CN112561883A - 农作物rgb图像重建高光谱图像的方法 - Google Patents
农作物rgb图像重建高光谱图像的方法 Download PDFInfo
- Publication number
- CN112561883A CN112561883A CN202011494670.5A CN202011494670A CN112561883A CN 112561883 A CN112561883 A CN 112561883A CN 202011494670 A CN202011494670 A CN 202011494670A CN 112561883 A CN112561883 A CN 112561883A
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- pixel
- matrix
- rgb
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 89
- 238000006243 chemical reaction Methods 0.000 claims abstract description 70
- 230000003595 spectral effect Effects 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 23
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 14
- 238000011161 development Methods 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种农作物RGB图像重建高光谱图像的方法,利用普通相机和高光谱相机,在相同的环境下进行图像采集,并利用标记点进行坐标系转换,使两类图像的坐标系转换到同一坐标系下;通过数据清洗,使两类图像的大小一致、像素点一一对应;再利用两类图像采集的数据,建立矩阵方程,并计算获取普通相机RGB图像到高光谱图像的转换矩阵;利用转换矩阵,实现RGB图像到高光谱图像的转换;进一步采用Hermite分段插值算法,进行多项式插值,使光谱曲线扩展拟合,得到高光谱扩展频点上的光谱图像。本发明能大幅度降低利用图像处理技术进行农作物病害检测的成本,并弥补了采用高光谱相机不能进行特定频率光谱图像采集的弊端,适用于在扩展频点上对新型病害的检测。
Description
技术领域
本发明涉及一种农作物RGB图像重建高光谱图像的方法,属于农作物智能监控技术领域。
背景技术
从农业当下发展看,智慧农业能够以科技引领农业领域向智能化、高质量发展。作为智慧经济形态在农业中的具体表现,智慧农业将计算机技术、物联网技术运用到传统农业中去,从而使得农业生产逐步挣脱了“看天吃饭”、“卖力种田”的束缚。温室大棚中,通过计算机屏幕就能检测、调整适宜的空气温湿度、土壤湿度、二氧化碳浓度及各种农作物生长环境参数;广阔田野上,先进的农业机械,能够“多快好省”地完成播种、收割工作。智慧农业促进农业高质量发展,为农业产业发展,奠定了坚实基础。
农作物病害是指农作物在生物或非生物因素的影响下,发生的形态、生理和生化上的病理变化,会阻碍植物正常生长、发育和结果的进程。精细化管理是全球农业发展的必然趋势,其技术基础是农田及农作物信息的获取,其中如何快速实时获取农作物病害信息,是实现农业精细化管理,提高农作物产量、质量的关键问题。
基于农作物图像的病害检测技术,主要有基于叶脉特征的农作物叶面病害的早期检测、基于图像纹理特征的农作物叶面病害检测、基于光谱特征的农作物叶面病害检测等技术手段,其中,采用高光谱相机拍摄的指定光谱频率的图像,利用光谱特征进行农作物叶面病害检测,是目前主流的检测手段。
