基于非抽样Shearlet变换的红外与可见光图像融合方法

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非抽样Shearlet变换(NSST)的融合算法。首先对源图像进行多尺度、多方向NSST分解,得到低频子带系数和各带通方向子带系数;然后,在局部区域结构相似度的基础上,采用基于局部区域能量的方法选择融合图像的低频子带系数;基于脉冲耦合神经网络(PCNN)对带通方向子带空间频率(SF)的响应而得到的点火次数选择融合图像的带通方向子带系数,得到融合图像的NSST系数;最后经过非抽样Shearlet逆变换得到融合图像。实验结果表明:与其他5种相关的融合方法相比,该方法可获得具有更好视觉效果和更优量化指标的融合图像。     

近色背景果实识别的多源图像融合

为提高在近色背景下果实识别的准确性,减少非结构化因素对识别的影响,提出了基于近红外像机和可见光像机组合捕获多源图像进行融合的方法。首先对已配准的多源图像分别进行非下采样轮廓波变换(NSCT),得到高频系数与低频系数;对高频系数采用压缩融合,并通过CoSaMp恢复融合的高频系数;对低频系数进行小波分解,对分解的高频子带采用绝对值最大法进行融合;低频子带则采用基于几何距离和能量距离加权的融合方法,再通过小波逆变换得到融合的低频系数;最后对融合后的高、低频系数进行NSCT重构得到融合图像。试验结果表明,所设计方法有效地保留了图像的边缘轮廓,突出了图像的细节信息,在客观定量评价指标上均优于其他传统方法,其中与小波变换-非下采样轮廓波变换(DWT-NSCT)方法相比,最大提升达到15.59%。     

基于非下采样Shearlet变换的磁瓦表面裂纹检测

针对磁瓦表面裂纹缺陷图像背景不均匀、对比度低和存在纹理干扰等特点,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet transform,NSST)的裂纹检测方法。首先对原始图像进行多尺度、多方向NSST分解,得到一个低频子带和多个高频子带,然后利用各向异性扩散和改进的γ增强方法对高频子带进行滤波和增强;同时利用二维高斯函数对低频子带进行卷积操作来构造高斯多尺度空间,估计出图像的主要背景,并通过背景差法得到均匀的低频目标图像。最后通过重构NSST系数得到去噪和增强后的均匀目标图像,利用自适应阈值分割和区域连通法提取裂纹缺陷。实验结果表明,所提方法检测准确率达92.5%,优于基于形态学滤波方法、基于Curvelet变换方法和基于Shearlet变换方法等现有磁瓦表面裂纹检测方法。     

基于非抽样剪切波变换的遥感图像融合方法

提出了一种基于Mean-shift分割和非抽样剪切波变换(NSST)的多光谱与高分辨率全色图像融合方法。对高分辨率图像进行Mean-shift分割,并利用区域方差将多光谱图像划分为需要进行空间细节增强及需要光谱特征保持的区域;然后利用NSST变换对高分辨率图像和多光谱图像的强度分量进行多尺度分解。分解后的低频子带采用基于四阶相关系数的融合规则进行融合,带通方向子带根据分割所得的区域按区域方差进行融合;最后进行NSST重构得到融合后的强度分量,经IHS逆变换获得高分辨率的多光谱图像。仿真实验表明,与其他4种相关的融合方法相比,该方法能在空间分辨率的提高与光谱信息的保持之间达到良好的平衡,使得融合图像不仅具有较好的光谱保持特性,而且其空间分辨率也能得到有效提高。     

基于改进主动形状模型的生猪耳部区域检测方法

为研究生猪规模养殖中非接触式体温自动筛检方法,以红外热像仪为采集设备,沿侧视角度方向同时采集生猪可见光和红外热图像,经配准、融合获得二者融合图像。在此基础上,提出了一种基于改进主动形状模型的耳部目标区域检测方法。该方法在经典主动形状模型基础上,首先分析生猪耳部轮廓特征对特征点标记方法进行限定;进而结合图像融合中使用的非子采样轮廓变换,以其分解系数作为特征点纹理描述;最后应用骨架端点匹配方法对平均形状初始化的位姿进行改进。应用该方法对50幅测试图像进行实验,重合度大于0.8的检测结果占比达到84%。     

基于提升小波和分形的苹果树多源图像融合算法

针对可见光图像与近红外图像特点，提出了一种基于提升小波和分形的多源图像融合方法。首先将已配准的多源图像分别进行提升小波分解，在各层的低频部分用分形维加权平均融合，高频部分用区域交叉信息熵和能量特性融合；再通过提升小波重构得到融合图像。利用苹果树可见光图像和近红外图像进行了实验，实验结果表明，融合后的图像符合视觉特性，综合性能优于传统小波变换融合方法，有利于对图像作进一步分析、理解和识别。     

基于压缩感知的农作物病虫害图像重构

针对农业病虫害远程诊断系统中对农作物病虫害图像重构精度要求高的问题,提出基于压缩感知的病虫害图像重构方法。利用压缩感知方法,在传感器数据采集端使用测量矩阵对病虫害图像信号进行观测,测量值通过网络被传输至远程监控端后,再使用正交匹配追踪算法对图像进行重构。为了验证提出的重构方法的有效性,在不同的采样数量下,对病虫害图像的重构进行了仿真。结果表明,该方法能高质量地重构病虫害图像。     

基于多源图像融合的自然环境下番茄果实识别

蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。     

基于加权支持向量数据描述的遥感图像病害松树识别

利用安装在无人机平台上的双光谱相机所获取的可见光和近红外遥感图像,采用改进的加权支持向量数据描述多分类算法,实现病害松树识别.首先根据不同内容信息图像的特点,提取双光谱相机所获取的可见光图像和近红外图像各颜色分量作为相应像素点的颜色特征,再通过提取加窗图像块的灰度共生矩阵得到中心像素点的纹理特征,然后利用权重系数为每类样本分别作加权支持向量数据描述,实现松树状态的多输出分类识别,其中权重系数是通过建立关于训练样本中心距离的权重函数所确定.与传统的人工、航空和卫星遥感识别方法不同,利用无人机平台和双光谱相机获取遥感图像,具有可操作性强、费用低廉等优势.试验结果表明,相比传统的支持向量机和支持向量数据描述算法,改进的加权支持向量数据描述多分类算法更能准确地进行病害松树识别.     

基于IHS＿NSCT多光谱图像融合算法的研究

基于无人机多光谱影像的大豆生产状况信息获取是近年来农业信息技术研究的主要方向之一，但大豆生长过程中无人机多光谱图像不同通道间图像存在重叠且合成的多光谱图像分辨率较低。为此，针对传统的IHS变换只能进行3个波段的图像融合且易出现光谱扭曲失真现象，将源图像配准操作消除重叠影响，提取图像中光谱信息更为丰富的强度分量单位，并利用NSCT变换的多尺度、平移不变特性结合分量单位进行高、低频子带的提取和再融合操作，完成MS图像与PAN图像的融合。同时，以信息熵(EN)、相关系数(CC)等参数作为评价指标，得到高分辨率的融合图像。实试结果表明：算法熵值信息和相关系数参数明显优于另两种算法结果，其信息熵值达到7.79,相关系数达到0.97,可见融合算法能够表达作物光谱信息且可为作物营养成分监测任务提供理论与技术支撑。