一种基于目标植株的压缩采样非线性迭代优化重构方法技术

本发明专利技术提出一种基于目标植株的压缩采样非线性迭代优化重构方法。具体为：图像采集上，选用Kinect传感器获取目标植株的彩色图像，将RGB图像转换成HSV色彩空间，获取植株亮度特征图和色调特征图，再采用Sobel边缘检测方法获得植株的轮廓特征图，最后对每一个特征通道的特征图进行归一化处理，并通过加权平均融合成一张显著性特征图；重构算法上，本文以压缩采样匹配追踪算法(CoSaMP)为基础，融合正则化和变步长自适应思想，同时结合Dog‑Leg最小二乘算法进行迭代优化，提出了一种基于Dog‑Leg的正则化自适应压缩采样匹配追踪算法(DLRaCSMP)，解决了传统压缩采样算法中支撑集不准确、稀疏度K难获取以及SAMP固定步长所带来的精度不够及过估计等问题。

A Nonlinear Iterative Optimal Reconstruction Method Based on Compressed Sampling for Target Plants

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。Itti等人提出的自下而上的显著性模型。该模型通过初级特征的提取，获取显著性特征图，从而彰显目标物体，但是提取效果并不突出。文献《基于压缩感知的植物微环境及生理参数采集方法研究》(高超，张新，赵玥等，农业机械学报，2017，48(3)：317-324.)针对植株微环境及生理参数在ARM平台上设计了基于压缩感知的采集算法，在节省数据存储空间和降低数据传输量的同时，一定程度上也降低了系统的功耗，但是对于不同尺度和背景下的植物信息采集并未验证。文献《压缩感知苹果图像并行快速重构方法研究》(代媛，何东健，杨龙等，农业机械学报，2014，45(9)：72-78.)提出了一种压缩感知苹果图像的并行快速重构方法，该算法分析了二维正交匹配跟踪重构算法的并行性，结合GPU通用并行计算平台设计出对应的并行化重构算法，初步提高了苹果图像的重构效率，但是并没有保证苹果图像的重构质量，且未能消除复杂背景。专利《一种变步长正则化自适应压缩采样匹配追踪方法》(廖勇，周昕，李瑜锋等，重庆大学，2015)提出了一种变步长正则化自适应压缩采样匹配追踪算法，该算法改进了SAMP固定步长带来的精度不够以及过度估计问题，一定程度上提高了重构方法的重构精度，但在迭代优化上仍沿用最快下降算法，在求解函数时，存在过于贪婪导致收敛速度较慢，重构效率不高。
技术实现思路
本专利技术针对以上问题，在图像采集上选用Kinect获取目标植株的彩色图像，分别采用HSV彩色空间的颜色特征和Sobel算子的轮廓特征输入至Itti模型中融合构建显著性特征图；在重构算法上，以压缩采样匹配追踪算法(CoSaMP)为基础，融合正则化和变步长自适应思想，同时结合Dog-Leg最小二乘算法进行迭代优化，提出了一种基于Dog-Leg的正则化自适应压缩采样匹配追踪算法(DLRaCSMP)，可以达到更高的重构精度和更快的重构速率。本专利技术的目的是：针对农业图像采集及重构中传统压缩感知方法重构精度低、消耗时间长等情况，提出相应解决方案，从而达到对某些农作物的生长状况进行有效的观察和分析，解决长期阶段对农作物观察的数据大而带来的的存储和传输问题。本专利技术的技术方案为：一种基于目标植株的压缩采样非线性迭代优化重构方法，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。进一步，所述步骤1中，亮度图转换公式：V＝max(R，G，B)(1)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]。进一步，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。进一步，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∈索引集Λ；步骤4.3：将索引集Λ0并入支撑集Ft，利用式s.t.y＝Ax重建信号并保留Ft中与最匹配的l个元素，其他元素置零，更新支撑集Ft的观测矩阵ΦFt，步骤中，Ft表示t次迭代后的支撑集，且Ft＝Ft-1∪Λ0，x表示初始信号，A表示传感矩阵，且A＝ΦΨ；步骤4.4：再次重建信号利用Dog-Leg最小二乘法计算重构误差：更新残差：步骤中，表示带估计的值，表示支撑集Ft的感知矩阵；步骤4.5：若满足停止迭代条件停止迭代，否则转步骤4.6；步骤4.6：若满足扩大支撑集长度条件||ri||2≥||r||2，则转步骤4.7；否则残差r＝ri，迭代次数t＝t+1，并转步骤4.2；步骤4.7：若满足变步长条件则l＝l+as，a为自适应参数且满足a∈(0，1)，stage＝stage+1，转步骤4.2；否则步长不变，l＝l+s，stage＝stage+1，转步骤4.2；输出：信号x的稀疏估计进一步，两个阈值ε1和ε2分别控制迭代停止与迭代阶段步长，自适应参数a可以根据信号特征进行步长的调整，实现小步长精确逼近。进一步，两个阈值ε1和ε2分别设置在10-4和10-6之间，参数a在(0，1)间取值。进一步，所述步骤4.4中利用Dog-Leg最小二乘法计算重构误差的具体步骤如下：步骤4.4.1：给定初始值x0，以及初试优化半径μ；步骤4.4.2：对于第k次迭代，求解：其中本文档来自技高网...

【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