沈躍 李尚龍 崔業(yè)民 朱嘉慧 劉加林
摘要:目標(biāo)植株圖像壓縮重構(gòu)對(duì)于圖像的高效傳輸及存儲(chǔ)意義重大,同時(shí)為后期植株生長(zhǎng)狀態(tài)檢測(cè)及病蟲(chóng)害識(shí)別奠定了基礎(chǔ)。傳統(tǒng)圖像壓縮感知方法大多是針對(duì)信號(hào)在某個(gè)特征空間的稀疏性進(jìn)行的,并沒(méi)有考慮信號(hào)的局部特征與結(jié)構(gòu)化特性,存在重構(gòu)效率不高、重構(gòu)精度較低等問(wèn)題。針對(duì)以上情況,提出一種基于非凸低秩優(yōu)化的壓縮感知植株圖像重構(gòu)算法。首先通過(guò)KinectV2.0采集植株圖像深度數(shù)據(jù)并進(jìn)行預(yù)處理,結(jié)合K-means與Mean-shift聚類算法提取目標(biāo)植株有效區(qū)域,再考慮圖像的非局部自相似性,采用加權(quán)l(xiāng)p范數(shù)最小化算法(wsNM)求解低秩優(yōu)化問(wèn)題,較好地保留了圖像結(jié)構(gòu)細(xì)節(jié),最后采用Dog-leg最小二乘算法取代最快下降法進(jìn)行迭代優(yōu)化。試驗(yàn)結(jié)果證明,該算法在不同采樣率下的植株圖像重構(gòu)質(zhì)量?jī)?yōu)于其它同類算法,尤其在低采樣率下重構(gòu)效果更為突出。
關(guān)鍵詞:壓縮感知;圖像重構(gòu);低秩優(yōu)化;聚類算法;Dog-Leg最小二乘法;深度信息
DOI:10.11907/rjdk.191237
中圖分類號(hào):TP317.4 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2019)012-0173-07
0引言
隨著農(nóng)業(yè)信息化與自動(dòng)化的持續(xù)發(fā)展,圖像采集技術(shù)被廣泛運(yùn)用于現(xiàn)代農(nóng)業(yè)生產(chǎn)中,農(nóng)田信息獲取技術(shù)已成為精準(zhǔn)農(nóng)業(yè)的關(guān)鍵技術(shù)之一。其中對(duì)目標(biāo)植株圖像進(jìn)行壓縮重構(gòu)對(duì)于圖像的高效傳輸與存儲(chǔ)意義重大,同時(shí)也為后期植株生長(zhǎng)狀態(tài)檢測(cè)及病蟲(chóng)害識(shí)別奠定了基礎(chǔ)。因此,如何高質(zhì)量、高速率地對(duì)圖像進(jìn)行壓縮采集與重構(gòu)已成為國(guó)內(nèi)外機(jī)構(gòu)的研究熱點(diǎn)。
在農(nóng)業(yè)植株檢測(cè)與識(shí)別過(guò)程中,目標(biāo)物體識(shí)別是首先需要解決的問(wèn)題。吳煥麗等提出基于HSV空間的自適應(yīng)果蠅均值聚類算法分割圖像背景,該算法加快了小麥圖像分割速度,一定程度上提高了小麥覆蓋率,但對(duì)于具有如滴灌帶等局部干擾因素的圖像分割效果并不突出;馬博珩等選用共軛梯度下降算法取代最快下降法,結(jié)合正交匹配追蹤算法進(jìn)行圖像重構(gòu),初步提高了圖像重構(gòu)速度,但處理過(guò)程中忽略了圖像的局部特征與結(jié)構(gòu)化特性,重構(gòu)精度并沒(méi)有得到太大改善,且該方法在迭代計(jì)算過(guò)程中不太穩(wěn)定,容易出現(xiàn