[发明专利]一种基于非局部自相似块的压缩采样植株重构方法

权利要求书

1.一种基于非局部自相似块的压缩采样植株重构方法，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，结合自带的SDK和OpenCV库获取待测植株的彩色图像和深度图像；步骤2，利用Kinect传感器TOF获取空间深度数据信息原理，合理设置待测植株与传感器间的距离，实现目标植株与背景分离，程序设置距离内的区域像素值为1，距离外的区域像素值为0；步骤3：结合K-means和Mean-shift聚类算法提取目标植株的有效区域；步骤4：采用加权p l范数最小化算法求解低秩优化问题；步骤5：采用Dog-Leg最小二乘取代最快下降法进行迭代，对目标植株进行压缩重构；

所述步骤4的具体过程为：

步骤4.1：信号X的加权l_p范数定义为：其中，σ_i(X)是信号X的第i个奇异值，0＜p≤1，w＝[w₁....,w_min{n,m}]是一个非负向量；m、n分别表示信号X矩阵的行向量、列向量个数；

步骤4.2：由此，低秩优化问题就可以转化为：其中，||·||_F表示Frobenious范数；

步骤4.3：对于信号Y∈R^m×n，m＞n，定义UΣV^T为信号Y的奇异值分解(singular valuedecomposition，SVD)，其中Σ＝diag(σ₁,σ₂,...σ_n)，那么，低秩优化问题的解决方法可表达成X＝UΔV^T，其中，Δ＝diag(δ₁,δ₂,...δ_n)是个非负矩阵，(δ₁,δ₂,...δ_n)是非凸优化问题的解，即式的解，λ为非负值，w＝[w₁....,w_min{n,m}]是一个非负向量；

步骤4.4：引入广义奇异值软阈值函数对上述非凸优化问题求解，为了解决中l_p范数低秩优化问题，给出如下所示的广义奇异值软阈值函数：其中，通过求解获得；

步骤4.5：定义初始值然后通过式进行迭代求得并由此对非凸优化问题求解，所得最优解为

步骤4.6：通过上述步骤可得：信号Y为已知矩阵，UΣV^T通过对Y进行奇异值分解求得，非凸优化问题中Δ可以通过求解得出，由此对WSNM优化问题进行推导化简可得最终最优化结果为

2.根据权利要求1所述的一种基于非局部自相似块的压缩采样植株重构方法，其特征在于，所述步骤1中，图像采集所用平台由待测植株、Kinect二代传感器、相机支架和PC机构成，Kinect传感器固定在相机支架上，通过USB延长线接口连至PC机，待测植株与Kinect传感器之间的距离为1700mm。