沈 躍，李尚龍，劉 慧，劉加林

基于Dog-Leg正則化自適應(yīng)壓縮采樣的植株圖像重構(gòu)

沈 躍，李尚龍，劉 慧※，劉加林

（江蘇大學(xué)電氣信息工程學(xué)院，鎮(zhèn)江 212013）

目標(biāo)植株的圖像壓縮與重構(gòu)在農(nóng)作物生長狀態(tài)檢測、田間管理和果樹病蟲害識別等方面有重要作用。傳統(tǒng)的圖像壓縮感知方法存在重構(gòu)精度低、時間長等問題。針對這些情況，該文提出一種基于Dog-Leg最小二乘的正則化自適應(yīng)壓縮采樣匹配追蹤（regularized adaptive compressed sampling matching pursuit based on Dog-Leg，DLRaCSMP）算法。該算法以壓縮采樣匹配追蹤（compressive sampling matching pursuit，CoSaMP）算法為基礎(chǔ)，在迭代過程中采用正則化處理，確保支撐集選取的準(zhǔn)確性，并結(jié)合變步長自適應(yīng)思想和Dog-Leg最小二乘算法，在實現(xiàn)稀疏度自適應(yīng)的同時，提高重構(gòu)速率；選用Kinect獲取目標(biāo)植株的彩色圖像，分別采用HSV彩色空間的亮度和色調(diào)特征及Sobel算子的輪廓特征輸入至Itti模型中融合構(gòu)建顯著性特征圖，以簡化復(fù)雜背景和突出目標(biāo)植株。試驗結(jié)果表明，該算法在采樣率為0.50時植株原始圖像和顯著性特征圖的重構(gòu)時間分別為2.14和1.75 s，較CoSaMP算法分別縮短6.57和6.31 s，重構(gòu)效率比CoSaMP算法平均分別提高75.5%和77.9%；圖像峰值信噪比分別高達(dá)35.16 和38.93 dB，較CoSaMP算法分別提高6.12 和5.75 dB，且重構(gòu)精度比CoSaMP算法平均分別提高21.6%和15.5%，可以實現(xiàn)植株圖像的快速精確重構(gòu)。

圖像重構(gòu)；算法；壓縮感知；最小二乘法；顯著性特征圖；邊緣檢測

0 引 言

圖像采集與重構(gòu)是機(jī)器視覺技術(shù)發(fā)展的關(guān)鍵技術(shù)之一[1-2]。近年來，隨著農(nóng)業(yè)信息化和自動化的不斷發(fā)展，圖像的壓縮重構(gòu)在農(nóng)作物生長狀態(tài)檢測、田間管理、植物微環(huán)境生理參數(shù)采集和果樹病蟲害識別等方面起到了重要作用[3-6]。當(dāng)前信息需求量持續(xù)增加，信號帶寬越來越寬，如何高速率高質(zhì)量地對圖像進(jìn)行壓縮采集并重構(gòu)已成為研究熱點(diǎn)和重點(diǎn)[7-8]。比起香農(nóng)采樣定理對采樣率至少達(dá)到原始信號帶寬2倍以上的要求[9]，采樣與壓縮并行的壓縮感知理論有效地克服了傳統(tǒng)采樣定理高采樣率的缺陷，為信息的傳輸提供了新的途徑[10]。

在農(nóng)業(yè)植株的檢測與識別過程中[11]，目標(biāo)對象的識別是首要解決的問題。Itti等[12]提出的自下而上的顯著性模型，通過初級特征的提取，獲取顯著性特征圖，從而彰顯目標(biāo)物體，但是提取效果并不突出。高超等[13]針對植株微環(huán)境及生理參數(shù)在ARM（advanced RISC microprocessor）平臺上設(shè)計了基于壓縮感知的采集算法，在節(jié)省數(shù)據(jù)存儲空間和降低數(shù)據(jù)傳輸量的同時，一定程度上也降低了系統(tǒng)的功耗，但是對于不同尺度和背景下的植物信息采集并沒有驗證。代媛等[14]提出了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通用并行計算平臺設(shè)計出對應(yīng)的并行化重構(gòu)算法，初步提高了蘋果圖像的重構(gòu)效率，但是并沒有保證蘋果圖像的重構(gòu)質(zhì)量，且未能消除復(fù)雜背景。廖勇等[15]提出了一種變步長正則化自適應(yīng)壓縮采樣匹配追蹤算法，該算法改進(jìn)了稀疏度自適應(yīng)匹配追蹤算法（sparse adaptive matching pursuit，SAMP）固定步長帶來的精度不夠以及過度估計問題，一定程度上提高了重構(gòu)方法的重構(gòu)精度，但在迭代優(yōu)化上仍沿用最快下降算法，在求解函數(shù)時，存在過于貪婪導(dǎo)致收斂速度較慢，重構(gòu)效率不高。

本文在前人研究基礎(chǔ)上，通過Kinect V2.0獲取植株RGB圖像，并將其轉(zhuǎn)換成HSV色彩空間獲得植株亮度圖和色調(diào)圖，采用Sobel邊緣檢測算法獲得植株輪廓圖，最后把3幅圖輸入至Itti模型中進(jìn)行融合得到植株顯著性特征圖；算法上以壓縮采樣匹配追蹤（compressive sampling matching pursuit，CoSaMP）算法為基礎(chǔ)，在候選原子集時采用正則化處理，再利用回溯思想對其進(jìn)行篩選，迭代優(yōu)化過程中，采用Dog-Leg最小二乘算法加快收斂速度，再比較相鄰重構(gòu)過程獲得的殘差值大小，設(shè)定相對閾值調(diào)整步長，通過大步長快速接近，縮短重構(gòu)時間，小步長精確逼近保證重構(gòu)精度，從而實現(xiàn)信號快速并精確地重構(gòu)。

1 壓縮感知與重構(gòu)算法

1.1 壓縮感知理論基礎(chǔ)

壓縮感知理論主要由稀疏表示、測量矩陣和重構(gòu)算法[16]三部分組成。稀疏表示是壓縮感知的先驗條件，常用的稀疏基有離散余弦變換基（discrete cosine transform，DCT）[13]、Curvelet基[17]、Gabor基[18]以及冗余字典[19-20]等。測量矩陣需要滿足等距約束性條件[21-22]才能精確重構(gòu)原始信號。重構(gòu)算法是壓縮感知中最為關(guān)鍵的一部分，也是本文的研究重點(diǎn)。

得到觀測值之后，根據(jù)稀疏重構(gòu)關(guān)系，通過合適的重構(gòu)算法可以實現(xiàn)信號的重構(gòu)。理論證明，采用最小0范數(shù)方法求解可以獲得稀疏解