)貪婪問(wèn)題;代媛等提出一種壓縮感知蘋果圖像的并行快速重構(gòu)方法,該算法分析了二維正交匹配跟蹤重構(gòu)算法的并行性,結(jié)合GPU通用并行計(jì)算平臺(tái)設(shè)計(jì)出對(duì)應(yīng)的并行化重構(gòu)算法,初步提高了蘋果圖像重構(gòu)效率,但是并沒(méi)有保證蘋果圖像重構(gòu)質(zhì)量,且未能消除復(fù)雜背景;宋云等引入低秩矩陣恢復(fù)思想,考慮到圖像的非局部自相似性,將圖像恢復(fù)問(wèn)題轉(zhuǎn)化成聚合的相似塊矩陣秩最小問(wèn)題,有效提高了圖像重構(gòu)質(zhì)量,但其在迭代上也采用共軛梯度算法,從而影響到算法整體的穩(wěn)定性和魯棒性。
因此,本文在前人研究的基礎(chǔ)上,提出一種基于非凸低秩優(yōu)化的壓縮感知植株圖像重構(gòu)算法。首先通過(guò)Ki-nect V2.0采集目標(biāo)植株的彩色圖像和深度數(shù)據(jù),對(duì)獲取的植株圖像進(jìn)行深度預(yù)處理,并結(jié)合K-means和Mean-shift聚類算法提取目標(biāo)植株有效區(qū)域;再考慮圖像的非局部自相似性,采用加權(quán)l(xiāng)p范數(shù)最小化算法求解低秩優(yōu)化問(wèn)題,較好保留了圖像結(jié)構(gòu)細(xì)節(jié);最后采用Dog-leg最小二乘算法取代最小二乘法進(jìn)行迭代優(yōu)化,以加快算法整體重構(gòu)速度。該算法不僅解決了傳統(tǒng)重構(gòu)算法重構(gòu)精度低的問(wèn)題,而且很大程度上提高了目標(biāo)植株重構(gòu)效率,對(duì)于農(nóng)業(yè)中的相關(guān)控制決策具有一定指導(dǎo)意義。
1材料與方法
1.1植株圖像目標(biāo)區(qū)域提取
1.1.1植株圖像采集
為了獲取目標(biāo)植株的彩色圖像及深度數(shù)據(jù),搭建如圖1所示的試驗(yàn)平臺(tái),主要包括Kinect二代傳感器、PC機(jī)、相機(jī)支架和若干待測(cè)植株。Kinect傳感器固定在相機(jī)支架上,通過(guò)USB延長(zhǎng)線接口連至PC機(jī),待測(cè)植株與Kinect傳感器之間距離約為1700mm。
試驗(yàn)分為兩組進(jìn)行:第一組目標(biāo)植株為單植株,植株高度為1.8m;第二組目標(biāo)植株為多植株,選取3棵不同高.度的待測(cè)植株,高度分別為14m、1.2m和1.0m。使用Ki-nect V2.0傳感器提供的Kinect for Windows SDK結(jié)合OpenCV庫(kù)獲取待測(cè)植株的彩色圖像和深度圖像,見(jiàn)圖2。
1.1.2深度數(shù)據(jù)預(yù)處理
由于采集到的植株圖像背景較為復(fù)雜,將嚴(yán)重影響后期圖像重構(gòu)效率,如何去除植株背景干擾對(duì)于后期重構(gòu)處理至關(guān)重要。Kinect傳感器采用TOF獲取空間的深度數(shù)據(jù)信息,合理設(shè)置待測(cè)植株與傳感器之間距離,即能將圖像中的待提取物從背景中分離出來(lái)。因此,本文根據(jù)Kinect傳感器的這一特征,采用彩色圖像和深度圖像相結(jié)合的方法提取目標(biāo)植株關(guān)鍵區(qū)域。
