基于骨架提取的高粱分割方法研究

### 基于骨架提取的高粱分割方法研究 在植物研究领域，对高粱进行准确的分割和分析是一项重要的任务。本文将详细介绍一种基于骨架提取的高粱分割方法，包括植物分割、分支分类、结果评估以及可能的未来改进方向。 #### 植物分割 植物分割是基于骨架 \(S\) 对整个植物进行的。具体操作是将植物的每个体素 \(v_{i,j,k}\) 分配给分割后的骨架 \(S\) 的最近段。这样就完成了植物的分割，最终分割后的植物如图 3 c) 所示。 #### 分支分类 为了对原始植物骨架进行修剪，我们设计并训练了机器学习分类器。以下是详细的过程： 1. **数据集** - 从 351 株高粱植物中手动选择并注释了 100 个植物骨架。排除了重建效果不佳的植物，如叶子合并、叶子缺失或存在过多噪声体素的情况。 - 对于每个骨架，在修剪步骤之前查看每条路径 \(P_i \in P\)，并在 \(K\) 中标记该路径在最终植物骨架 \(P^*\) 中是应保留（\(K_i = 1\)）还是丢弃（\(K_i = 0\)）。平均而言，修剪前 \(P\) 包含 108 条路径，修剪后 \(P^*\) 仅包含 7 条路径。 - 将数据集转换为三元组列表 \(L = [P_i, P_j, keep]\)，其中二进制标签 \(keep\) 表示与 \(P_i\) 相比，\(P_j\) 应保留还是丢弃。生成三元组的算法如下： ```plaintext Data: P is a list of paths, ordered by increasing length and K is a label for each path stating that a path should be kept or discarded in the output skeleton. Result: L is the set of triplets [Pi, Pj, keep] for training. 1 for j ∈{1 . . . n} do 2 if Kj = 1 then 3 for i ∈{j + 1 . . . n} do 4 if Ki = 1 then 5 L ←L ∪Pi, Pj, true; 6 end 7 end 8 else /* We look for the shortest most similar path longer than Pj That is, the first path Pi that maximizes sij. */ 9 k ←j; 10 mostNbCommonVoxels ←0; 11 for i ∈{j + 1 . . . n} do 12 if Ki = 1 then 13 sij ←computeNumberCommonVoxel(Pi, Pj); 14 if sij > mostNbCommonVoxels then 15 mostNbCommonVoxels ←sij; 16 k ←i; 17 end 18 end 19 end 20 if k > j then 21 L ←L ∪{Pk, Pj, true}; 22 end 23 end 24 end ``` - 为输入分类器的每对路径计算一组特征，保留的特征包括： - \(s_{ij}\)：\(P_i\) 和 \(P_j\) 共有的体素数量。 - \(e_j = length(P_j) - s_{ij}\)：仅包含在 \(P_j\) 中的体素数量。 - \(p_{ij} = s_{ij} / length(P_j)\)：较短路径 \(P_j\) 与 \(P_i\) 共享的比例。 - 由于数据集中的类别不平衡，\(L\) 中应丢弃的分支