基于压缩感知的植物微环境及生理参数采集方法研究

在ARM平台上,设计了基于压缩感知的采集算法,极大地减少了数据存储量,提高了传输效率。分别选择离散傅里叶变换基(DFT)、离散余弦变换基(DCT)作为稀疏基,测试了该算法在2种基底下的工作性能。通过实验仿真分析,在相同稀疏度条件下,DCT具有更小的稀疏化误差,但是DFT具有更好的去噪效果、更低的观测维度和更高的数据压缩比;随着稀疏度的增大,两者的稀疏化误差减小,观测维度升高,数据压缩比降低。与此同时,还在ARM平台上测试了基于DFT压缩采集系统的压缩比和功耗,与常规植物微环境及生理参数监测系统相比,该系统的压缩比达到4.24,并能够节省13.62%的功耗。综上所述,基于压缩感知的植物微环境及生理参数采集方法由于数据压缩比高,在节省数据存储空间和降低数据传输量的同时,达到了降低系统功耗的目的,间接增强了系统的续航能力。     

苹果夜视图像小波变换与独立成分分析融合降噪方法

对不同人工光源辅助下采集到的夜视苹果图像,通过噪声分析,判定苹果夜视图像的噪声以高斯噪声为主,并混有部分椒盐噪声。针对高斯噪声去除难题,将小波变换(Wavelet transform,WT)与独立成分分析(Independent component analysis,ICA)理论引入夜视图像的处理系统,为了最大程度地降低噪声污染,提出WT-ICA融合降噪方法。通过仿真实验,结果表明融合降噪效果较为理想。为了更好地评价夜视图像的降噪效果,以自然光下的图像为参照基准,提出相对峰值信噪比(Relative peak signal-to-noise ratio,RPSNR)的概念。对所采集到的不同的夜视图像进行多次重复实验,结果表明,从视觉上看WT-ICA降噪方法得到的低噪图像噪点明显减少;从RPSNR看,WTICA得到的低噪图像,分别比原始图像、小波软阈值降噪、ICA降噪方法平均提高29.94%、8.09%、7.54%;白炽灯下的图像处理后的RPSNR最高,适合作为人工光源。WT-ICA融合降噪方法通过连续处理,排除夜视图像的噪声干扰,得到的低噪图像更利于进一步识别,从而为实现苹果采摘机器人的全天候作业打下基础。     

基于Bandelet变换的参数化阈值函数降噪算法

为去噪的同时最大程度地保留蝗虫切片图像细小的边缘与纹理特征,利用Bandelet变换的多尺度特性和图像的几何特性,提出了基于Bandelet变换的参数化阈值函数的去噪算法。首先采用具有平移不变性的平稳小波对图像进行分解,然后利用Birge-Massart策略估计阈值、最小化Lagrange函数取得最佳几何流方向,并利用最小均方误差(MSE)原则优化四叉树,最后采用自适应Bayesshrink参数化阈值函数对图像进行去噪。实验结果表明,本文算法对图像边缘的稀疏表示效果比较理想,降噪后边缘更加清晰,纹理特征更多。对比其他方法,通过本文算法获得的峰值信噪比(PSNR)和结构相似度(SSIM)结果表明,其降噪性能显著提高。说明将基于Bandelet变换的参数化阈值函数算法应用于蝗虫切片图像去噪有效、可行,可为后续研究提供技术支持。     

小波域非局部均值无芒隐子草叶切片盲去噪

在获取无芒隐子草叶切片图像时不可避免受到噪声的污染,易导致后续提取和测量特征参数的不准确。对于自然图像,事先并不知道其所含噪声的类型和方差,因而首先利用小波变换和曲线拟合确定切片图像噪声类型和强度;在此基础上,分别应用小波阈值去噪、非局部均值去噪和提出的非局部均值滤波(NLM)与小波阈值去噪相结合的方法对无芒隐子草叶切片图像进行去噪。实验结果表明:获取的切片图像噪声类型为高斯加性噪声,标准差为σ∈[1. 5,3. 5],用高斯函数对随机选取的10幅切片图像的高频HH子带能量分布进行拟合,拟合优度为R2=0. 990 7;用3种方法对含不同噪声大小的切片图像进行去噪,当噪声标准差为σ∈[1. 5,8]时,应用Beyes Shrink法去噪后,图像的峰值信噪比提高了3 d B,而NLM和本文提出的算法不适用;当噪声标准差为σ∈[8,15]时,NLM算法和提出的算法去噪效果相当,去噪后图像峰值信噪比提高了7. 5d B,应用Beyes Shrink算法提高了6. 5 d B;而当σ∈[15,30]时,使用提出的算法表现出较大的优越性,去噪后图像峰值信噪比提高了10. 53d B,是NLM算法的1. 4倍、Beyes Shrink法的1. 3倍。本文的算法和实验结论可为无芒隐子草切片图像准确降噪提供理论基础。     

