維度不變。在此過程中，新狀態(tài)(k' t，X' kt)的提出采用的proposal函數(shù)為Qm(k' t，X' t ;kt，Xt)。假定逆向proposal函數(shù)為Qm, (kt，Xt ;k' t，X' t)(m'是對應(yīng)的m的逆向運動)，則新狀態(tài)的接受率為 " =-~^~^- 。 (8) 為了保證可逆性，相對應(yīng)于增加新枝干的proposal應(yīng)當(dāng)有 一 個去除枝干的proposal?？紤]到模擬枝干生長過程中，有新枝干加入，也有原有枝干停止生長。因此，本發(fā)明采用了兩對jump的可逆操作，分別為增、減和長、停，再加上對于保持繼續(xù)生長的枝干有一個同維度空間內(nèi)的更新操作，共5種操作。本發(fā)明分別將這5種操作的選擇概率表
示為PA， PD， Pe， Ps， Pu。那么決定這五個概率值時應(yīng)當(dāng)滿足Pa+Pd+Pc+Ps+Pu = 1。
1)在求解每個生長時段狀態(tài)前，檢測在該時段的所有可能增加的枝。在這些枝基礎(chǔ)上做增減的proposal (即可提高RJMCMC效率的數(shù)據(jù)驅(qū)動方式Data Driven RJMCMC，可參考文獻Z.W.Tu and S. C. Zhu. Image segmentetion by date-driven Markov chain MonteCarlo)。 增操作如下如果檢測目標a不在標識集合kt中，則建議增加它。具體方法就是以一致概率l/|kd\kt|隨機采樣一個候選目標a，kdVq是檢測到的但是沒有在kt集合中的。將a加入當(dāng)前kt集合中。如果kdVq集合為空，則令PA二0。其接受率為 ", = /yz, I )1 z" ^ 1 " & 1 。 (9) 其中，第一項為新加入枝干的似然概率，第二項分數(shù)形式是新狀態(tài)的生長先驗分布比上原狀態(tài)的生長先驗分布，定義為尸A ,火JZ,—,」二iYX4"」iYX^ ,」^Y^ "J n ^YI,,,^^,) 上式第一項建模了哪個位置出現(xiàn)新枝干的可能性比較大，我們設(shè)置其為一致分布，此項不起作用。第二項是上一生長階段就存在的枝干的生長先驗分布，其定義方式見公式(6)。第三項建模了哪個枝干加入的可能性，也是一致分布，不起作用。第四項是公式(5)定義的枝干間的相互影響。Pa與P。通常是相等的。第四項分數(shù)是為了平衡增減操作對應(yīng) 的目標個數(shù)。最終，如果接受率大于l，則直接接受，否則以概率a接受。如果被拒絕，則恢 復(fù)原狀態(tài)。 減操作目標是使得狀態(tài)可逆，即加入的枝干有可能恢復(fù)原來的狀態(tài)。其過程如下
以一致概率i/|kt n kd|隨機采樣一個候選目標d， kt n kd是即在檢測集合又在kt集合中 的目標集。將d從當(dāng)前kt集合中刪除。如果kt n kd集合為空，則令P。二0。其接受率為 2)停操作是枝干停止狀態(tài)的模擬。長操作是其可逆過程，使得被停止的枝干有可
能恢復(fù)原有狀態(tài)。
長操作如下從集合kt—Akt中一致采樣即以概率l/lkt—Akt|隨機采樣一個目標g，
其中kt—Akt表示在前一個生長階段集合但不在當(dāng)前生長階段集合中的目標枝干。在增加該
目標時，依據(jù)其在前一生長階段的狀態(tài)值決定的當(dāng)前狀態(tài)分布，即該目標枝的先驗生長模
型，P(XgtlXg(t—D)，采樣得到其當(dāng)前狀態(tài)。如果kt—Akt集合為空，則令Pe二O。其接受率為
停操作如下以一致概率l/kt\kd I采樣候選目標枝s，其中kt\kd表示在當(dāng)前標識 集合kt但不在檢測集合kd中的目標集合。改變其狀態(tài)，即從當(dāng)前kt集合中去除。如果、\、 集合為空，則令& = 0。計算接受率
<formula>formula see original document page 8</formula> (12) 3)同維度空間的更新操作如下以一致概率，l/kt，從kt集合中選取一個目標枝U， 其狀態(tài)為X加，采樣proposal函數(shù)Q(X' ut， ；Xut)提議一個新的狀態(tài)X'加。如果，、集合為 空則令Pu = 0。 Q(X' ut ;Xut)定義如前述，是以Xut為中心的，以u的半徑十分之一為方差 的高斯函數(shù)。計算接受率