在实际农业生产过程中,存在高光谱相机成本高、体积较大、重量较重等问题,特别是利用无人机进行拍摄,将加大无人机的载荷,进一步提升了农业生产的成本;另一方面,高光谱相机中,根据相机内的光学器件及电子器件的具体设计,通常会预设一定的光谱频段,并只能在这一系列的光谱频段上进行成像。当需要对特定病害进行分析时,高光谱相机不能采集到非预设频点上的光谱特性,将不能实现在指定频率上的光谱成像及相应的病害分析。
因此,如何利用普通相机拍摄的RGB图像,重建出高光谱相机拍摄的光谱图像,并实现光谱的连续化,满足对特定频率光谱成像的需求,成为利用光谱特性进行农作物病害检测的重要技术之一。农作物RGB图像重建高光谱图像的方法,将大幅度减少病害检测的成本,可大面积推广应用于智慧农业生产实践中。
发明内容
本发明的目的在于克服现有技术存在的上述问题,提供一种农作物RGB图像重建高光谱图像的方法。本发明能大幅度降低利用图像技术进行农作物病害检测的成本,并弥补了采用高光谱相机不能进行特定频率光谱图像采集的弊端,可用于在扩展频点上对新型病害的检测。
为实现上述目的,本发明采用的技术方案如下:
一种农作物RGB图像重建高光谱图像的方法,其特征在于,包括如下步骤:
a、农作物图像数据采集:
在相同环境下,利用普通相机和高光谱相机,分别进行农作物图像采集;
b、图像像素坐标系转换:
采用莫洛金斯基七参数模型进行坐标系转换参数的计算,使两类图片的坐标系转换; c、数据清洗:
通过数据清洗,使两类图片的大小一致、像素点一一对应;
d、RGB图像到高光谱图像的转换:
建立普通相机的RGB采集矩阵以及高光谱相机的强度矩阵,利用最小二次法,计算获取最小均方差情况下的转换矩阵,使RGB图像转换为高光谱图像;
e、高光谱曲线扩展拟合:
采用Hermite分段插值算法,进行多项式插值,使光谱曲线扩展拟合,得到高光谱扩展频点上的光谱图像。
所述步骤a中,所采集农作物四周,部署4个标记点Q1、Q2、Q3、Q4,用于后续对图像的定位及相机坐标系的转换;所采集的图像,为普通相机的RGB图像和高光谱相机在不同频段上的多幅图像;普通相机采集的图像为A,高光谱相机采集的图像为B,高光谱相机的频段数量为n,则高光谱相机的n个频段采集的图像为Bi(i=1,2...n)。
所述步骤b中,在普通相机采集的图像A上,记录标记点Q1、Q2、Q3、Q4的像素坐标为XA=(xA,i,yA,i),其中i=1,2,3,4为4个标记点序号;在高光谱相机采集的图像 Bi(i=1,2...n)中,任意选取一幅图像,记录标记点Q1、Q2、Q3、Q4的像素坐标为 XB=(xB,i,yB,i),其中i=1,2,3,4为4个标记点序号。
所述莫洛金斯基七参数模型坐标转化公式为XB=Xp+(1+α)R(XA-Xp)+dX,其中, Xp为过渡点坐标,通过Q1、Q2、Q3、Q4点求取几何重心获取,在方程中可看为已知值; XA、XB为在图像上Q1、Q2、Q3、Q4点采集的两个坐标系的坐标矢量,dX为三个坐标的平移量,α为缩放量尺度参数,R为三个坐标轴的旋转角度生成的旋转矩阵;平移量 dX、缩放量α以及选旋转量R的三个旋转角度ωx、ωy、ωz,即为利用莫洛金斯基模型待求解的七个参数,待求的7个参数向量可表示为Y={dx,dy,dz,ωx,ωy,ωz,α};其中旋转矩阵可表示为三个子矩阵的乘积:
由此可见,矩阵方程XB=X0+(1+α)R(XA-X0)+dX为非线性方程,采用高斯牛顿法,利用迭代算法,求解非线性方程,最终求解出7个参数向量Y={dx,dy,dz,ωx,ωy,ωz,α},完成坐标转换。
所述坐标转换具体计算步骤如下:
1、给定初值Y0;
2、由莫洛金斯基矩阵方程的函数形式f(X)=X-[Xp+(1+α)R(XA-Xp)+dX],通过对f(X)的微分计算,获取雅克比矩阵表达式J;代入Y0,计算J(Y0);
3、计算H(Y0)=JT(Y0)*J(Y0),B(Y0)=-JT(Y0)*f(Y0),其中 f(X)=X-[Xp+(1+α)R(XA-Xp)+dX];
4、求解方程H*△Y=B,解出△Y;
5、若△Y小于设置的门限,则停止迭代,此时的Y值,即为待求解的七个参数值;否则设置Y=Y0+△Y,重复2,3,4步骤,重复迭代计算。
