本发明属于家畜个体表型测定，尤其涉及一种用于家畜个体表型测定的三维模型构建图像补偿方法。
背景技术：
1、家畜个体表型测定是畜牧业中重要的基础工作，它涉及到家畜生长发育、遗传评估、疾病诊断等多个方面。传统的表型测定方法主要依赖于人工测量和图像分析，这些方法存在以下缺陷：
2、环境因素影响：光照、背景等环境因素会对图像质量产生影响，进而影响测定结果。
3、图像采集困难：家畜体型庞大，活动范围广，导致图像采集难以全面覆盖。
4、准确性不足效率低下：人工测量容易受到主观因素影响，导致数据不准确，且人工测量过程繁琐，耗时长，效率低下不适合大规模应用。
5、数据维度有限：二维图像分析无法全面反映家畜的三维形态特征，而现有的三维模型构建方法难以精确匹配家畜的实际形态，导致模型与实际存在偏差。
技术实现思路
1、为解决上述技术问题，本发明提供了一种用于家畜个体表型测定的三维模型构建图像补偿方法，包括：
2、采集家畜图像并进行预处理，获得初始家畜图像；
3、对所述初始家畜图像进行特征提取，获得家畜的形态特征；
4、基于所述形态特征构建三维模型，通过图像补偿算法对所述三维模型进行优化，获得目标三维模型；
5、将所述目标三维模型与实际家畜进行对比分析，验证模型的准确性，并根据验证结果对所述目标三维模型进行迭代优化，直至满足需求。
6、优选地，所述采集家畜图像的过程包括：
7、采用多角度、多光源的深度相机从不同方向和不同光照条件下获取同一时间不同方位的图像数据；
8、基于三维激光扫描仪对家畜表面进行扫描，获得点云数据；
9、将所述图像数据与点云数据进行数据配准和数据融合，获得家畜图像。
10、优选地，所述多角度、多光源的深度相机使用标定板，标识出相机的坐标系后，通过图像拼接算法进行图像自动拼接；
11、所述标定板为正方体标定板，且表面做磨砂处理。
12、优选地，所述通过图像拼接算法进行图像自动拼接的过程包括：基于特征进行图像拼接；
13、所述基于特征进行图像拼接的过程包括：
14、通过orb算法从图像中检测提取特征点，对每个特征点周围的区域计算描述符，利用flann匹配算法获得两幅图像间对应的特征点对；
15、通过匹配的特征点对计算图像间的变换关系，获得单应性矩阵；
16、使用ransac算法对所述单应性矩阵进行进一步筛选，获得目标单应性矩阵；
17、根据所述目标单应性矩阵，将待拼接图像进行透视变换，使所述待拼接图像与参考图像视角一致，然后通过拉普拉斯金字塔融合方法处理处理变形后的图像重叠区域；
18、采用最大流最小割方法自动寻找最优拼接缝进行图像拼接，获得拼接图像。
19、优选地，所述通过图像拼接算法进行图像自动拼接的过程还包括：基于区域进行图像拼接；
20、所述基于区域进行图像拼接的过程包括：
21、将参考图像划分为小块，通过光强度差的平方和作为匹配标准对每个小块在待拼接图像中寻找最佳匹配位置；
22、采用apap算法自动寻找最优拼接缝进行图像拼接，获得拼接图像。
23、优选地，将所述图像数据与点云数据进行数据配准和数据融合，获得家畜图像的过程包括：
24、对点云数据进行滤波去噪，移除无关的背景信息和噪声，然后提取边缘特征和角点特征；
25、对图像数据进行畸变校正和色彩平衡调整后，使用surf算法在图像中检测对应的特征点；
26、使用kd树搜索的特征匹配方法进行初始配准，获取点云数据和图像数据间对应特征点的关联信息；
27、根据所述关联信息，采用迭代最近点算法进行精细配准，优化点云数据和图像数据间的对齐程度，并使用均方根误差作为评价指标评估配准质量；
28、将精细配准后的数据进行合并，在统一的坐标系下创建融合数据集。
29、优选地，对所述初始家畜图像进行特征提取，获得家畜的形态特征的过程包括：
30、通过sobel算子和harris角点检测进行边缘和角点检测，提取图像的边缘和角点信息；然后进行纹理和形状分析，提取图像的纹理和形状特征；
31、基于所述图像的边缘和角点信息以及图像的纹理和形状特征，使用卷积神经网络自动学习图像的深层特征，并应用深度特征提取单元，提取深度特征；
32、通过多尺度分析单元在不同尺度上提取特征并通过sift算法计算关键点的尺度空间极值提取尺度不变的关键点；
33、将所述深度特征与关键点进行整合，获得特征向量。
34、优选地，通过图像补偿算法对所述三维模型进行优化的过程包括：
35、对输入的二维图像进行噪声去除和平滑处理，利用多视图扩散模型从不同视角的二维图像中提取深度信息；
36、采用立体匹配算法计算相邻视角之间像素的视差，获得深度图；
37、将所述深度图转换为点云数据，对生成的点云数据进行滤波处理，去除离群点和噪声；
38、利用isomer算法将处理后的点云数据转化为三维网格模型，在重建过程中，结合颜色和几何先验信息，确保模型在视觉上与输入图像一致；
39、根据原始二维图像的纹理信息，对三维模型进行纹理贴图，然后采用卷积神经网络的图像补偿算法，对输入图像进行增强，并对不可见区域的颜色进行补全。
40、优选地，对输入的二维图像进行噪声去除的过程包括：
41、通过计算点云中每个点与其周围邻居点的距离，去掉距离小于预设阈值的点。
42、与现有技术相比，本发明具有如下优点和技术效果：
43、采用本发明的方法，可以有效提高家畜个体表型测定的准确性和效率。具体表现在：
44、准确性提升：通过多角度、多光源的图像采集和图像补偿算法，减少了环境因素对测定结果的影响，提高了模型与家畜实际形态的匹配度。
45、效率提高：自动化的图像采集和处理流程，大大减少了人工操作的环节，提高了测定工作的效率。
46、应用范围扩大：本方法适用于各种体型和种类的家畜，具有较强的通用性和适应性。
1.一种用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，包括：
2.根据权利要求1所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，所述采集家畜图像的过程包括：
3.根据权利要求2所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，所述多角度、多光源的深度相机使用标定板，标识出相机的坐标系后，通过图像拼接算法进行图像自动拼接；
4.根据权利要求3所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，所述通过图像拼接算法进行图像自动拼接的过程包括：基于特征进行图像拼接；
5.根据权利要求3所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，所述通过图像拼接算法进行图像自动拼接的过程还包括：基于区域进行图像拼接；
6.根据权利要求2所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，将所述图像数据与点云数据进行数据配准和数据融合，获得家畜图像的过程包括：
7.根据权利要求1所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，对所述初始家畜图像进行特征提取，获得家畜的形态特征的过程包括：
8.根据权利要求1所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，通过图像补偿算法对所述三维模型进行优化的过程包括：
9.根据权利要求8所述的用于家畜个体表型测定的三维模型构建图像补偿方法，其特征在于，对输入的二维图像进行噪声去除的过程包括：
