【技术实现步骤摘要】
本专利技术涉及植株3D目标数据重构方法,尤其是一种基于压缩感知理论的激光数据回溯自适应匹配追踪的重构方法。
技术介绍
随着我国农业现代化的大力发展,机械化和电气化在农业领域的运用越来越广泛。对农作物生长信息的有效掌控以及对这些生长信息的压缩、传输和处理,对植株的监护和病虫害的防止有着重要的意义,能够实现农场品的高产丰收,对农业经济的发展也有着重要意义。在以往的农业生产过程中,主要依靠人工的观测或照片、视频的办法对植株的形态特征进行观测。由于植株数量巨大和其生长周期较长,上述方法并不适合对大量植株的高效检测以及观测产生的监测数据对存储和传输带来巨大的挑战,更不利于对农作物生长状况的有效分析。具有稀疏特性信号的压缩感知理论由Donoho等人于2006年提出。该理论采用少量信号的随机向量,能够以很高的概率准确重构原始信号。作为信号处理领域中诞生的全新理论,突破了传统的奈奎斯特采样定理的局限性。本专利技术是基于回溯匹配追踪算法开展的,该方法是由AnamitraMakur等人于2011年提出的。本专利技术创新性地将此方法运用于激光扫描传感器信号的恢复重构中,为激光扫描传感器信号的分析与处理开辟了新的思路。
技术实现思路
针对传统植株形态检测数据分析和重构方法中存在的弊端,本专利技术提出了一种基于压缩感知理论的植株3D数据回溯自适应匹配追踪重构方法。该方法首先在感知矩阵中自适应地选取一些原子,然后使用回溯思想灵活地去除了初选过程中错选的原子,从而实现激光扫描传感器信号的精确重构。本专利技术的技术方案是:一种基于回溯自适应匹配追踪的农用植株3D数据重构方法,包括以下步骤: ...
【技术保护点】
一种基于回溯自适应匹配追踪的农用植株3D数据重构方法,其特征在于,包括以下步骤:步骤1:激光扫描传感器返回的每一组帧数据按顺序记为fn(i),fn(i)表示fn的第i个数据,fn表示f的第n组数据,则原始激光深度数据f=[f1,f2,…,fn]T,其中i∈(1,2,…,Ι),n∈(1,2,…,N);步骤2:采用小波变换基对激光深度数据进行稀疏表示,信号f稀疏表示为f=Ψx,x为激光扫描传感器返回的深度数据f∈RN×I在变换基Ψ下的系数向量x;步骤3:采用高斯分布白噪声生成随机测量矩阵Φ,Φ∈RM×N(M<<N),M为测量维数,N为原始信号的维数;步骤4:测量矩阵Φ与稀疏变换基Ψ相乘得到感知矩阵其中Φ是M×N(M<<N)维的压缩感知观测矩阵,Ψ是N×N维的稀疏变换基矩阵,则激光原始信号f的测量值表示为步骤5:采用回溯自适应匹配追踪算法对植株的3D数据进行重构,得到重构后的激光数据并与原始数据进行对比得出结论。
【技术特征摘要】
1.一种基于回溯自适应匹配追踪的农用植株3D数据重构方法,其特征在于,包括以下步骤:步骤1:激光扫描传感器返回的每一组帧数据按顺序记为fn(i),fn(i)表示fn的第i个数据,fn表示f的第n组数据,则原始激光深度数据f=[f1,f2,…,fn]T,其中i∈(1,2,…,Ι),n∈(1,2,…,N);步骤2:采用小波变换基对激光深度数据进行稀疏表示,信号f稀疏表示为f=Ψx,x为激光扫描传感器返回的深度数据f∈RN×I在变换基Ψ下的系数向量x;步骤3:采用高斯分布白噪声生成随机测量矩阵Φ,Φ∈RM×N(M<<N),M为测量维数,N为原始信号的维数;步骤4:测量矩阵Φ与稀疏变换基Ψ相乘得到感知矩阵其中Φ是M×N(M<<N)维的压缩感知观测矩阵,Ψ是N×N维的稀疏变换基矩阵,则激光原始信号f的测量值表示为步骤5:采用回溯自适应匹配追踪算法对植株的3D数据进行重构,得到重构后的激光数据并与原始...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。