计算获取到坐标转换的7个参数Y={dx,dy,dz,ωx,ωy,ωz,α},在实际坐标转换计算时,利用矩阵方程XB=X0+(1+α)R(XA-X0)+dX,即可进行两幅图像间坐标的高精度转换。
所述步骤c具体步骤如下:
1、基础图像选取:选取A图像作为基础图像;
2、图像裁剪:在A图像上,根据目标农作物的范围,在图像上选取所需要分析的像素坐标范围为XA,min、XA,max,并形成矩形框,下述像素坐标转换和像素汇聚,均在此矩形框内进行;将XA,min、XA,max分别代入坐标转换公式XB=X0+(1+α)R(XA-X0)+dX,计算获取XB,min、XB,max,从而形成图片B上的矩形框;分别采集A、B两幅图像上的矩形框内的像素数据,形成A、B图像数据集PA={R,G,B,XA},PB={I,XB},其中,R、 G、B为像素三通道值,I为光谱强度值,XA、XB为各自坐标系下的坐标向量;
3、像素坐标转换:针对PB={I,XB},首先将矩阵转换公式 XB=X0+(1+α)R(XA-X0)+dX变换为XA=X0+R-1(XB-dX-X0)/(1+α),利用此公式,将PB集合的坐标XB转换为A图像坐标系上的坐标,形成坐标转换后的B图像采样数据集合PB->A={I,XB->A};
4、图像像素汇聚:将PB->A={I,XB->A}的坐标XB->A取整,对于相同整数坐标值的数据,取这些数据的平均值,作为该整数像素点的数据值;
通过上述步骤,使A、B两类图像采集数据按照像素坐标的一一对应,相同像素坐标点上,两类图像对应了相同的物理位置;B图像集的像素采样值进行上述转换后,形成经坐标转换后的图像集合Di(i=1,2...n)。
所述步骤d具体包括:
1、针对经过坐标转换和数据清洗的图像C、Di(i=1,2...n),其像素位置及坐标一一对应,标识了同一位置点上的采样数据;针对图像C,遍历所有像素,建立RGB采集矩阵其中,R、G、B为像素上RGB的3个通道的在像素点上采样值,m为像素总数;针对图像集合Di(i=1,2...n),使用图像C相同的像素遍历方式,提取每一幅图像上的强度值,形成高光谱相机强度采样值矩阵其中,I为像素点上强度采样值,m为像素总数,n为高光谱相机的频段数量,Ii,j中,i 为像素序号,j为频段序号;进一步建立S、I矩阵的转换矩阵方程为I=S*T,其中,T 为待求解的3*n转换矩阵;将该方程进行矩阵变换,形成新的矩阵方程形式为 (STS)-1ST*I*IT=T*IT,其中上标T为矩阵转置,上标-1为矩阵的逆;记 R=(STS)-1ST*I*IT,P=IT,上述矩阵方程转换为标准的矩阵方程R=T*P,其中R、P利用采样值矩阵S、I经过运算获得,T为带求解的转换矩阵;针对矩阵方程R=T*P,利用最小二乘法,计算出最小均方差情况下的转换矩阵T=(PTP)-1PTR;
2、通过计算获取的转换矩阵T,利用RGB图像上的像素点的RGB通道数值,利用I=S*T,计算出在不同频段上的强度值,完成从RGB图像至高光谱频段强度的拟合计算;
3、遍历RGB图像上的每一个像素点,进行I=S*T计算,获取到每一像素点上的高光谱n个频段的强度值;按照高光谱频段进行像素点整理,重建出针对每一频段的光谱图像,完成n个频段的光谱重建图像。
所述步骤e中,利用高光谱相机生成的n个频段的数据,以及相同环境下拍摄的RGB图像,计算出转换矩阵T,完成从RGB图像,重建这n个频段的高光谱图像。
所述步骤e中,对于RGB图像上某一像素的RGB通道采样值(R,G,B),利用I=S*T,计算得到n个频段上的光谱强度(I1,I2...,In),n个频段的中心频率为(f1,f2...,fn),构建 I-f的离散曲线I(f),进而利用Hermite插值的分段曲线拟合方法,插值生成光滑的I(f) 曲线,在曲线中,代入相应的频率值f,计算出在此频率上的光谱强度值,完成RGB像素点到频率f的光谱强度的拟合计算。
所述RGB像素点到频率f的光谱强度的拟合计算步骤如下:
