Harris角点自适应检测的水稻低空遥感图像配准与拼接算法

图像配准和拼接的自动化是微小型无人机能否被广泛应用于水稻长势低空遥感监测的关键技术之一。为了改进Harris角点检测算法中阈值需要人为设定的局限,文章提出了基于Harris角点自适应检测的水稻低空遥感图像配准与拼接算法。该算法在Harris角点检测算法的基础上进行改进,采用基于图像像素灰度值标准差标准化的方法进行角点的自适应确定,并对角点进行特征描述,利用角点特征描述算子之间的欧式距离进行配准。为了验证算法的有效性并进行相关参数的优化,采用多旋翼无人直升机获取了水稻长势的低空遥感图像,并设计了重复率(衡量角点检测的稳定性)、辨识率(衡量角点描述算子的辨识度)、配准率(衡量图像的拼接精度)以及运行时间(衡量算法的运算速度)4个评价指标对配准与拼接的结果进行评判。随机选取获得的低空遥感图像分成3组进行测试,试验结果表明,平均配准率达到了98.95%,且各组图像之间的重复率与配准率差异不显著(显著性水平为0.05),说明改进后的算法稳定。设计了角点自适应检测算法阈值参数的优选试验,阈值参数为标准化处理后的图像像素灰度值标准差,方差分析结果表明,图像像素灰度标准差为1和2时配准率的差异不显著(显著性水平为0.05),但当图像像素灰度标准差为1时,图像配准与拼接平均运行时间是其为2时的2.5倍,因此,可设定图像像素灰度标准差为2作为本算法的较优参数。     

苹果采摘机器人中的图像配准技术

为了减少自然环境下的光线干扰,采用一个彩色相机和一个深度相机获取目标物的图像,利用多源传感器信息融合与互补方法,实现多目标图像的精确配准。基于TOF（time of flight）技术的PMD（polarization mode dispersion）相机,能实时获得强度图像和深度信息。以苹果树为研究对象,采用Harris检测提取特征点,在归一化互相关系数法的基础上运用邻域的支持强度实现了PMD图像与彩色图像的同名点配准。对自然场景中共50组图片进行试验验证,该方法顺光条件下正确匹配率达到85.75%,逆光条件下的匹配率是79.57%,能满足光线变化的图像精确配准的要求。     

基于EM-PCNN的果园苹果异源图像配准方法

针对果园环境下双目采集系统采集的飞行时间（Time of Flight,ToF）与可见光异源图像间匹配精度差的问题,该研究提出一种基于局部峰值的目标显著区域提取策略及最大期望算法的脉冲耦合神经网络分割的ToF与可见光果园苹果图像配准方法。首先,利用高斯差函数计算可见光图像中显著性区域,对可见光图像的红绿分量进行预处理;然后,以图像局部灰度值的二维正态分布作为目标分量,使用Otsu提取具有固定阈值的前景作为局部峰值提取策略,对ToF与可见光图像初步筛选特征区域,利用最大期望算法改进脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）动态阈值,使用局部图像梯度计算链接强度计算链接强度,利用图像区域方差改进终止条件,提出一种基于最大期望的脉冲耦合神经网络（Pulse Coupled Neural Network based on Expectation Maximization,EM-PCNN）算法对预选区域进行精细化分割;接着计算连通区域不变矩,利用不变矩特征原理寻找目标中心同名点,进一步筛选特征区域;最后,同名点进行随机抽样一致算法（Random Sample Consensus,RANSAC）提纯,将提纯后的同名点坐标代入变换模型计算模型参数,完成配准。在不同光照条件下均方根误差达3.05～4.75,配准点达3～5。EM-PCNN算法对两组ToF置信图像分割的准确率分别为96.62%和73.84%。试验结果表明该方法对双目采集系统采集的ToF与可见光异源果园苹果图像可实现较好配准效果,且对图像平移、旋转、缩放均具有可抗性。研究结果对ToF与可见光异源图像在果园环境下自动配准提供了技术参考。     

基于可视化类库的植株三维形态配准方法及点云可视化

精确的植物三维静态形态结构模型有助于植物空间结构相关的各种研究,是虚拟植物、植物建模等问题研究的一个重要方面。研究植物生长过程中的三维信息的获取可以获得作物生长过程中各参数的动态数据,可为精细农业植物生长模型建立等提供依据。该文以植物为研究对象,介绍了虚拟植物及植物三维可视化的研究现状,讨论了植物叶片三维可视化的可行性及必要性。针对植物三维点云的采集与处理上,讨论了三维扫描仪的精度测定方法,并针对基于基准体的植株点云配准问题,提出采用基准体点云平均法向量计算的方法,去除了部分基准体表面的噪声点,提高了植株体的配准精度;采用迭代最近点（iterative closest point,ICP）算法,对植株叶片进行进一步的高精度配准。最后采用基于可视化类库VTK(visualization toolkit)实现了植物点云配准与三维可视化。     

