[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

说明书

本发明公开了一种基于非局部自相似块的压缩采样植株重构方法。具体为：首先通过KinectV2.0传感器采集目标植株的彩色和深度图像，并利用深度数据进行预处理；再结合K‑means和Mean‑shift聚类算法提取目标植株的有效区域，去除背景中不必要的干扰物；其次考虑图像的非局部特性，采用加权lsubgt;p/subgt;范数最小化算法求解低秩优化问题，尽可能保留图像的轮廓等细节信息；最后采用Dog‑leg最小二乘算法取代最快下降法进行迭代优化。该项研究充分考虑图像的局部特性和结构化属性，为高精度实现图像采集和重构提供了新思路，也为促进农业信息化、智能化奠定了基础。

技术领域

本发明主要涉及压缩感知(Compressed Sensing，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。

背景技术

随着农业信息化和自动化的持续发展，图像采集技术被广泛运用到现代农业生产中，农田信息获取技术已成为精准农业的关键技术之一，而对目标植株图像进行压缩重构对于植株生长状态的检测及病虫害的识别意义重大，如何高质量高速率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。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。文献《基于改进K-means图像分割算法的细叶作物覆盖度提取》(吴焕丽,崔可旺,张馨等，农业机械学报，2019,50(1))提出的基于HSV空间的自适应果蝇均值聚类算法来分割图像背景，该算法加快了小麦图像的分割速度，一定程度上提高了小麦的覆盖率，但是对于滴灌带等局部干扰因素的整体分割效果并不突出。文献《基于OMP算法的快速压缩感知图像重构》(马博珩,彭艺，云南大学学报(自然科学版)，2017(2))在迭代算法上选用共轭梯度下降算法取代最快下降法，结合正交匹配追踪算法进行图像重构，初步提高了图像的重构速度，但是稀疏分解上依旧通过求解1l范数进行，忽略了图像的局部特征和结构化特性，重构精度并没有太大改善。文献《基于彩色和深度信息结合K-means聚类算法快速拼接植株图像》(沈跃，朱嘉慧，刘慧等，农业工程学报，2018,34(23):134-141.)将K-means算法和图像的深度信息结合，去除了背景中多余干扰物，有效提取出目标植株的有效区域。孙俊等引入低秩矩阵恢复思想，有效去除了高光谱图像的混合噪声，提高了图像整体的鲁棒性。

发明内容

本发明针对以上问题，提出一种基于非局部自相似块的压缩采样植株重构方法。首先通过Kinect V2.0传感器采集目标植株的彩色图像和深度数据，对获取到的植株图像进行深度预处理，并结合K-means和Mean-shift聚类算法提取目标植株的有效区域；再考虑图像的非局部自相似性，采用加权l_p范数最小化算法求解低秩优化问题，较好保留了图像的结构细节；最后采用Dog-leg最小二乘算法取代最小二乘法进行迭代优化，加快算法整体的重构速度。本发明的目的是：针对传统图像压缩感知方法大多采用信号在某个特征空间的稀疏性进行优化，并没有考虑信号的局部特征和结构化特征造成的重构精度低、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存储和传输问题，为后期农业中相关控制决策提供相关依据。

本发明的技术方案为：一种基于非局部自相似块的压缩采样植株重构方法，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，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。