Kinect傳感器識(shí)別的最佳限制距離范圍為1500-1800mm,因此本文將待測(cè)植株放置于傳感器前方約1700mm,通過(guò)圖像采集平臺(tái)(見(jiàn)圖1)采集圖像,進(jìn)而通過(guò)距離限制初步將目標(biāo)植株與背景分離。程序設(shè)置距離內(nèi)的區(qū)域像素值為1,距離外的區(qū)域像素值為0。
1.13K-means與Mean-shih聚類算法
聚類分析算法是用于數(shù)據(jù)挖掘的一個(gè)重要算法,被廣泛運(yùn)用在圖像分割、圖像融合等各個(gè)領(lǐng)域,其中以K-means算法最為常見(jiàn)。雖然K-means聚類相對(duì)簡(jiǎn)單,對(duì)于數(shù)據(jù)集的處理效率也較高,但其初始聚類中心需要從n個(gè)數(shù)據(jù)對(duì)象中任意選擇,對(duì)于噪聲的魯棒性并不強(qiáng),且想要達(dá)到最佳分割效果需要經(jīng)過(guò)大量反復(fù)試驗(yàn),一定程度上增大了工作量。Mean-shift算法能夠在一組數(shù)據(jù)的密度分布中尋找到局部極值,并實(shí)現(xiàn)無(wú)參密度估計(jì),即可對(duì)服從任意分布的數(shù)據(jù)進(jìn)行密度估計(jì)。此外,Mean-shiN算法是一個(gè)單參數(shù)算法,容易作為一個(gè)模塊與其它算法進(jìn)行集成。因此,本文將K-means聚類與Mean-shiN算法相結(jié)合,將Mean-shiN聚類后的質(zhì)心作為K-means算法初始中心進(jìn)行聚類,避免了因K-means初始中心不確定導(dǎo)致的大量試驗(yàn),具體流程如圖3所示。試驗(yàn)結(jié)果表明初始聚類中心為2時(shí),分割效果最好。
為了提高后續(xù)圖像重構(gòu)效率,只需保留目標(biāo)植株所在圖像區(qū)域,去除背景中其它干擾物。在進(jìn)行深度數(shù)據(jù)處理得到的二值圖像基礎(chǔ)上,水平方向從上到下、從下往上依次對(duì)每一行求和,直到找到第一個(gè)非空白行為止,記為第m行、第n行;同樣,豎直方向從左往右、從右到左依次對(duì)每一列求和,直到找到第一個(gè)非空白列為止,記為第i列、第j列。在原彩色圖像上截取第m行~第n行、第i列~第j列的矩形區(qū)域,即為要提取的目標(biāo)植株所在圖像區(qū)域。處理后的圖像如圖4所示。
圖4(a)、圖4(c)分別為Kinect傳感器拍攝的單植株和多植株圖像,圖4(b)、圖4(d)分別為對(duì)應(yīng)去除復(fù)雜背景后的彩色圖像。其中黑色部分是被去除的無(wú)目標(biāo)植株部分,保留了植株所在矩形區(qū)域。
1.2壓縮感知理論
壓縮感知理論主要由信號(hào)稀疏表示、測(cè)量矩陣與重構(gòu)算法3部分組成。圖像壓縮感知重建觀測(cè)得到的隨機(jī)測(cè)量值,其維度遠(yuǎn)小于原始圖像維度,目的在于通過(guò)觀測(cè)得到的一組隨機(jī)測(cè)量值復(fù)原原始圖像。具體而言,設(shè)原始信號(hào)f∈RN+1,在變換基ψ下的稀疏向量為x,即f=ψx。對(duì)原始信號(hào)廠進(jìn)行測(cè)量,公式為:
由于上述最小lo范數(shù)方法是一個(gè)不確定多項(xiàng)式(NP)問(wèn)題,同時(shí)對(duì)噪聲很敏感,很難直接進(jìn)行優(yōu)化且無(wú)法驗(yàn)證其準(zhǔn)確性,因此需要更加有效的重構(gòu)算法對(duì)信號(hào)進(jìn)行精確重構(gòu)。
