La segmentación de nubes de puntos es necesaria para obtener rasgos morfológicos altamente precisos en la fenotipificación de plantas. Aunque ha habido un gran desarrollo en la segmentación de nubes de puntos, la segmentación de nubes de puntos de hojas de plantas complejas sigue siendo un desafío. Las hojas de colza son críticas en el cultivo y la cría, sin embargo, la imagen bidimensional tradicional es susceptible a una precisión de segmentación reducida debido a las oclusiones entre las plantas. El estudio actual propone el uso de tecnología de visión estéreo binocular para obtener nubes de puntos tridimensionales (3D) de hojas de colza en las etapas de plántula y de formación de tallos. Las nubes de puntos se colorearon en función de los valores de elevación para procesar mejor los datos de nube de puntos 3D y extraer parámetros fenotípicos de la colza. Se seleccionaron métodos de eliminación de ruido en función de la fuente y clasificación del ruido de la nube de puntos. Sin embargo, para las nubes de puntos del suelo, combinamos el ajuste de planos con el filtrado de paso para la eliminación de ruido, mientras que se utilizó el filtrado estadístico para eliminar los puntos de ruido atípicos generados durante el escaneo. Encontramos que, durante la etapa de plántula de la colza, un método de segmentación de crecimiento de región fue útil para encontrar umbrales de parámetros adecuados para la segmentación de hojas, y el método de agrupación de Parches Conectados Localmente Convexos (LCCP) se utilizó para la segmentación de hojas en la etapa de formación de tallos. Además, los resultados del estudio muestran que combinar el ajuste de planos con el filtrado de paso elimina efectivamente el ruido de la nube de puntos del suelo, mientras que el filtrado estadístico elimina con éxito los puntos de ruido atípicos generados durante el escaneo. Finalmente, el uso del algoritmo de crecimiento de región durante la etapa de plántula con un umbral de ángulo normal establecido en 5.0/180.0* M_PI y un umbral de curvatura establecido en 1.5 ayuda a evitar los problemas de subsegmentación y sobresegmentación, logrando una segmentación completa de las hojas de plántulas de colza, mientras que el método de agrupación LCCP segmenta completamente las hojas de colza en la etapa de formación de tallos. El método propuesto proporciona información para mejorar la precisión de la extracción de parámetros fenotípicos de nubes de puntos posteriores, como el área de la hoja de colza, y es beneficioso para la reconstrucción 3D de la colza.