基于Meyer窗函数剪切波变换的蝗虫切片图像去噪

蝗虫显微切片图像纹理边缘细节丰富,在图像获取、增强等预处理过程中经常会受到外部噪声的干扰,因此针对蝗虫切片图像去噪同时并保留纹理边缘细节的探索是研究不同蝗虫种类细胞构造的基础。基于张量的传统二维小波因其滤波器各向同性,只能表示水平和垂直两个方向,在去噪的同时会把图像中边缘纹理等细节模糊,而剪切波构造的滤波器各向异性,能够表示多个方向,这些优点使得剪切波可以有效地处理高维数据,在逼近奇异曲线时达到最优逼近。本文提出的基于Meyer窗函数的剪切波算法可以识别出图像边缘和纹理,并在去噪的同时保留纹理,以Meyer小波作为剪切波基函数,利用Meyer小波函数和尺度函数构造窗函数,然后采用Meyer窗函数来建立各向异性剪切波滤波器,再利用该剪切波滤波器对蝗虫切片图像进行多尺度分析,经过剪切波变换获得剪切波系数,最后应用硬阈值方法去除蝗虫切片图像噪声系数,经过逆变换得到蝗虫切片去噪图像。采用经典图像质量评价指标均方误差（MSE）、峰值性噪比（PSNR）、结构相似度（SSIM）对本文算法去噪性能进行评价,在噪声标准差等于30时,将本文算法与Meyer小波、偏微分方程等去噪方法进行比较,其中PSNR比Meyer小波提高2.5dB左右,比偏微分方程算法的PSNR提高2dB左右。仿真试验结果表明,本文算法去噪后的蝗虫切片图像去噪效果明显优于其他传统去噪算法,去噪结果在视觉效果上也优于其他传统去噪算法。     

基于多小波的水电机组振动信号降噪方法研究

多小波可以同时满足对称性,短(紧)支撑性,二阶消失矩和正交性,在信号处理方面比小波更有优势。在多小波分解系数中,当一个系数包含某些信号成分时,其相邻系数也可能包含一定的该信号成分。与传统的小波去噪算法相比,相邻系数法能更好地解决变换系数之间的相关性,获得更好的降噪效果。在模拟振动信号降噪处理中,对信噪比和均方根误差进行定量分析,结果表明多小波相邻系数降噪法要优于小波阈值降噪法。在对水电机组实际采集的振动信号进行降噪研究时,通过对比降噪前后信号振动特征分量的保持完整程度,表明该方法滤波更彻底,保留振动特征分量更完整,是一种更加有效的降噪方法。     

配电网电能质量监测数据压缩传感与重构

针对配电网电能质量(PQ)海量监测数据采集、存储和传输等难点问题,引入压缩传感理论,研究配电网PQ信号压缩传感的实现方法;采用高斯随机测量矩阵获取PQ信号的线性测量值;基于傅里叶基矩阵对压缩感知信号进行正交匹配追踪重构,测试并分析信号稀疏特性、随机测量次数与信号重构精度的关系。试验结果表明,基于傅里叶投影空间的正交匹配追踪算法可对谐波、间谐波等稳态PQ压缩感知信号进行精确重构,重构精度可达数量级。     

蝗虫切片图像Shannon-Cosine小波精细积分混合降噪

在显微镜下采集到的蝗虫切片图像通常同时具有高斯噪声和椒盐噪声。利用同时具有插值性、光滑性、紧支撑性及归一化特性的Shannon-Cosine小波,构造了多尺度插值小波算子,进而构造了去除图像中混合噪声的小波精细积分法。该方法在稀疏描述切片图像时,通过设置稀疏表示阈值,直接消除图像中的椒盐噪声;将图像的Shannon-Cosine小波稀疏表达式直接代入图像降噪P-M模型,将该模型变形为非线性常微分方程组,采用精细积分法求解,可实现图像的保边降噪,消除图像中的高斯噪声。实验结果表明,在满足降噪要求的情况下,本文方法可以较好地保持蝗虫切片图像中的各种纹理结构;随着高斯噪声方差由0.02增加到0.10,降噪图像的PSNR下降了11.67%,远低于其他方法。说明本文方法在处理蝗虫切片图像时具有较强的鲁棒性。采用本文方法描述蝗虫切片图像时,特征像素点只占图像像素总数的10%左右,有效降低了问题规模,提高了求解效率。     