1.3加權(quán)l(xiāng)p范數(shù)非凸低秩優(yōu)化
1.3.1非局部自相似與低秩特性
任意一幅圖像的結(jié)構(gòu)信息都存在大量重復(fù)部分,其中隨便一個(gè)樣本塊,都能在該圖像中尋找出大量相似塊,并且這種相似結(jié)構(gòu)不僅存在于平滑區(qū)域,在紋理及邊緣輪廓中也一樣存在。利用圖像的這種非局部自相似性,不僅能解決傳統(tǒng)重構(gòu)算法中因未考慮信號(hào)局部特性和結(jié)構(gòu)化特征導(dǎo)致的重構(gòu)精度不高的問(wèn)題,同時(shí)也提高了算法本身的適應(yīng)性。提取部分圖像塊作為樣本塊,將與其相似的其它圖像塊統(tǒng)一按照行或列展開(kāi)得到一維向量。以此類推,將得到的所有一維向量組合成二維相似塊矩陣。由于相似圖像塊之間結(jié)構(gòu)紋理近似,即提取到的圖像相似塊一維向量之間具有強(qiáng)相關(guān)性,因此該二維相似塊矩陣具有低秩特性。從另一方面看,矩陣的秩也可作為矩陣稀疏性的衡量方法,即求解信號(hào)稀疏性的圖像重構(gòu)問(wèn)題可引申為基于秩最小化的圖像重構(gòu)問(wèn)題。
1.3.2加權(quán)l(xiāng)p范數(shù)低秩優(yōu)化
2試驗(yàn)與結(jié)果分析
為了驗(yàn)證本文方法的正確性和有效性,本文通過(guò)MATLAB R2015處理平臺(tái)對(duì)該算法進(jìn)行各項(xiàng)測(cè)試。試驗(yàn)主機(jī)CPU配置為Intel Core i5,主頻為3.60GHz,內(nèi)存為8G,操作系統(tǒng)為Window 10。圖像采用256×256植株圖作為測(cè)試對(duì)象,主要分為單植株圖像重構(gòu)和多植株圖像重構(gòu)兩種情況進(jìn)行。每種情況均重復(fù)實(shí)驗(yàn)200次,試驗(yàn)中采用離散小波變換對(duì)圖像進(jìn)行稀疏化表示,測(cè)量矩陣采用隨機(jī)高斯測(cè)量矩陣。
重構(gòu)算法性能指標(biāo)分為重構(gòu)效率和重構(gòu)精度兩類。重構(gòu)效率用重構(gòu)時(shí)間進(jìn)行衡量,同等條件下重構(gòu)時(shí)間T越小,重構(gòu)效率越高;重構(gòu)精度分為主觀性評(píng)價(jià)標(biāo)準(zhǔn)和客觀性評(píng)價(jià)標(biāo)準(zhǔn)兩種。主觀標(biāo)準(zhǔn)主要指通過(guò)視覺(jué)感知判斷一幅圖的清晰度,本文采用結(jié)構(gòu)相似度(sSIM)進(jìn)行衡量,相同條件下SSIM越高,重構(gòu)精度越高;客觀標(biāo)準(zhǔn)則可以由峰值信噪比(PSNR)表示,相同條件下PSNR越高,重構(gòu)精度越高。
2.1不同p值下單植株圖像重構(gòu)效果對(duì)比
通過(guò)植株圖像采集平臺(tái)獲取單植株彩色圖像,經(jīng)過(guò)深度數(shù)據(jù)預(yù)處理以及K-means與Mean-shift聚類算法提取植株圖像目標(biāo)區(qū)域并轉(zhuǎn)化成灰度圖。對(duì)于p值選取,在0.1-1范圍內(nèi)以0.1為步長(zhǎng)進(jìn)行,分別在采樣率(M/N)為0.05、0.10、0.15、0.20、0.25、0.30的情況下對(duì)圖像進(jìn)行重構(gòu)。選取峰值信噪比作為評(píng)價(jià)指標(biāo),具體情況如圖5所示。
