The invention provides a non-linear iterative optimization reconstruction method based on compressed sampling of target plants. Specifically, in image acquisition, Kinect sensor is used to acquire the color image of the target plant, RGB image is converted into HSV color space, plant brightness feature map and hue feature map are obtained, and then the contour feature map of the plant is obtained by Sobel edge detection method. Finally, the feature map of each feature channel is normalized and fused into a significant one by weighted average. In the reconstruction algorithm, based on Compressed Sampling Matching Pursuit (CoSaMP), this paper combines the idea of regularization and variable step size adaptive, and combines Dog Leg Least Square algorithm for iterative optimization. A regularized adaptive Compressed Sampling Matching Pursuit (DLRaCSMP) algorithm based on Dog Leg is proposed, which solves the problem of inaccurate support set in traditional compression sampling algorithm. Sparsity K is difficult to obtain and SAMP fixed step size brings inadequate accuracy and over-estimation.
【技术实现步骤摘要】
一种基于目标植株的压缩采样非线性迭代优化重构方法
本专利技术主要涉及压缩感知(CompressedSensing,CS)和机器视觉领域,具体涉及的是农业植株图像采集和压缩感知重构方法领域。
技术介绍
图像采集与重构是机器视觉技术发展的关键技术之一。近年来,随着农业信息化和自动化的不断发展,图像的压缩重构在农业果实植株的检测、田间管理、植物微环境生理参数采集和温室植株虫害的识别等方面起到了重要作用。当前信息需求量持续增加,信号带宽越来越宽,如何高速率高质量地对图像进行压缩采集并重构已成为国内外机构的热点和重点。比起香农采样定理对采样率至少达到原始信号带宽两倍以上的要求,采样与压缩并行的压缩感知理论有效地克服了该缺陷,为信息的传输提供了新的途径。压缩感知理论主要由信号的稀疏表示、测量矩阵和重构算法三部分组成。信号的稀疏表示是压缩感知的先验条件,测量矩阵需要满足等距约束性条件才可以精确重构原始信号,而重构算法是压缩感知中最为关键的一部分。常见的重构算法主要有三种类型:凸优化算法、迭代贪婪算法和组合算法,其中,贪婪算法由于自身计算量小且结构简单运用最为广泛。DNeedell等人提出了具有回溯思想的压缩采样匹配追踪算法(CoSaMP),该算法对选取的支撑集原子进行回溯以剔除错误的原子,从而达到了更高的重构精度,但是消耗时间大大增大。ThongT.Do等人提出了稀疏度自适应匹配追踪算法(SAMP),该算法通过倍增固定步长逐步逼近信号真实稀疏度进行重构,缩短了重构时间,但是也导致了精度不够及过估计问题。在农业植株的检测与识别过程中,目标物体的识别是首要解决的问题。Itt ...
【技术保护点】
1.一种基于目标植株的压缩采样非线性迭代优化重构方法,其特征在于,包括以下步骤:步骤1,对目标植株进行图像采集,选取Kinect传感器,通过自带的SDK获取的图像为RGB图像,再将其转换成HSV色彩空间获得植株的亮度图和色调图;步骤2,利用Sobel边缘检测算法提取目标植株的整体形态及其轮廓特征,获得植株的轮廓图;步骤3:显著性特征图的获取;步骤4:针对目标植株的显著性特征图,采用Dog‑Leg最小二乘的正则化自适应压缩采样匹配追踪算法对其进行压缩重构。
【技术特征摘要】
1.一种基于目标植株的压缩采样非线性迭代优化重构方法,其特征在于,包括以下步骤:步骤1,对目标植株进行图像采集,选取Kinect传感器,通过自带的SDK获取的图像为RGB图像,再将其转换成HSV色彩空间获得植株的亮度图和色调图;步骤2,利用Sobel边缘检测算法提取目标植株的整体形态及其轮廓特征,获得植株的轮廓图;步骤3:显著性特征图的获取;步骤4:针对目标植株的显著性特征图,采用Dog-Leg最小二乘的正则化自适应压缩采样匹配追踪算法对其进行压缩重构。2.根据权利要求1所述的一种基于目标植株的压缩采样非线性迭代优化重构方法,其特征在于,所述步骤1中,亮度图转换公式:V=max(R,G,B)色调图转换公式:其中:R、G、B分别是RGB色彩空间中的红、绿、蓝分量,且H∈[0,360],R∈[0,1],G∈[0,1],B∈[0,1],V∈[0,1]。3.根据权利要求1所述的一种基于目标植株的压缩采样非线性迭代优化重构方法,其特征在于,所述步骤3的具体过程为:将得到的亮度图、色调图和轮廓图分别通过多尺度的高斯滤波器后得到各自的图像金字塔,并对其进行中央-周边差运算获取三张分别基于色调、亮度和轮廓的特征图,采用归一化因子对每一个特征通道的特征图进行归一化处理,由低到高对其不同尺度层的位移图进行下采样,再运用点对点的加法运算,获取每一个特征通道的显著性特征图,最后通过加权平均将三张显著性特征图融合成一张显著性特征图。4.根据权利要求1所述的一种基于目标植株的压缩采样非线性迭代优化重构方法,其特征在于,所述步骤4的具体过程为:输入:观测值y,观测矩阵φ,正交变换基Ψ,初始步长s,s≠0;步骤4.1:初始残差r0=y,阶段步长stage=1,迭代停止阈值ε1和阶段步长阈值ε2,索引集索引(列序号)集合元素个数l=s,支撑集迭代次数t=1;步骤4.2:由式u={uj|uj=|<r,φj>}计算相关系数u,再将其中最大的2l个原子的索引值利用式|ui|≤2|uj|进行正则化处理,最后将筛选后的索引值更新存入新索引集Λ0中。步骤中,uj表示第j个相关系数,r表示残差,Φj表示第j次的观测矩阵,j=1,2,...,N,N为正整数,ui、uj分别表示第i、j个相关系数,i,j...
【专利技术属性】
技术研发人员:沈跃,李尚龙,刘慧,黄忠裕,吴边,
申请(专利权)人:江苏大学,
类型:发明
国别省市:江苏,32
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。