叶片是植物的重要器官，具有多样的形态特征以满足不同的功能需求。传统的叶片形态量化主要基于二维方法，无法完全捕捉叶片三维特征。

2024年5月，Plant Phenomics 在线发表了日本九州大学题为Three-dimensional leaf edge reconstruction combining two- and three-dimensional approaches的研究论文，提出了一种结合二维图像分割和基于曲线的三维重建方法，用于三维叶片边缘重建。

本文提出的三维叶片边缘重建方法通过结合深度学习、结构光运动（SfM）、叶片对应识别和B样条曲线拟合等技术，成功地从多视图图像中重建了叶片边缘。结果表明，该方法能够有效处理具有复杂边缘形态的叶片，如裂片叶和带孔叶片，尽管对于高度局部变化的形态（例如锯齿形边缘）的重建依然存在一定的挑战。此外，该研究还发现叶片大小和相机噪声对重建精度有显著影响，而图像数量对重建阈值的影响较小。本研究还提出了基于遮挡指数（OI）的最优支持阈值设置指南，这有助于在实际应用中提高重建的准确性。

研究结果证实了所提出的方法是一种有效的工具，可以用于量化评估以往难以通过传统二维方法评估的植物叶片的三维形态特征。该方法的非破坏性特性使其在植物生理学、功能生态学和栽培管理等领域具有广泛的应用潜力。此外，该方法还能够与评估植物其他器官的方法结合使用，以捕捉整个植物的结构。通过整合层次化的形态特征，该方法将有助于推进我们对植物生理学、功能生态学和栽培管理的理解。

图1 3D 叶边缘重建方法概述，该方法从多视图图像重建 3D 叶子边缘。(A) 使用 Mask R-CNN 对每个图像中的每个叶子进行分割。(B) 从分割的叶子中检测每个 2D 叶子边缘。(C) 基于 SfM 估计相机位置和方向。同时，获得稀疏点云数据和投影矩阵用于叶子对应步骤，其中（D）识别多视图图像中的叶子。(E) 使用 3D 曲线草图在 3D 空间中重建曲线片段，该草图集成了 2D 叶子边缘、投影矩阵和叶子对应关系。(F) 在对应于单个叶子的每组 3D 曲线片段上拟合闭合 B 样条曲线后获得 3D 叶子边缘

图2 重建实际大豆植株叶片的3D边缘

https://doi.org/10.34133/plantphenomics.0181

——推荐阅读——

Quantifying Contributions of Different Factors to Canopy Photosynthesis in Two Maize varieties: Development of a Novel 3D Canopy Modeling Pipeline

https://doi.org/10.34133/plantphenomics.0075

Plant Phenomics | 玉米品种间冠层光合效率差异的多因素贡献率解析：一种新的三维冠层建模流程

Enhancing green fraction estimation in rice and wheat crops: a self-supervised deep learning semantic segmentation approach

https://doi.org/10.34133/plantphenomics.0064

Plant Phenomics |【模型公开】从三维模拟到田间应用：水稻小麦冠层动态表型

加入作者交流群