针对白菜表型性状及其关联研究，当前缺乏精确且客观的数字化评价指标。传统评估方法通常依赖主观判断与经验，难以保证其准确性与可靠性。本研究基于3D点云技术开发了一种创新的表型性状综合评估方法，以提高白菜表型性状分析的精度、可靠性及标准化水平。利用多视图图像序列和结构光恢复算法，重建了来自17个白菜品种的50株样本的3D点云。通过基于颜色的区域生长算法与3D凸包技术，测量了30个农艺性状。将植株冠幅、高度、叶面积及叶球体积等3D点云测量结果与传统方法进行对比，得到R²值均大于0.97，均方根误差分别为1.27 cm、1.16 cm、839.77 cm³和59.15 cm²。基于植株冠幅与高度，通过线性回归预测白菜重量，R²值达到0.76。整合优化算法对参数进行测试，将传统方法的测量时间从55分钟缩短至3.2分钟。此外，本研究进行了深入的变异分析、相关性分析、主成分分析及聚类分析。变异分析显示性状间存在显著变异，相关性分析表明21对性状间具有高度显著的正相关，2对性状具有高度显著的负相关。前六个主成分解释了总方差的90%。采用肘部法通过k均值聚类确定最佳聚类数为4，将17个白菜品种分为4组。本研究为探索白菜表型性状关联提供了新的理论与方法支持，助力优质品种的选育与鉴定。相比传统方法，该系统在精确度、速度与全面性上具有显著优势，同时成本低廉、使用便捷，是人工方法的理想替代方案，特别适用于大规模监测与高通量表型分析。

图1 白菜序列照片采集过程。(A) 河北农业大学三分场的种植地点，采用随机区组设计种植了17个白菜品种；(B) 用于采集白菜图像的图像采集设备，确保高质量的数据采集；(C) 图像采集过程，摄像机围绕每个白菜样本在透明平台上旋转，从顶部和底部角度采集60–70张图像，用于全面的表型分析。

图2 白菜3D点云重建流程图。(A) 从多个角度采集白菜图像；(B) 使用结构光恢复（SfM）算法和Agisoft Metashape 1.7.0完成初始3D点云重建；(C) 对点云模型进行预处理，通过通道滤波、基于颜色阈值的分割和统计滤波算法完成噪声去除与背景分割，展示顶视图和底视图；(D) 利用参考立方体进行粗配准，并通过迭代最近点（ICP）算法精细调整，完成顶视图和底视图点云模型的配准与对齐。

图3 测量流程图。(A) 叶形指数公式，通过叶长和叶宽计算得出；(B) 叶基部和叶尖的选择位置；(C) 白菜叶片点云的凸包；(D) 将叶脉分割为三部分，进行宽度和厚度分析；(E) 包围白菜叶片点云的边界框；(F) 白菜叶片的点云；(G) 使用基于颜色的区域生长算法进行叶片分割；(H) 白菜叶片中的叶脉点云；(I) 叶脉点云的凸包；(J) 手动计数总叶片和球形叶片的数量；(K) 使用高精度电子秤测量白菜的重量；(L) 白菜植物的3D点云模型；(M) 白菜植物点云的凸包；(N) 叶脉点云的边界框；(O) 计算叶球紧凑度的公式；(P) 白菜植物点云的边界框；(Q) 白菜中央柱的点云模型；(R) 中央柱点云的边界框；(S) 中央柱的凸包计算；(T) 测量中央柱的上下宽度，模型展示了原始、PCA对齐和分离的点云。

图4 数据比较分析。注：通过回归线和统计指标，比较了使用3D点云和传统方法对白菜进行测量的结果。

图5 白菜重量回归分析。注：该3D散点图展示了白菜重量与植株高度和冠幅变量之间的回归关系。红色平面表示模型拟合结果，并标注了回归方程、R²值和均方根误差（RMSE）。

图6 相关性分析热图与层次聚类树状图。注：该图展示了两种可视化结果：热图 (A)，突出显示了变量之间相关性的强度；层次聚类树状图 (B)，表示变量的层次聚类关系。热图通过颜色强度来描绘相关性的强度和方向，暖色表示正相关关系，冷色表示负相关关系。树状图根据变量的相似性对其进行分组，较短的分支表示较高的相关性。

图7 主成分分析结果的可视化。(A) 方差解释图，展示了每个主成分解释的方差；(B) 累积方差解释图，显示前六个主成分共同解释了数据变异性的90%。

图8 聚类分析图。(A) 使用肘部法通过绘制平方距离总和与聚类数量的关系图来确定最佳聚类数。四个聚类处的拐点指示了最优的k值；(B) 在应用主成分分析（PCA）进行降维后，使用k均值法进行聚类分析。图中展示了17个白菜品种基于前两个主成分被划分为四个聚类，每个聚类代表了不同的形态和生理特征，提供了品种多样性和潜在改良方向的洞见。