编者按: 智显未来|重构三维植被表型，计算呈现自然之美丨智言智语( 二 ) 编者按:智显未来

（1）基于结构形态和生长规则的三维植物虚拟建模。植物生长机理是指植物普遍存在的各种生长特性，包括向光性、向水性、向肥性，顶端优势等，以及单一种类植物的特殊生长性质，例如乔木的主干明显，灌木的主干不明显等。根据植物对生长资源的竞争关系，团队提出了一种基于空间竞争、光照引导、以及生长方程约束的树木过程式建模方法，可以根据当前的空间轮廓限制和光照信息，计算并分配给每个发芽点相应的生长资源，并根据分配结果得到每个发芽点在本轮中的生长量。
同时该方法使用Logistic生长方程来控制植物的生长速率以及每一次迭代中的光照和资源分配，可以自动控制最终树木的生长高度。利用此方法，我们可以有效的建立单棵或者多棵树在相互影响竞争下生长的模型以及仿真生长过程，同时，还可以让模型反馈出空间的轮廓限制。

文章图片
模拟5棵虚拟树木模型相互竞争的生长过程
（2）基于三维可视数据分析的真实植物重构建模。基于真实数据的植被建模，主要解决树木主干重建的问题。首先，团队采用三维激光扫描单侧数据，提出一种数据驱动的树木建模方法。该方法假设树木具有多级表示，即树木可以分为主干、树枝、细枝和叶片。实验中，对松树等针叶树，青铜等阔叶树，以及有叶、无叶数据进行了树木重建，获得了具有较强真实感、主枝和冠形等形状准确的结果。
之后，该团队提出将三维真实数据与植物生长规则相结合，用真实的数据去引导植物的过程式生长建模。该方法我们巧妙地结合了植物过程式建模与数据驱动的植物重建方法，用基于文法规则的机理来自动补充数据缺失部分的枝干，这种结合不仅能够保证模型的精度（与真实数据之间的误差小）和完整度，同时重建的模型满足植物学的生长规则，为植物的逆向过程建模提供了新思路。

文章图片
真实扫描点云驱动的三维植物重构建模
（3）基于可视数据学习的三维植物智能建模。植物具有几何与拓扑结构上的重复性和相似性，可以从大量高精度植物测量数据中提取出重复的基本结构单元，学习出共性生长规则及其核心参数，然后基于生长规则构建出植物生长模型，该模型为形态类似但有差异的系列模型。
首先，我们提出了一种从具有分枝结构的图像中逆向学习L系统语法规则表示的方法。该工作利用图像目标检测任务中的深度神经网络提取出原子结构元素，并得到原子结构的准确控制参数（包括旋转方向和尺度大小），之后将检测到的原子结构组织成一种树形结构。分别在合成数据、用户手绘数据、真实的图片和艺术家创造的图像中验证了该方法的有效性。

文章图片
基于分支结构图像的L系统语法规则表示学习
之后，团队提出基于GAN网络从单张照片中恢复出三维植物模型，主要思路是利用深度神经网络来预测大致的三维形状信息，然后使用过程式建模算法生成精细的树干模型。可以实现通过过程式植物建模方法生成其完整的枝叶细节。用户也可以手绘形状线条来生成特殊的植物造型（如下图）。
基于手绘（左）或者输入形状（右）约束的植物造型
近期，该团队最近持续探索运用深度学习方法对树木点云进行枝干分解，用于重建出精细的树木模型。该方法主要思路是运用神经网络对点云进行树冠分割和检测分叉结构，并提出一种自适应深度聚类网络来分割枝干。首先我们运用过程式建模生成数据集，训练神经网络对叶子和枝干进行分割。在此基础上，对每个分枝采取广义圆柱近似的假设，利用自主设计的自适应缩放余弦距离和欧式距离相结合，放入深度神经网络进行训练，对枝干部分点云进一步分割和聚类，得到每一个分枝的点云。然后对每一个分枝的点云提取骨架和半径并连接。最后我们根据骨架和半径生成圆柱，再利用分割出的叶子点云生成其完整的枝叶细节。下图展示了我们对于真实数据的树木重建结果。