基于改进K-means图像分割算法的细叶作物覆盖度提取

植被覆盖度是重要的农学指标,图像法作为一种方便、快捷、准确度较高的地面测量方法,在该领域得到了广泛应用。图像背景分割是获取植被覆盖度最关键的步骤,已有分割算法的分割对象局限于大叶植物或者长势较为稀疏的作物,针对细叶作物的研究较少,或者未根据分割结果得出更有价值的规律。本文以小麦为例,提出了基于HSV空间的自适应果蝇均值聚类算法(IFOA-K-means),用来分割图像背景,以此作为获取覆盖度变化的理论基础。采用小波分析按比例去噪算法单独对亮度分量去噪,主体分割算法采用自适应步长果蝇算法(IFOA)改进的Kmeans算法对小麦图像进行背景分割,综合了自适应果蝇算法的全局最优和K-means算法的局部最优特点,使分割效果达到最优。其分割效果优于基于遗传算法的最大类间方差分割法,较好地去除了滴灌带等较明显干扰因素,与传统的K-means算法相比,运行时间和峰值信噪比指标都较优,小麦覆盖度准确率在90%以上,与作物系数之间的决定系数为0. 953 1。     

基于结构相似度算法的烟叶光照强度研究

为研究采集烟叶图像时的最佳光照强度范围,提出基于结构相似度算法(SSIM)对采集图像时的不同光照强度进行分析。试验搭建了烟叶图像采集设备,基于人工分级光照标准,采集2 200 lux、2 500 lux、2 800 lux、3 000 lux、3 200 lux、3 500 lux、4 000 lux、4 500 lux等8种光照强度下的中部烟叶图像;然后对图像进行中值滤波不同窗口去噪处理,发现采用3×3窗口时去噪效果明显;其次在CIE L×a×b颜色空间模型下,基于K-means聚类法分割出烟叶图像;最后计算不同光照强度所有组合烟叶样品图像的平均结构相似度并进行光照分析。试验结果表明,在2 800 lux、3 000 lux下,烟叶图像各个组别的结构相似度比较接近,其平均MSSIM范围分别为0.735 3~0.755 2、0.740 1~0.758 8且均小于其他光照下各个组别烟叶的平均结构相似度最小值0.776 2,有利于烟叶分级。该方法可为采集烟叶图像时选择光照强度提供参考方法。     

基于块排序的降噪方法及其在农业图像中的应用

农业图像采集过程中,环境因素常会带来噪声干扰,图像噪声又会对最终信息的分析结果带来影响,因此降噪对提高农业图像处理质量具有重要意义。基于块排序的非局部均值算法是一种有效的图像降噪方法,但是存在处理时间长,对大图像的处理内存要求高等问题。提出了分块优化方法,首先对大图像进行了适应于图像纹理丰富度的图像分块研究,然后分别对每个图像块进行处理。针对处理后的图像块再组合引起的边界效应,采用图像延拓的方法,有效地消除了边界影响,提高了图像降噪效果。实验结果表明,对于一般的硬件设备,改进的块排序非局部均值降噪算法能够快速处理农业中常用的图像。对于尺寸大小为512像素×512像素图像,当噪声标准偏差为50,分块数为16时,改进后的块排序降噪方法能够有效处理噪声图像。分块数为64时的处理速度是分块数为16时的1.89倍。     

基于EMD的联合收获机籽粒损失监测传感器设计与试验

玉米清选损失监测受清选脱出物种类多样、环境噪声复杂等影响严重,为了解决清选损失监测精度差、效率低的问题,设计了一款基于最小能量准则EMD（Empirical mode decomposition）去噪方法的清选损失监测传感器,实现了对采集信号中的振动、工噪和杂余等信号分离。利用Matlab仿真对模拟信号进行去噪,与小波去噪、低通滤波法和移动平均法3种去噪方法相比,基于最小能量准则EMD去噪方法在不同信噪比下均方根误差（RMSE）最小,为0.1698,信噪比（SNR）最高,为12.7453,处理后的信号最接近原始信号。为验证该方法的实用性,以籽粒损失率分别为0、5%、10%、15%和20%的冲击样本开展损失率监测传感器台架试验,结果表明：该传感器最小检测误差为1.8%,最大检测误差为3.9%,对比小波去噪、低通滤波法和移动平均法3种去噪方法所得试验数据,最小能量准则EMD去噪方法的平均误差分别减小了2.12、4.40、6.52个百分点,与仿真试验结果一致。该研究对于提高玉米清选损失率检测精度特别是信号处理过程中去噪方法的研究具有重要意义。     

