基于非凸低秩优化的压缩感知植株图像重构

摘要

目标植株图像压缩重构对于图像的高效传输及存储意义重大,同时为后期植株生长状态检测及病虫害识别奠定了基础。传统图像压缩感知方法大多是针对信号在某个特征空间的稀疏性进行的,并没有考虑信号的局部特征与结构化特性,存在重构效率不高、重构精度较低等问题。针对以上情况,提出一种基于非凸低秩优化的压缩感知植株图像重构算法。首先通过KinectV2.0采集植株图像深度数据并进行预处理,结合K-means与Mean-shift聚类算法提取目标植株有效区域,再考虑图像的非局部自相似性,采用加权lp范数最小化算法(WSNM)求解低秩优化问题,较好地保留了图像结构细节,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。试验结果证明,该算法在不同采样率下的植株图像重构质量优于其它同类算法,尤其在低采样率下重构效果更为突出。