计算机生成的3D植物模型被迫切需要用来支持表型和基于模拟的研究，如光合作用建模。精确的3D植物模型的构建具有挑战性，因为植物是具有复杂叶片结构的复杂物体，通常由形状和大小不同的薄且高反射的表面组成，且具有密集，复杂，拥挤的特点。在基于图像的方法中，作者采用一种主动视觉方法来解决这些问题，该方法通过研究场景来智能地进行图像采集。此方法不是为所有植物使用相同的摄像机位置，而是获取重建目标植物所需的图像，调整摄像机位置以匹配植物的个体结构。此方法结合了基于体积和表面的重建方法，并在分析体素簇的基础上确定了必要的图像。作者描述了一种全自动植物建模/表型分析单元，包括六轴机器人和高精度转台。通过使用标准彩色相机，克服了与基于激光的植物重建方法相关的困难。将生成的3D模型与从固定相机获得的3D模型进行比较，并与不同植物结构的X射线微计算机断层扫描数据进行了比较。结果表明，该方法能有效地提高各种植物类型数据的准确性和质量。

AVC组成

作者提出了一种在受控环境下自动捕获植物彩色图像的AVC方法，并将其用于多视图的3D模型重建。在不同的植物结构上对此方法进行了评估，并将其与使用任意摄像机位置和静态摄像机的传统方法进行了比较，得到的点的数量和这些点相对于到地面实况的欧氏距离的准确性。

左：目标植物原始图像，中：10张图像后的初始表示，右：获取其他视点后显示更多对象特征的最终体素模型

在所有的实验中，AVC生成的数据精度更高，图像集更小。更多的点有助于确保植物被充分扫描，并且未知对象数据量最小。更精确的点保证了三维模型能够以更高的保真度重建，这对于准确的植物表型是至关重要的。AVC对每幅图像获取更多的点，说明所捕获的图像对重构具有更大的价值。虽然静态相机的放置是有效的，但使用主动视觉可以获得明显的数据收益。

不同植物的数据对比图，第一列是使用CT扫描仪获得的X射线数据，分别包含侧视图和俯视图，第二列为本文提出的AVC获得的点集

来源：Plant Physiol.Plant Phenotyping: An Active Vision Cell for Three-Dimensional Plant Shoot Reconstruction.Jonathon A. Gibbs, Michael Pound, Andrew P. French, Darren M. Wells, Erik Murchie, Tony Pridmore.