基于切换字典的林区小气候监测数据压缩感知方法

为降低林区小气候监测站的数据传输功耗,提出了一种切换字典的数据压缩感知方法,在对样本数据进行特征表征与分类的基础上,合理切换使用离散傅里叶变换基（Discrete Fourier transform,DFT）固定字典或K-SVD（K-singular value decomposition）学习字典,对样本数据进行稀疏表达。采用高斯函数对样本数据进行拟合,以拟合决定系数R2和拟合均方根误差（RMSE）为切换因子,定义了字典的切换策略。选用空气温度、空气湿度、土壤温度、土壤湿度作为测试对象,实验验证切换策略的可行性。实验表明,在林区小气候监测站中,当稀疏度和压缩率均相同时,结合DFT和K-SVD两种字典的优势,基于切换字典的数据压缩感知算法比单一字典具有更小的重构误差。经功耗测试实验,当稀疏度K=16时,采用切换字典的数据压缩感知算法,使监测站的平均每日电能消耗降低了16.35%,保证了林区小气候监测站的低功耗运行和数据可靠传输。     

基于小波理论的温室监测图像压缩的研究

以沈阳农业大学北山基地10#棚的温室现场采集图像为原始图像,利用小波理论将温室图像进行压缩仿真试验,通过对分解后的图像进行重构,直接观察温室图像的压缩效果。分析压缩处理数据的峰值信噪比和误差值可知,将小波理论应有于温室图像的压缩处理,具有良好的实用性和可行性。     

薯类农产品视觉图像的去噪方法

针对目前图像处理中的阈值去噪方法存在的问题,探讨了小波阈值法中小波分解层数和小波系数处理算法,在视觉图像阈值去噪中采用了小波分解层数的自适应算法,并针对小波系数处理中硬阈值和软阈值函数存在的问题,提出了一种新的阈值函数用于图像去噪.结果显示:去噪后图像的峰值信噪比PSNR、均方差MSE在最优分解层数下相对传统阈值函数能达到全局最优,同时视觉上的清晰度更好.     

基于小波变换的汽车轮速信号去噪

传统的汽车轮速信号处理方法难以消除干扰信号的影响。根据信号与噪声通过小波变换后在各尺度空间呈现的不同特性,选用Daubechies四阶正交小波（db4）对噪声信号进行多层小波分解,对小波分解的各层细节信号,分别采用软阈值处理方法进行量化处理,然后进行小波逆变换重构信号以达到对信号去噪和恢复的目的。研究结果表明,采用此方法能够有效地去除轮速信号中的各种干扰。     

基于图像自适应分类算法的花生出苗质量评价方法

为了能够快速、准确地获取花生出苗质量,提出了基于机器视觉的花生出苗质量评价方法。首先通过田间自走机器人获取花生图像信息,然后采用机器视觉的方法获取图像中花生苗的数量、花生苗冠层投影面积以及花生苗中心点坐标位置。将花生缺苗率和花生苗活力指数作为花生出苗质量评价指标,以花生苗数量结合花生苗坐标计算花生缺苗率,以花生苗叶片包络面积计算花生苗活力指数。针对花生图像识别易受环境干扰的问题,提出了鲁棒性强的花生苗提取算子,采用K均值聚类方法对花生苗提取算子进行分类,结合花生苗和土壤自适应分类算法,有效地将花生苗从土壤中提取出来。针对花生苗棵数误判现象,提出了采用图像全局分割和区域分割相结合的方法对图像进行分割,并基于形态学方法剔除田地杂草等噪声。试验结果表明:采用机器视觉识别花生苗数量的平均准确率为95.4%,花生苗株距计算平均误差为5.35 mm,验证了所提出的图像自适应分类算法的可行性。基于机器视觉所得花生缺苗率结果与人工测量结果两者之间的相关性为0.991(皮尔逊相关系数),人工评价与基于机器视觉评价具有较高的一致性。