对于光谱强度I的分段拟合,利用(I1,I2...,In),对于相邻两个数据点Ii,Ii+1,进行两点三次Hermite分段插值,插值函数为3次函数Hi(f)=a0+a1f+a2f2+a3f3,其中,f 为频率变量;Hermite分段插值过程中,Hi(f)函数满足:
1、Ii、Ii+1在函数Hi(f)上;
2、为满足函数的光滑性,在端点Ii上,满足Hi(f)导数与Hi-1(f)的导数相等,在端点Ii+1上,满足Hi(f)导数与Hi+1(f)的导数相等,从而满足拟合函数的光滑性;
利用上述两类条件,即获取4个已知条件,代入3次函数 Hi(f)=a0+a1f+a2f2+a3f3,分段求解出拟合出待定系数ai(i=0,1,2,3),拟合出 (I1,I2)......(In-1,In)点间的3次多项式拟合曲线Hi(f)(i=1,2,....n-1);
针对需要拟合计算的频率f,在频率集(f1,f2...,fn)中,判断fk<f≤fk+1,利用分段拟合的Hk(f)函数,计算出在频率f处的强度值,完成强度的拟合计算;
利用上述方法,针对RGB图像中的每一像素点,进行频率f的光谱强度拟合计算,完成RGB图像到频率f的光谱图像的转换,重建出频率f处的光谱图像。
采用本发明的优点在于:
一、本发明提供一种农作物RGB图像重建高光谱图像的方法,适用于利用普通相机拍摄的农作物RGB图像,并采用先进的图像处理技术及算法,重建出高光谱图像,有效降低了病害检测成本,适用于针对农作物病害的大面积检测,具有低成本、先进性、实用性、智能化、可延展性、高效性等特点。
二、本发明利用莫洛金斯基七参数模型,实现普通相机和高光谱相机的坐标系转换。本发明借鉴地图转换技术,实现不同相机的像素坐标转换,计算速度快、精度高,是一种图像像素坐标转换的高效、高精度方法。
三、本发明利用采集的普通相机和高光谱相机的图像数据,通过数据清洗、采集数据矩阵建立、转换方程建立,并采用最小二乘法求解转换矩阵,高效地实现了普通相机的RGB图像到高光谱相机的光谱图像的转换,有效降低了农作物病害检测的成本,可大量推广至智慧农业的大面积病害检测的生产实践中。
四、本发明利用Hermite分段插值的数学方法,进一步将离散的光谱强度,扩展为连续的光谱强度曲线,获取得到高光谱扩展频点上的光谱图像,弥补了现有高光谱相机只能在指定频点上成像的缺陷,适用于在扩展频点上对新型病害的检测。
综上所述,本发明大幅度降低了利用图像技术进行农作物病害检测的成本,并弥补了采用高光谱相机不能进行特定频率光谱图像采集的弊端,可用于在扩展频点上对新型病害的检测。因此,本发明的技术方法,可大面积应用于智慧农业的病害检测中。
具体实施方式
本发明首先利用普通相机和高光谱相机,在相同的环境下进行图像采集,并利用标记点,采用莫洛金斯基七参数模型进行坐标系转换,实现两类图像的坐标系转换;进而利用数据清洗方法,实现两类图像的大小一致、像素点一一对应;随后利用两类图像采集的数据,建立矩阵方程,并通过最小二乘法,计算获取普通相机RGB图像到高光谱图像的转换矩阵;利用转换矩阵,即可实现RGB图像至高光谱图像的转换;进一步采用Hermite分段插值算法,进行多项式插值,实现光谱曲线扩展拟合,获取得到高光谱扩展频点上的光谱图像。
以下对本发明做进一步具体说明。
一种农作物RGB图像重建高光谱图像的方法,具体如下:
农作物图像数据采集:
在相同环境下,利用普通相机和高光谱相机,分别进行图像采集,所采集的农作物四周,部署4个标记,用于后续对图像的定位及相机坐标系的转换;所采集的图像,为普通相机的RGB图像和高光谱相机在不同频段上的多幅图像。
图像像素坐标系转换:
由于普通相机和高光谱相机图像分辨率、图像长宽比、焦距等相机参数不同,因此图像存在位移、旋转、缩放的不一致,本发明采用莫洛金斯基七参数模型进行坐标系转换参数的计算,实现两类图片的坐标系转换,以便后续进行图片相同位置点的数据清洗、提取和数据转换。
数据清洗:
针对普通相机和高光谱相机图像分辨率不同,利用数据清洗方法,实现两类图片的大小一致、像素点一一对应,以便后续进行图片相同位置点的数据提取和数据转换。