由圖5可以看出,在不同采樣率下,當(dāng)p值取0.8時(shí),峰值信噪比最高,植株重構(gòu)效果最好。同時(shí),由于傳統(tǒng)壓縮感知重構(gòu)算法大多屬于最小lo范數(shù)或最小l1范數(shù)算法,因此本文的非凸低秩加權(quán)l(xiāng)p范數(shù)最小化算法重構(gòu)效果明顯優(yōu)于其它傳統(tǒng)算法。
為了從視覺(jué)角度更直觀地說(shuō)明重構(gòu)效果,選取采樣率(M/N)為0.15時(shí),單植株在p值為0.4、0.8、1.0時(shí)的重構(gòu)效果圖,如圖6所示。選取葉片末梢及枝干部分進(jìn)行放大并置于右上角處,從圖中可以看出,p為0.4時(shí),植株圖像重構(gòu)的偽影較多,葉片輪廓等具體信息不夠清晰;p為1.0時(shí),重構(gòu)質(zhì)量有所提高,但從右上角部分放大圖可以發(fā)現(xiàn),暗影部分依舊存在;p=0.8時(shí),植株重構(gòu)效果最好,暗影明顯減少,同時(shí)葉片末梢及枝干處的輪廓等細(xì)節(jié)信息都得到了很好保留,在直觀視覺(jué)感受方面有很大程度提高。
2.2不同算法下植株圖像重構(gòu)效果對(duì)比
為了評(píng)估提出算法的性能及魯棒性,本文針對(duì)采集到的單植株和多植株圖像,分別測(cè)試測(cè)量值有噪和無(wú)噪情況下的重建性能。
2.2.1無(wú)噪情況下植株重構(gòu)對(duì)比情況
以采集到的單植株圖像為例,經(jīng)過(guò)預(yù)處理之后提取植株目標(biāo)區(qū)域,選取采樣率(M/N)為0.15時(shí)當(dāng)前主流的壓縮感知重構(gòu)算法TV、BM3D-CS、NLR與本文提出算法(p=0.8)進(jìn)行對(duì)比,具體如圖7所示。
重構(gòu)過(guò)程中選取葉片末梢及枝干處進(jìn)行放大并置于圖像右上角,以便觀察細(xì)節(jié)。從圖中可以看出,在TV算法下由于局部平滑特性較弱,重構(gòu)效果不太理想,圖像暗影較多,特別是枝干處較為模糊,不能很好地適應(yīng)復(fù)雜紋理;BM3D-CS算法下的重構(gòu)效果與其相比得到了很大程度提高,從放大部分可以看出,暗影已有明顯減少;對(duì)于NLR-CS與本文提出的重構(gòu)算法,低秩正則項(xiàng)的引人很好地利用了圖像的非局部特征和結(jié)構(gòu)特性,整體效果優(yōu)于前兩種算法,而相比之下,由右上角的局部放大圖可以看出,本文算法下枝干處的偽影幾乎全部消失,葉片末梢及輪廓等細(xì)節(jié)信息也更好地得到保留,效果優(yōu)于NLR-CS算法。
為了定量分析4種算法下單植株圖像的重構(gòu)效果,本文采用重構(gòu)時(shí)間T、結(jié)構(gòu)相似度SSIM以及峰值信噪比PSNR 3種評(píng)價(jià)標(biāo)準(zhǔn)在采樣率(M/N)為0.1、0.15、0.20、0.25、0.30情況下進(jìn)行對(duì)比分析,具體情況如表1所示。
