DOI：10.12133/j.smartag.SA202308005
LI Jiahao, QU Hongjun, GAO Mingzhe, TONG Dezhi, GUO Ya. A multi-focal green plant image fusion method based on stationary wavelet transform and parameter-adaptation dual channel pulse-coupled neural network[J]. Smart Agriculture, 2023, 5(3): 121-131.
DOI：10.12133/j.smartag.SA202308005
官网全文免费阅读
知网阅读
基于PADC-PCNN与平稳小波变换多焦距绿色植株图像融合算法
李嘉豪1， 瞿宏俊1， 高名喆2， 仝德之3， 郭亚1，2，3
（1.江南大学 物联网工程学院“轻工过程先进控制”教育部重点实验室，江苏无锡 214122，中国；2.江南大学物后勤管理处环境中心，江苏无锡 214122，中国；3.绿视芯科技（无锡）有限公司，江苏无锡 214000，中国）
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 Adaptation 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PADC-PCNN-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 Network，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-Coupled 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NSST-PADC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-PCNN-SWT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。
关键词： 多焦距；图像融合；平稳小波变换；参数自适应；脉冲耦合；神经网络
文章图片
图1 NSST变换示意图
Fig. 1 Schematic diagram of the NSST transformation
图2 参数自适应双通道PCNN模型
Fig. 2 Parameter adaptation dual channel Pulse Coupled Neural Network （PCNN） model
图3 基于PADC-PCNN和平稳小波的融合算法
Fig. 3 Fusion algorithm based on PADC-PCNN-SWT
图4 植株三维表型采集系统实物图
Fig. 4 Three dimensional schematic and physical drawings of the plant phenotype acquisition system
图5 多焦距植株源图像
Fig. 5 Multifocal plant source images
图6 基于PADC-PCNN-SWT算法绿色植株融合图像
Fig. 6 Fusion images of green plant based on PADC-PCNN-SWT method
图7 六种算法的多焦距融合图像
Fig. 7 Multifocal length fusion images obtained through the six algorithms
图8 六种算法的局部融合图
Fig. 8 Local fusion images from the six algorithms
图9 不同焦距下的融合图像
Fig. 9 Fusion images at different focal lengths
通信作者简介
郭亚 教授
郭亚，江南大学物联网工程学院副院长、教授，《智慧农业（中英文）》编委。主要研究方向为系统建模与控制、大数据分析和传感器与仪器等。长期从事生物系统建模、大数据分析、传感器与仪器的研究与开发，有丰富的交叉学科研究背景。主持国家自然科学基金国际合作、国家自然科学基金面上、江苏省农业科技自主创新及企业委托等多项项目，以第一或通讯作者发表高水平论文70多篇，授权发明专利5件、实用新型专利5件、软件著作权30件。
来源：《智慧农业（中英文）》2023年第3期
转载请联系编辑部授权
本期支持单位
潍柴雷沃智慧农业科技股份有限公司
淄博数字农业农村研究院
上海赞奇文化科技有限公司