RGB图像到高光谱图像的转换:
建立普通相机的RGB采集矩阵以及高光谱相机的强度矩阵,利用最小二次法,计算获取最小均方差情况下的转换矩阵,实现RGB图像到高光谱图像的转换。
高光谱曲线扩展拟合:
针对高光谱相机不具备的频点f,利用其现有频点的光谱强度采样值,使用两点三次 Hermite分段插值算法,进行多项式插值,实现高光谱曲线扩展拟合,获取得到高光谱相机扩展频点f的光谱图像。
所述农作物图像数据采集部分:
在相同环境下,利用普通相机和高光谱相机,分别进行图像采集。所采集农作物四周,部署4个标记(标记点为Q1、Q2、Q3、Q4),用于后续对图像的定位及相机坐标系的转换。
所采集的图像,为普通相机的RGB图像和高光谱相机在不同频段上的多幅图像。普通相机采集的图像为A,高光谱相机采集的图像为B,高光谱相机的频段数量为n,则高光谱相机的n个频段采集的图像为Bi(i=1,2...n)。
所述图像像素坐标系转换部分:
在普通相机采集的图像A上,记录标记点Q1、Q2、Q3、Q4的像素坐标为XA=(xA,i,yA,i),其中i=1,2,3,4为4个标记点序号;由于高光谱相机的n个频段采集的图像Bi(i=1,2...n),均为同一采集数据按照频段进行分类而获取的图像,其图像像素位置均完全相同,因此,在高光谱相机采集的图像Bi(i=1,2...n)中,任意选取一幅图像,记录标记点Q1、Q2、Q3、 Q4的像素坐标为XB=(xB,i,yB,i),其中i=1,2,3,4为4个标记点序号。由于两个相机的分辨率、图像长宽比、焦距等相机参数不一致,因此,两幅图像存在位移、旋转、缩放的不一致,本发明采用莫洛金斯基七参数模型进行两幅图像坐标系的转换。
莫洛金斯基七参数模型坐标转化公式为XB=Xp+(1+α)R(XA-Xp)+dX,其中,Xp为过渡点坐标,实际计算中,通过Q1、Q2、Q3、Q4点求取几何重心获取,在方程中可看为已知值;XA、XB为在图像上Q1、Q2、Q3、Q4点采集的两个坐标系的坐标矢量,dX 为三个坐标的平移量,α为缩放量尺度参数,R为三个坐标轴的旋转角度生成的旋转矩阵。平移量dX、缩放量α以及选旋转量R的三个旋转角度ωx、ωy、ωz,即为利用莫洛金斯基模型待求解的七个参数,待求的7个参数向量可表示为 Y={dx,dy,dz,ωx,ωy,ωz,α}。其中旋转矩阵可表示为三个子矩阵的乘积:
由此可见,矩阵方程XB=X0+(1+α)R(XA-X0)+dX为非线性方程,通常解法为假设旋转角度ωx、ωy、ωz较小,将方程线性化,然后利用最小二乘法求解。但是,考虑到两个相机在进行拍摄时,旋转角度可能较大,因此,不能使用线性化方法来求解。本技术方案,采用高斯牛顿法,利用迭代算法,求解非线性方程,最终求解出7个参数向量 Y={dx,dy,dz,ωx,ωy,ωz,α},以实现高精度的坐标转换,具体计算步骤如下:
1、给定初值Y0;
2、由莫洛金斯基矩阵方程的函数形式f(X)=X-[Xp+(1+α)R(XA-Xp)+dX],通过对 f(X)的微分计算,获取雅克比矩阵表达式J;代入Y0,计算J(Y0);
3、计算H(Y0)=JT(Y0)*J(Y0),B(Y0)=-JT(Y0)*f(Y0),其中 f(X)=X-[Xp+(1+α)R(XA-Xp)+dX];
4、求解方程H*△Y=B,解出△Y;
5、若△Y小于设置的门限,则停止迭代,此时的Y值,即为待求解的七个参数值;否则设置Y=Y0+△Y,重复2,3,4步骤,重复迭代计算。
上述利用高斯牛顿法方式,计算获取到坐标转换的7个参数 Y={dx,dy,dz,ωx,ωy,ωz,α}。在实际坐标转换计算时,利用矩阵方程 XB=X0+(1+α)R(XA-X0)+dX,即可进行两幅图像间坐标的高精度转换。
所述数据清洗部分:
在图像A,B中,通过数据清洗方法,实现两类图像的大小一致、像素一一对应,其计算步骤如下:
1、基础图像选取:由于A图像为可视化的RGB图像,容易判定分析目标农作物的位置,因此,选取A图像作为基础图像。