像素自相关矩阵的阈值自适应角点检测算法

针对Harris角点检测算法中角点响应函数(corner response function,CRF)系数阈值与非极大值抑制系数阈值需要人为设定所造成的可变性和随机性等问题,该文提出一种通过计算图像每个像素的自相关矩阵行列式值,构造特征角点图像进行自适应阈值分割的改进Harris角点检测算法.该算法首先通过计算原图像经过方向滤波和低通滤波后各像素的自相关矩阵行列式值,以此构造特征角点图像;然后采用OTSU算法计算特征角点图像分割阈值,从而筛选出预选区域;最后结合改进的非极大值抑制方法提取有效角点.通过5组角点检测对比试验结果数据分析,不同类型图像的角点检测准确率均有提高,高分二号遥感影像的角点检测准确率提高27.06个百分点,可以初步得出,该算法相比传统Harris角点检测算法不但能够自动计算角点检测的最佳阈值,而且能够更准确地定位角点和去除边缘伪角点,从而提高了角点检测的精确度,该研究可为农业遥感影像数据检测提供参考.     

基于图像配准分析物种进化关系的新方法

图像配准是图像处理的一个重要技术,可用于分析两幅图像之间的相似度.本文提出了一种基于图像配准分析物种进化关系的新方法：首先利用一阶马尔可夫链方法计算不同基因组序列的寡聚核苷酸转移概率矩阵;然后将转移概率矩阵转换为彩色图像矩阵,并绘制物种两两之间彩色图像矩阵的联合直方图;最后分析联合直方图点集的分布情况,引入直方图点集的散度公式,将其作为相似性测度的标准,从而鉴定物种亲缘关系的远近.100种细菌全基因组的计算结果表明,相较于单基因法或基于基因组寡聚核苷酸频率组分差异信息的方法,本文提出的新方法具有更高的准确度和分辨力,它不仅能够很好地分辨科以下的分类单元,而且对科以上的分类单元同样具有较好的区分效果.该方法有望发展成为物种鉴定及系统发育推断的有效手段.     

基于图像特征点粒子群聚类算法的麦田作物行检测

为了快速准确地提取麦田作物行中心线,提出了基于图像特征点粒子群聚类算法的麦田作物行检测。首先,对自然光照下获取的彩色图像运用"过绿颜色因子图像灰度化"、"Otsu图像二值化"、"左右边缘中间线检测提取作物行特征点算法"3步对图像进行预处理。然后,根据农田作物行中心线周围区域的特征点到该直线的距离均小于某一距离阈值的特征,运用粒子群优化算法对每一作物行的特征点分别进行聚类。最后,对每一类的特征点用最小二乘法进行直线拟合获取麦田作物行中心线。试验结果表明,该算法可以对作物断行、杂草、土块等复杂农田环境下的图像进行有效地作物行检测,识别率达95%,识别误差小于3°。与标准Hough算法相比,运行速率提升了一倍。该文可为实现农业机器人田间作业提供参考。     

基于射线轮廓点匹配的生猪红外与可见光图像自动配准

为研究生猪多源图像特征提取方法及生猪体表温度与生猪异常的关系特征,该文提出一种基于射线轮廓特征点匹配的红外与可见光图像自动配准方法。采用红外热像仪,同时采集相同猪舍场景的可见光图像和红外热图像,以红外热图像中生猪区域质心为中心间隔均匀角度构建辅助射线,提取射线与边缘轮廓交点构建匹配特征点集,通过计算不同尺度变换因子下特征点集间的加权部分Hausdorff距离作为测度,引入RPROP算法进行迭代加速,实现了可见光图像和红外热图像的快速自动配准。试验中,应用该文算法对50对红外和光学图像进行了测试,所提出自动配准方法配准成功率达到94%,平均配准误差小于1像素,试验结果表明自动配准效果达到或超过手动配准的效果,为进一步研究生猪多源图像异常特征提取奠定基础。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

NOAA与TM图像配准方法的研究

详细论述了ＮＯＡＡ图像ＧＫ、ＵＴＭ投影及与ＴＭ图像配准的方法,通过ＮＯＡＡ图像与ＴＭ的复合,充分发挥了ＮＯＡＡ监测面积大、实效快及ＴＭ分辨率高等各自的优势,取得了良好效果。     

