基于PADC-PCNN 与平稳小波变换多焦距绿色植株图像融合算法

分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》

李嘉豪 瞿宏俊 高名喆 仝德之 郭亚

摘要： ［目的/意义］构建绿色植株三维点云模型需大量清晰图像，受镜头景深限制，在采集大纵深植株图像时 图像会部分失焦，导致出现边缘模糊、纹理细节丢失等问题，现有的处理算法难以兼顾处理质量和处理速度。本 研究目的是提出一种新型算法，提高融合图像质量问题的同时兼顾处理速度。［方法］提出了一种基于非下采样剪 切波变换（Non-Subsampled Shearlet Transform，NSST） 的参数自适应双通道脉冲耦合神经网络（Parameter Adapta⁃ tion Dual Channel Pulse Coupled Neural Network， PADC-PCNN） 与平稳小波变换（Stationary Wavelet Transform， SWT） 的植株图像融合方法。首先对植株的RGB图像进行通道分离，针对含纹理细节等特征较多的G通道进行 NSST分解，低频子带使用梯度能量融合规则，高频子带使用PADC-PCNN融合规则；对轮廓信息和背景信息多的 R、B通道，采用速度快且具备平移不变性的平稳小波变换，用以抑制伪Gibbs效应。自建了480幅图像共8组数 据，以光照环境、距离和植株颜色为变量，同时采集不同焦距图像验证算法性能。［结果和讨论］基于PADCPCNN- SWT算法与常用的快速导向滤波算法（Fast Guided Filter，FGF）、随机游走算法（Random Walk，RW）、非 下采样剪切波变换的脉冲耦合神经网络算法（Nonsubsampled Shearlet Transform based Pulse-Coupled Neural Net⁃ work，NSST-PCNN）、平稳小波变换算法（Stationary Wavelet Transform，SWT） 和非下采样剪切波变换的参数自适 应双通道脉冲耦合神经网络（Nonsubsampled Shearlet Transform based Parameter-Adaptive Dual-Channel Pulse-Cou⁃ pled Neural Network，NSST-PADC） 等五种算法相比，在清晰度上比前四种算法分别提高了5.6%、8.1%、6.1%和 17.6%，在空间频率上比前四种算法分别提高了2.9%、4.8%、7.1% 和15.9%，而相较于融合效果最好的NSSTPADC 算法在处理速度方面平均提升200.0%，同时调焦范围约6 mm。［结论］本研究提出的基于PADC-PCNNSWT 多焦距图像融合算法实现了在保障融合质量的同时，提高了融合图像的效率，为搭建绿色植株三维点云模型 提供高质量数据的同时节省了时间。

 点击量 579  下载量 103  评论