從表1可以看出,在運(yùn)行時(shí)間方面,TV算法重構(gòu)時(shí)間最長(zhǎng),BM3D-CS和NLR-CS兩種算法重構(gòu)速度比較接近,而本文算法相比其它3種算法,重構(gòu)速度有了很大提高,比TV算法提高了2.796s,比NLR-CS算法提高了1.510s,且采樣率越大,速度差越大;在峰值信噪比(PSNR)方面,本文算法具有很大優(yōu)勢(shì),與其它3種算法相比,依次平均提高了14.24dB、7.08dB和2.47dB;同時(shí),在結(jié)構(gòu)相似度(sSIM)方面,相比于TV和BM3D-CS兩種算法,本文算法與NLR-CS算法效果最佳且比較接近,在采樣率為0.30時(shí),SSIM分別達(dá)到了0.9912和0.9947。由此可以看出,經(jīng)過(guò)深度數(shù)據(jù)預(yù)處理以及K-means和Mean-shift聚類算法提取出植株圖像目標(biāo)區(qū)域后,去除了背景中不必要的干擾,一定程度上提高了后期重構(gòu)速度,并且采用Dog-Leg最小二乘算法作為迭代算法,在有效提高收斂速度的同時(shí),也保障了算法的整體重構(gòu)精度。
2.2.2含噪情況下植株重構(gòu)對(duì)比情況
為了評(píng)估算法在含噪狀態(tài)下的魯棒性,本文在測(cè)量值中加入不同量級(jí)的噪聲進(jìn)行測(cè)試,比較各種算法的重建性能。
以采集的多植株圖像為例,噪聲選取高斯白噪聲,均值為0,標(biāo)準(zhǔn)差為0.01,經(jīng)過(guò)預(yù)處理之后提取植株目標(biāo)區(qū)域,同樣選取采樣率(M/N)為0.15時(shí),當(dāng)前主流的壓縮感知重構(gòu)算法TV、BM3D-CS、NLR-CS與本文算法(p=0.8)進(jìn)行對(duì)比,具體如圖8所示。重構(gòu)過(guò)程中選取前兩棵植株樹(shù)干及葉片末梢部分進(jìn)行放大,并置于圖片右上角以便于觀察圖像細(xì)節(jié)信息。
由圖8可以看出,在直觀的視覺(jué)感受上,當(dāng)采樣率(M/N)為0.15時(shí),TV算法對(duì)于加噪之后的植株圖像重構(gòu)結(jié)果很模糊,樹(shù)葉的輪廓、紋理等細(xì)節(jié)信息丟失嚴(yán)重,整體效果類似于油畫;BM3D-CS和NLR-CS兩種算法相比TV算法整體效果有所改善,但左邊第一棵樹(shù)的樹(shù)葉密集處依舊比較模糊;本文算法對(duì)于加噪之后的多植株圖像重構(gòu)效果最佳,3棵植株樹(shù)葉處的紋理都比較清晰,從右上角的局部放大圖可以發(fā)現(xiàn),葉片輪廓等細(xì)節(jié)信息也很好地得到了保留。
為了定量分析含噪環(huán)境中圖像在不同算法下的重構(gòu)效果對(duì)比情況,圖9給出了在采樣率為0.15時(shí),多植株圖像在測(cè)量值受不同量級(jí)高斯白噪聲影響的環(huán)境下,不同算法的重建性能曲線。橫軸為圖像感知測(cè)量值的信噪比(singal to Noise Ratio,SNR),范圍為15~35dB,步長(zhǎng)為5,縱軸為重建圖像的峰值信噪比PSNR。
可以直觀地看出,在采用TV和BM3D-CS兩種算法時(shí),圖像重構(gòu)精度起初增長(zhǎng)較快,但后期隨著測(cè)量值信噪比的增大,曲線增長(zhǎng)幅度逐漸減小,而NLR-CS算法與本文算法的重構(gòu)效果增長(zhǎng)趨勢(shì)較為穩(wěn)定,其中可明顯看出,本文算法在含噪環(huán)境下的重建性能依然優(yōu)于其它對(duì)比算法,取得了很好的重構(gòu)效果。