基于混沌免疫算法和遥感影像的土地利用分类

为提高利用遥感影像进行土地利用分类的精度，采用了基于混沌免疫算法(Chaos Immune Algorithm)的多光谱遥感影像分类方法。首先应用混沌免疫算法对样本进行自学习得到全局最优的聚类中心，然后通过得到的聚类中心对整幅影像进行分类。该方法利用混沌变量的遍历性，进行粗粒搜索，优化免疫算法的初始抗体群；通过克隆选择算子、变异算子、抗体的循环补充操作，避免陷入局部最优解，得到全局最优的聚类中心。在对淮南矿区采用TM影像进行的土地利用分类中，试验结果表明该方法分类总精度为89.9％，Kappa系数为0.8     

基于优化点匹配模式的农作区遥感影像融合分类

利用遥感影像进行农作物长势监测及估产中,对所用多源影像进行恰当的影像融合是正确解译的重要前提,在传统的基于灰度的影像匹配融合模式中,存在着高运算量和精度不高的问题,该文使用一种基于优化点匹配模式进行农作区遥感影像融合方法,对不同传感器的两景西北农作区遥感影像进行了融合分析验证。所用两景ASTER和SPOT图像匹配总体误差RMS=0.8965,融合后的影像总体分类精度提高到89.67%。     

基于波段权重的多尺度Retinex遥感图像渐晕校正方法

针对传统函数逼近法存在的校正质量不稳定、耗时长以及Retinex算法存在的光晕、泛灰和光谱数据失真的问题,该文提出了一种带光谱恢复的多尺度Retinex渐晕校正方法。通过对无人机遥感图像全局亮度的估计以及光谱恢复因子的引入,实现无人机遥感光谱图像的渐晕校正。利用该文方法对遥感图像进行处理,并与基于高斯曲面的函数逼近法和多尺度Retinex算法结果进行对比,依据灰度分布情况、标准差、平均梯度、清晰度、光谱相关系数以及光谱角指标进行评价分析。试验结果表明,该文提出的方法可以取得较好的渐晕校正效果,结果不存在光晕、泛灰现象,结果的平均梯度和清晰度均值分别为0.077 4和49.33,相较原始图像和函数逼近法以及多尺度Retinex算法处理结果,平均梯度分别提高了5.94%、5.56%和4.78%,清晰度分别提高了8.94%、6.79%和6.63%,该文方法校正图像的对比度和清晰度更优,方法具有较好的渐晕校正效果。     

基于卷积神经网络和重排序的农业遥感图像检索

卷积神经网络具有很强的分类能力,并在图像分类等应用中取得显著成效,但遥感图像检索应用中还较少利用该分类能力。为了提高农业遥感图像检索性能,该文提出一种利用卷积神经网络分类能力的遥感图像检索方法。首先利用微调的卷积神经网络模型提取查询图像的检索特征和估计查询图像的每个类别权重,然后利用根据CNN模型判断的检索图像类别和初始排序结果计算类别查准率,根据查询图像的类别权重和类别查准率计算加权类别查准率,最后根据加权类别查准率对图像类别进行排序,并根据排序结果对初始检索结果进行重排序,从而得到最终的检索结果。试验结果表明:该检索方法在PatternNet数据集中平均查准率达到97.56%,平均归一化调整后的检索秩达到0.0201;在UCM_LandUse数据集中平均查准率达到93.67%,平均归一化调整后的检索秩达到0.049 2,较之其他遥感图像检索方法下降0.2358,降幅超过82.7%;平均每张检索图像重排序时间大约是初始排序时间的1%。该文提出的重排序方法可以得到更好的遥感图像检索结果,提高了遥感图像检索性能,将有助于农业信息领域信息化和智能化。     

基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。     

基于非线性降维时序遥感影像的作物分类

当前基于时序遥感数据的作物分类方法大都需要较多专家知识及人工干预,难以自动化,也难以移植到其他地区。将光谱降维技术用于时序遥感影像分析可以很好地解决这一问题。其中,非线性降维方法已经成功应用于高光谱数据,并且获得了比线性降维方法更好的结果。但是,直接将非线性降维方法用于时序遥感影像无法充分利用其时相维度的信息。该文改进了一种非线性降维算法——Laplacian Eigenmaps(LE)用于时序遥感影像的作物分类,该方法更加关注相同时相下不同作物生长季的物候特征差异,而不再仅依赖于整个生长季的物候曲线轮廓。改进的LE算法被应用于美国伊利诺伊州覆盖作物全生长季的Landsat 8时间序列影像。降维后保留的波段结合随机森林分类器基于美国农业部Cropland Data Layer(CDL)提供的训练数据完成了一系列的分类试验,并与传统插值未降维的方法进行对比。试验结果表明,改进的LE降维方法完成了更高的整体及各个类别的分类精度,其中整体分类精度达到85.37%,该方法作为一种自动化的方法,不需要人工干预,可直接移植到其他研究区,并且只需要较少的训练样本就可以完成一个较高的分类精度,为日后不同尺度的作物识别和提取研究提供了有效的方法。     