2、图像裁剪:在A图像上,根据目标农作物的范围,在图像上选取所需要分析的像素坐标范围为XA,min、XA,max,并形成矩形框,下述像素坐标转换和像素汇聚,均在此矩形框内进行;将XA,min、XA,max分别代入坐标转换公式 XB=X0+(1+α)R(XA-X0)+dX,计算获取XB,min、XB,max,从而形成图片B上的矩形框。分别采集A、B两幅图像上的矩形框内的像素数据,形成A、B图像数据集PA={R,G,B,XA},PB={I,XB},其中,R、G、B为像素三通道值,I为光谱强度值,XA、XB为各自坐标系下的坐标向量。
3、像素坐标转换:针对PB={I,XB},首先将矩阵转换公式 XB=X0+(1+α)R(XA-X0)+dX变换为XA=X0+R-1(XB-dX-X0)/(1+α),利用此公式,将PB集合的坐标XB转换为A图像坐标系上的坐标,形成坐标转换后的B 图像采样数据集合PB->A={I,XB->A}。
4、图像像素汇聚:将PB->A={I,XB->A}的坐标XB->A取整,对于相同整数坐标值的数据,取这些数据的平均值,作为该整数像素点的数据值。
通过上述步骤,实现了A、B两类图像采集数据按照像素坐标的一一对应,相同像素坐标点上,两类图像对应了相同的物理位置。B图像集的像素采样值进行上述转换后,形成经坐标转换后的图像集合Di(i=1,2...n)。
所述RGB图像到高光谱图像的转换部分:
针对经过坐标转换和数据清洗的图像C、Di(i=1,2...n),其像素位置及坐标一一对应,标识了同一位置点上的采样数据。针对图像C,按照一定方式遍历所有像素,建立 RGB采集矩阵其中,R、G、B为像素上RGB的3个通道的在像素点上采样值,m为像素总数。针对图像集合Di(i=1,2...n),使用图像C相同的像素遍历方式,提取每一幅图像上的强度值,形成高光谱相机强度采样值矩阵其中,I为像素点上强度采样值,m为像素总数,n为高光谱相机的频段数量,Ii,j中,i为像素序号,j为频段序号。进一步建立S、I矩阵的转换矩阵方程为I=S*T,其中,T为待求解的3*n转换矩阵。将该方程进行矩阵变换,可形成新的矩阵方程形式为(STS)-1ST*I*IT=T*IT,其中上标T为矩阵转置,上标-1为矩阵的逆。记R=(STS)-1ST*I*IT,P=IT,上述矩阵方程可转换为标准的矩阵方程R=T*P,其中R、P可利用采样值矩阵S、I经过运算获得,T为带求解的转换矩阵;针对矩阵方程R=T*P,利用最小二乘法,即可计算出最小均方差情况下的转换矩阵T=(PTP)-1PTR。
通过计算获取的转换矩阵T,即可利用RGB图像上的像素点的RGB通道数值,利用I=S*T,计算出在不同频段上的强度值,从而实现了从RGB图像至高光谱频段强度的拟合计算。
遍历RGB图像上的每一个像素点,进行I=S*T计算,可获取到每一像素点上的高光谱n个频段的强度值;按照高光谱频段进行像素点整理,即可重建出针对每一频段的光谱图像,从而实现n个频段的光谱重建图像。
所述高光谱曲线扩展拟合方法:
上述方法,在相同环境下,利用高光谱相机生成的n个频段的数据,以及相同环境下拍摄的RGB图像,计算出转换矩阵T,实现了从RGB图像,重建这n个频段的高光谱图像。以上方法中,对于高光谱相机非预设频点f,尚不能给出相应的光谱图图象。本发明进一步采用多项式拟合的方式,拟合出高光谱相机非预设频点f的光谱图像的方法。
对于RGB图像上某一像素的RGB通道采样值(R,G,B),可利用I=S*T,计算得到 n个频段上的光谱强度(I1,I2...,In),n个频段的中心频率为(f1,f2...,fn),从而可构建I-f 的离散曲线I(f),进而利用Hermite插值的分段曲线拟合方法,插值生成光滑的I(f)曲线,在曲线中,代入相应的频率值f,即可计算出在此频率上的光谱强度值,从而实现 RGB像素点到频率f的光谱强度的拟合计算。计算步骤如下:
