本发明属于精确农业中作物生命信息无损监测领域，涉及一种小麦冠层叶倾角分布自动估算方法，具体是一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法。
背景技术：
1、叶倾角分布是作物冠层最重要的结构参数之一，是与光合作用有关的重要性状，影响冠层内的辐射传输过程。叶倾角分布总结了冠层叶片的空间方向，定义为随机选择的叶片在单位倾角角度间隔内的概率。量化叶倾角分布的变化可以为高通量表型分析提供强有力的技术支持。
2、目前获取叶倾角分布的方法可分为直接测量法和间接估计法。直接测量是用倾角计、量角器或其他与叶片表面直接接触的工具进行的，但这需要测量许多叶片才能获得。该方法具有精度高的优点，但耗时费力，且直接接触会干扰叶片。间接估计主要基于光学图像，这种方法通常成本低廉，但需要大量的后处理和人机交互。由于难以获得叶倾角分布，科学家们开发了几个仅由一个或两个参数表征的数学函数。然而，作物冠层的叶倾角分布是物种特异性的，简化的数学函数忽略了不同物种、生长阶段和栽培管理方式之间的潜在差异。
3、地基激光雷达是一种主动遥感技术，它向扫描仪周围的球形空间发射激光脉冲。利用发射激光脉冲的方向和返回脉冲的双向传播时间，生成目标物体的点云。在记录植被三维位置方面具有独特的优势，已被广泛用于植物结构的量化。基于三维点云实现小麦冠层叶倾角分布自动估算，对推动基于激光雷达的高通量三维表型获取有重要意义。然而目前基于地基激光雷达的小麦冠层叶倾角分布估计，存在缺乏对弯曲叶片的自动分割和冠层中叶点密度分布不均匀的问题。
技术实现思路
1、本发明的目的在于针对现有技术不足，提供一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法；该方法将小麦冠层划分为体素，并通过平均每个体素内与每个点相关的平面的角度来获得叶倾角分布。
2、为实现上述目的，本发明采取的技术方案是：一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其包括以下步骤：
3、步骤1、获取小麦冠层的点云数据；
4、步骤2、点云的拼接和去噪；
5、步骤3、计算点云的法向量；
6、步骤4、将点云进行体素化；
7、步骤5、利用体素分割法向量；
8、步骤6、计算体素的角度；
9、步骤7、统计体素的角度并曲线拟合计算得到叶倾角分布和平均叶倾角。
10、进一步的，所述步骤1中，采用地基激光雷达获取小麦关键生育期的点云数据。
11、进一步的，所述步骤2中，应用riscan pro软件进行数据预处理：首先，对每个站点的数据进行配准和合并，平均配准误差为1～3mm；然后，根据脉冲形状偏差进行滤波去除噪声点，并使用地形滤波器去除地面点；最后，导出各点的三维坐标(x,y,z)，进行后续处理。
12、进一步的，所述步骤3中，所述计算点云的法向量包括：
13、a、利用k近邻算法实现点云的监督分类，将点云进行分组生成点子集；
14、b、使用奇异值分解算法计算每个点子集的特征值和特征向量，其中最小特征值对应的特征向量等价于点的法向量；
15、c、对于向下指向的法向量，方向通过乘以-1进行矫正，公式为：
16、
17、其中是点的法向量。
18、进一步的，所述步骤4中，将点云进行体素化包括：
19、体素被定义为三维空间立方体，将点云转化为体素，公式为：
20、
21、其中(x，y，z)是体素坐标，int表示在小数点后一位四舍五入到最接近的整数，(x，y，z)代表激光雷达数据中原始的点云坐标，xmin、ymin和zmin分别是x、y、z的最小值，δt是体素大小，体素的大小根据实际应用的需求来确定合适的值。
22、进一步的，所述步骤5中，利用体素分割法向量包括：
23、a、根据步骤2计算得到的法向量，设p＝pi(x,y,z),i∈[1,n]是冠层全部点，其中n为全部点的数量，设n为全部法向量的数量；
24、b、根据步骤3计算得到的体素坐标，设v＝vj(x,y,z),j∈[1,v]，v是全部体素的数量；
25、c、利用python中的open3d库提取体素中的点，设p＝pk(x,y,z),k∈[1,n]是体素内点的坐标，n是每个体素内点的数量；由于点和法向量一一对应，体素内法向量为n为体素内法向量的数量。
26、进一步的，所述步骤6中，计算体素的角度过程为：
27、a、根据步骤4利用体素分割法向量，体素内法向量为n为体素内法向量的数量，计算和天顶方向的夹角为点pk的角度，公式为：
28、
29、其中αk为点的角度，为天顶方向的向量坐标为(0,0,1)，为点法向量，最后乘以(180/π)将弧度值转为角度值；
30、b、假设体素的角度为αj，j∈[1,v]，计算体素内法向量角度的平均值为体素角度，公式为：
31、
32、其中αk为体素内点的角度，n为体素内点的数量。
33、进一步的，所述步骤7中，叶倾角分布和平均叶倾角的计算过程为
34、a、将0°到90°的所有体素的角度的频率分布按1°的步长进行统计，将统计得到的体素角频率分布拟合为二次函数，得到叶倾角分布；
35、b、计算所有体素的角度的平均值为平均叶倾角。
36、进一步的，所述估算方法还包括验证算法的可行性，具体包括：
37、a、使用基于光线追踪的三维辐射传输模型“大尺度遥感数据和图像模拟框架”，来验证体素分割法向量方法；
38、b、使用lai-2200c植物冠层分析仪测量小麦冠层的平均叶倾角，随后与体素分割法向量方法估计的平均叶倾角进行比较。
39、更进一步的，采用决定系数r2、均方根误差rmse对结果进行综合评价，其中r2和rmse的公式为：
40、
41、其中qi是估测值，pi是真实值，pi表示真值的平均值，n表示样本总数。
42、本发明的有益效果是：本发明针对目前基于地基激光雷达的小麦冠层叶倾角分布估计缺乏对弯曲叶片的自动分割和冠层中叶点密度分布不均匀的问题，开发了一种体素分割法向量的方法来自动分割和空间归一化弯曲叶片。在该方法中，将小麦冠层划分为体素，并通过平均每个体素内与每个点相关的平面的角度来获得叶倾角分布。采用三维辐射传输模型验证了方法的有效性。此外，估算的小麦平均叶倾角与实测值具有较好的相关性，尤其是孕穗期(r2＝0.76,rmse＝1.40°)。本方法实现了追踪不同品种间、氮素水平、生育期和冠层高度的叶倾角分布特征，为今高通量表型分析提供了技术支撑。
1.一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述步骤1中，采用地基激光雷达获取小麦关键生育期的点云数据。
3.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述步骤2中，应用riscan pro软件进行数据预处理：首先，对每个站点的数据进行配准和合并，平均配准误差为1～3mm；然后，根据脉冲形状偏差进行滤波去除噪声点，并使用地形滤波器去除地面点；最后，导出各点的三维坐标(x,y,z)，进行后续处理。
4.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述步骤3中，所述计算点云的法向量包括：
5.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述步骤4中，将点云进行体素化包括：
6.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述步骤5中，利用体素分割法向量包括：
7.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述步骤6中，计算体素的角度过程为：
8.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述步骤7中，叶倾角分布和平均叶倾角的计算过程为
9.根据权利要求1所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，所述估算方法还包括验证算法的可行性，具体包括：
10.根据权利要求9所述的一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法，其特征在于，采用决定系数r2、均方根误差rmse对结果进行综合评价，其中r2和rmse的公式为：