基于鱼体特征点检测的淡水鱼种类识别

针对传统机器视觉技术对淡水鱼种类进行检测时特征提取过程复杂的问题,该研究提出了基于特征点检测的淡水鱼种类识别方法。以鳊、鳙、草鱼、鲢、鲤5种大宗淡水鱼为对象,构建了淡水鱼特征点检测数据集;以AlexNet模型为基础,通过减小卷积核尺寸、去除局部响应归一化、引入批量归一化、更换损失函数,构建了改进AlexNet模型用于特征点检测;并以特征点为依据提取特征值、构造特征向量,使用Fisher判别分析方法实现了淡水鱼的种类识别。试验结果表明：改进AlexNet模型在测试集上的归一化平均误差的均值为0.0099,阈值δ为0.02和0.03时的失败率F_0.02、F_0.03分别为2.50%和0.83%,具有较好的精准度和误差分布情况;基于该模型和Fisher判别分析的淡水鱼种类识别方法对5种淡水鱼的识别准确率为98.0%,单幅图像的平均识别时间为0.368 s,保证了时效性。由此可知,提出的改进AlexNet模型能实现淡水鱼的特征点检测并具有较高的精度,可为淡水鱼种类识别、尺寸检测、鱼体分割等提供条件,该方法可为淡水鱼自动化分类装置的研发奠定基础。     

基于无人机影像的农情遥感监测应用

该文以中国农业科学院（万庄）农业高新技术产业园及周边地区4.2×3.1 km的范围为研究区域,利用无人机搭载RICOH GXR A12型相机进行了航拍试验,主要测试了定位定向系统（positioning and orientation system,POS）数据辅助下光束法区域网平差方法平面定位及面积测量精度,以及无人机影像的作物面积识别精度。结果表明,在无控制点约束条件下,直接采用POS数据进行光束法区域网平差后,以中误差表示的平面定位精度为X轴方向（东西方向）中误差为2.29 m,Y轴方向（南北方向）中误差为2.78 m,整体平面中误差3.61 m;采用3阶一般多项式模型进行几何精校正,X轴方向中误差为1.59 m,Y轴方向中误差为1.8965 m,整体平面中误差为2.32 m,符合《数字航空摄影测量空中三角测量规范》中对1∶10 000平地的平面精度要求,能够满足农作物面积遥感监测中作物面积调查定位精度的要求;采用监督分类和面向对象分类2种方法,对面积评价区域种植的春玉米、夏玉米、苜蓿和裸土4种地物类型进行分类,以差分GPS调查结果为评价标准,4种作物总体识别精度分别达到了88.2%（监督分类）和92.0%（面向对象分类）,单独分类精度分别为88.9%、86.7%、93.0%、86.6%和90.35%、92.61%、94.93%、93.30%。研究结果说明了无人机遥感影像获取小范围、样方式分布的作物影像方面具有广泛的应用前景,推广后能够满足全国农作物地面样方对高空间分辨率影像的需求,可以部分替代现有人工GPS测量的作业方式。     

无人机可见光遥感和特征融合的小麦倒伏面积提取

倒伏是造成小麦减产和品质下降的主要原因之一。为快速准确地提取小麦倒伏面积,给农业保险理赔及灾后应急处置提供数据支持,该研究采用无人机遥感平台获取小麦倒伏后的冠层红绿蓝（Red-Green-Blue, RGB）可见光图像,并进行数字表面模型（Digital Surface Model,DSM）图像提取,计算了过绿植被（Excess Green, EXG）指数,利用ArcGIS中的镶嵌工具将不同图像特征进行融合,得到DSM+RGB融合图像和DSM+EXG融合图像,利用最大似然法和随机森林法对2种特征融合图像进行监督分类提取小麦倒伏面积,并与仅基于RGB可见光图像和DSM图像提取倒伏面积结果对比。结果表明,2种方法对4种图像进行小麦倒伏面积提取的整体趋势一致,且最大似然法提取效果整体优于随机森林法,基于最大似然法对RGB图像、DSM图像、DSM+RGB特征融合图像、DSM+EXG特征融合图像提取倒伏小麦面积的整体精度分别为77.21%、93.37%、93.75%和81.78%,Kappa系数分别为0.54、0.86、0.87和0.64,对比分析发现DSM+RGB特征融合图像提取小麦倒伏面积精度最高。该研究表明通过图像特征融合的方法能够有效提取倒伏小麦信息,为快速提取小麦倒伏面积提供参考。