「0078，<formula>formula see original document page 8</formula> 其中，P(X' ut|Zt—0是公式5定義的考慮到枝干間相互影響的預(yù)測先驗。 以上實施方式僅用于說明本發(fā)明，而并非對本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的普通
技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化，因此所有等同的 技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護范圍應(yīng)由其權(quán)利要求限定。
權(quán)利要求
一種從圖像中重建枝干模型的方法，其特征在于，所述方法包括以下步驟S1獲取若干幅圖像以及所述圖像間的相對關(guān)系；S2獲取所述圖像的alpha matte作為后續(xù)操作的依賴圖像；S3指定其中兩幅圖像中枝干底部的位置和其中一幅圖像中對應(yīng)的決定半徑的像素；S4依據(jù)上述圖像中指定的枝干初始位置計算三維初始位置以及半徑；S5以所得三維初始位置以及半徑為基礎(chǔ)建立三維枝干模型。
2. 如權(quán)利要求1所述的從圖像中重建枝干模型的方法，其特征在于，所述步驟S5包括S5-l :定義當(dāng)前生長階段的節(jié)點狀態(tài)x, ，其中;^ = f A，5,^,j是第i個枝干當(dāng)前生長階段節(jié)點的狀態(tài)，^f即第i個枝干在t生長階段的節(jié)點三維空間位置，5,f是節(jié)點的生長方向，rit為節(jié)點對應(yīng)半徑；S5-2 :利用下式求解當(dāng)前生長階段的所有枝干節(jié)點的狀態(tài)，P (kt ， xt I Zt)p (kt ， xt I kt—丄，Xt—》P (zt I kt ， xkt)其中，zt是圖像上的觀測，kt用于指示當(dāng)前活躍的枝干。
3. 如權(quán)利要求2所述的從圖像中重建枝干模型的方法，其特征在于，所述步驟S5-2中求解當(dāng)前生長階段的所有枝干節(jié)點狀態(tài)的方法包括 S5-2-l :初始化當(dāng)前生長t階段的狀態(tài)(kt， Xkt);S5-2-2 :按照proposal函數(shù)提議一個新的狀態(tài)(k' t， X' kt); S5-2-3 :計算新狀態(tài)的接受率；S5-2-4:當(dāng)接受率大于l時，接受該狀態(tài)為采樣；否則，以概率a接受，其中aG
; S5-2-5 :按照上述步驟迭代，迭代次數(shù)s = 1. . . N-l，生成若干采樣； S5-2-6 :求取采樣的期望作為t階段的狀態(tài)。
4 如權(quán)利要求2所述的從圖像中重建枝干模型的方法 個生長時段狀態(tài)之前，檢測該時段增加的枝。
5. 如權(quán)利要求2所述的從圖像中重建枝干模型的方法 個生長時段狀態(tài)之前，檢測該時段減少的枝。
6. 如權(quán)利要求2所述的從圖像中重建枝干模型的方法 個生長時段狀態(tài)之前，檢測該時段處于生長狀態(tài)的枝。
7. 如權(quán)利要求2所述的從圖像中重建枝干模型的方法 個生長時段狀態(tài)之前，檢測該時段處于停長狀態(tài)的枝。
8. 如權(quán)利要求2所述的從圖像中重建枝干模型的方法 個生長時段狀態(tài)之前，對于保持生長的枝進行更新。，其特征在于，在步驟5-2求解每 ，其特征在于，在步驟5-2求解每 ，其特征在于，在步驟5-2求解每 ，其特征在于，在步驟5-2求解每 ，其特征在于，在步驟5-2求解每
全文摘要
本發(fā)明涉及計算機視覺領(lǐng)域，具體涉及一種從圖像中重建植物枝干模型的方法，所述方法包括步驟獲取若干幅圖像以及所述圖像間的相對關(guān)系；獲取所述圖像的alpha matte作為后續(xù)操作的依賴圖像；手工指定其中兩幅圖像中枝干底部的位置和其中一幅圖像中對應(yīng)的決定半徑的像素；依據(jù)上述圖像中指定的枝干初始位置計算三維初始位置以及半徑；以所得三維初始位置以及半徑為基礎(chǔ)逐步生長三維枝干模型。本發(fā)明方法簡單且最大限度地利用了圖像上的信息，能夠生成與圖像較為符合的枝干模型。
文檔編號G06T17/00GK101739714SQ200810226389
公開日2010年6月16日 申請日期2008年11月14日 優(yōu)先權(quán)日2008年11月14日
發(fā)明者查紅彬, 馬偉 申請人:北京大學(xué)