基于Dog-Leg正则化自适应压缩采样的植株图像重构

摘要

目标植株的图像压缩与重构在农作物生长状态检测、田间管理和果树病虫害识别等方面有重要作用.传统的图像压缩感知方法存在重构精度低、时间长等问题.针对这些情况,该文提出一种基于Dog-Leg最小二乘的正则化自适应压缩采样匹配追踪(regularized adaptive compressed sampling matching pursuit based on Dog-Leg,DLRaCSMP)算法.该算法以压缩采样匹配追踪(compressive sampling matching pursuit,CoSaMP)算法为基础,在迭代过程中采用正则化处理,确保支撑集选取的准确性,并结合变步长自适应思想和Dog-Leg最小二乘算法,在实现稀疏度自适应的同时,提高重构速率;选用Kinect获取目标植株的彩色图像,分别采用HSV彩色空间的亮度和色调特征及Sobel算子的轮廓特征输入至Itti模型中融合构建显著性特征图,以简化复杂背景和突出目标植株.试验结果表明,该算法在采样率为0.50时植株原始图像和显著性特征图的重构时间分别为2.14和1.75 s,较CoSaMP算法分别缩短6.57和6.31 s,重构效率比CoSaMP算法平均分别提高75.5％和77.9％;图像峰值信噪比分别高达35.16和38.93 dB,较CoSaMP算法分别提高6.12和5.75 dB,且重构精度比CoSaMP算法平均分别提高21.6％和15.5％,可以实现植株图像的快速精确重构.