3結(jié)語(yǔ)
傳統(tǒng)圖像壓縮感知方法大多是針對(duì)信號(hào)在某個(gè)特征空間的稀疏性進(jìn)行的,并沒(méi)有考慮信號(hào)局部特征和結(jié)構(gòu)化特性,存在重構(gòu)效率不高、重構(gòu)精度較低等問(wèn)題。本文針對(duì)這些情況,提出一種基于非凸低秩優(yōu)化的壓縮感知植株圖像重構(gòu)算法。首先通過(guò)Kinect V2.0采集植株圖像的深度數(shù)據(jù)并進(jìn)行預(yù)處理,結(jié)合K-means與Mean-shih聚類算法提取目標(biāo)植株有效區(qū)域,再考慮圖像的非局部自相似性,采用加權(quán)l(xiāng)p范數(shù)最小化算法求解低秩優(yōu)化問(wèn)題,較好地保留了圖像結(jié)構(gòu)細(xì)節(jié),最后采用Dog-leg最小二乘算法取代最快下降法進(jìn)行迭代優(yōu)化。同時(shí),為了評(píng)估提出算法的性能及魯棒性,本文針對(duì)采集的單植株和多植株圖像分別測(cè)試了測(cè)量值有噪與無(wú)噪狀態(tài)下的重建性能。試驗(yàn)結(jié)果證明,本文算法在不同采樣率下的植株圖像重構(gòu)質(zhì)量都優(yōu)于其它同類算法,尤其在低采樣率下重構(gòu)效果更為突出。
(1)本文通過(guò)Kinect傳感器采集植株圖像深度數(shù)據(jù)并進(jìn)行預(yù)處理,同時(shí)結(jié)合K-means和Mean-shift聚類算法提取目標(biāo)植株有效區(qū)域,去除了背景中不必要的其它干擾物,為提高后期重構(gòu)效率提供了可能。
(2)考慮到圖像的非局部相似性與結(jié)構(gòu)特性,本文采用加權(quán)l(xiāng)p范數(shù)最小化算法求解低秩優(yōu)化問(wèn)題,較好地保留了圖像結(jié)構(gòu)細(xì)節(jié),一定程度上提高了植株圖像重構(gòu)精度。試驗(yàn)結(jié)果證明,在不同采樣率下,p值不同,重構(gòu)效果也不同。當(dāng)p值取0.8時(shí),重構(gòu)精度最高。因此可以得出,非凸低秩加權(quán)l(xiāng)p范數(shù)最小化算法重構(gòu)效果明顯優(yōu)于其它傳統(tǒng)算法。
(3)結(jié)合Dog-Leg最小二乘算法,避免了最快下降法運(yùn)算過(guò)程中因過(guò)于貪婪導(dǎo)致的收斂速度減慢的情況,同時(shí)混合了GaussNewton法的特性,保證了算法整體的穩(wěn)定性。試驗(yàn)結(jié)果證明,Dog-Leg法加快了收斂速度,提高了算法整體重構(gòu)效率,并在一定程度上改善了圖像重構(gòu)精度。
(4)本文分別在無(wú)噪和含噪環(huán)境下對(duì)采集到的單植株與多植株圖像進(jìn)行試驗(yàn)。結(jié)果證明,在兩種環(huán)境下,本文算法不論在重構(gòu)效率還是重構(gòu)精度上,效果都優(yōu)于NLR-CS等其它當(dāng)前主流的壓縮感知算法。
(5)該方法也可進(jìn)一步推廣應(yīng)用于其它場(chǎng)合的圖像采集中,以實(shí)現(xiàn)基于Kinect傳感器的農(nóng)業(yè)植株生長(zhǎng)狀態(tài)監(jiān)測(cè)以及病蟲(chóng)害防治。