对于光谱强度I的分段拟合,利用(I1,I2...,In),对于相邻两个数据点Ii,Ii+1,进行两点三次Hermite分段插值,插值函数为3次函数Hi(f)=a0+a1f+a2f2+a3f3,其中,f 为频率变量。Hermite分段插值过程中,Hi(f)函数满足:
1、Ii、Ii+1在函数Hi(f)上。
2、为满足函数的光滑性,在端点Ii上,满足Hi(f)导数与Hi-1(f)的导数相等,在端点Ii+1上,满足Hi(f)导数与Hi+1(f)的导数相等,从而满足拟合函数的光滑性。
利用上述两类条件,即获取4个已知条件,代入3次函数 Hi(f)=a0+a1f+a2f2+a3f3,分段求解出拟合出待定系数ai(i=0,1,2,3),即可拟合出(I1,I2)......(In-1,In)点间的3次多项式拟合曲线Hi(f)(i=1,2,....n-1)。
针对需要拟合计算的频率f,在频率集(f1,f2...,fn)中,判断fk<f≤fk+1,即可利用分段拟合的Hk(f)函数,计算出在频率f处的强度值,从而实现强度的拟合计算。
利用上述方法,针对RGB图像中的每一像素点,进行频率f的光谱强度拟合计算,即可实现RGB图像到频率f的光谱图像的转换,重建出频率f处的光谱图像。
Claims (10)
1.一种农作物RGB图像重建高光谱图像的方法,其特征在于,包括如下步骤:
a、农作物图像数据采集:
在相同环境下,利用普通相机和高光谱相机,分别进行农作物图像采集;
b、图像像素坐标系转换:
采用莫洛金斯基七参数模型进行坐标系转换参数的计算,使两类图片的坐标系转换;
c、数据清洗:
通过数据清洗,使两类图片的大小一致、像素点一一对应;
d、RGB图像到高光谱图像的转换:
建立普通相机的RGB采集矩阵以及高光谱相机的强度矩阵,利用最小二次法,计算获取最小均方差情况下的转换矩阵,使RGB图像转换为高光谱图像;
e、高光谱曲线扩展拟合:
采用Hermite分段插值算法,进行多项式插值,使光谱曲线扩展拟合,得到高光谱扩展频点上的光谱图像。
2.根据权利要求1所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述步骤a中,所采集农作物四周,部署4个标记点Q1、Q2、Q3、Q4,用于后续对图像的定位及相机坐标系的转换;所采集的图像,为普通相机的RGB图像和高光谱相机在不同频段上的多幅图像;普通相机采集的图像为A,高光谱相机采集的图像为B,高光谱相机的频段数量为n,则高光谱相机的n个频段采集的图像为Bi(i=1,2...n)。
3.根据权利要求2所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述步骤b中,在普通相机采集的图像A上,记录标记点Q1、Q2、Q3、Q4的像素坐标为XA=(xA,i,yA,i),其中i=1,2,3,4为4个标记点序号;在高光谱相机采集的图像Bi(i=1,2...n)中,任意选取一幅图像,记录标记点Q1、Q2、Q3、Q4的像素坐标为XB=(xB,i,yB,i),其中i=1,2,3,4为4个标记点序号。
4.根据权利要求3所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述莫洛金斯基七参数模型坐标转化公式为XB=Xp+(1+α)R(XA-Xp)+dX,其中,Xp为过渡点坐标,通过Q1、Q2、Q3、Q4点求取几何重心获取,在方程中可看为已知值;XA、XB为在图像上Q1、Q2、Q3、Q4点采集的两个坐标系的坐标矢量,dX为三个坐标的平移量,α为缩放量尺度参数,R为三个坐标轴的旋转角度生成的旋转矩阵;平移量dX、缩放量α以及选旋转量R的三个旋转角度ωx、ωy、ωz,即为利用莫洛金斯基模型待求解的七个参数,待求的7个参数向量可表示为Y={dx,dy,dz,ωx,ωy,ωz,α};其中旋转矩阵可表示为三个子矩阵的乘积:
由此可见,矩阵方程XB=X0+(1+α)R(XA-X0)+dX为非线性方程,采用高斯牛顿法,利用迭代算法,求解非线性方程,最终求解出7个参数向量Y={dx,dy,dz,ωx,ωy,ωz,α},完成坐标转换。
5.根据权利要求4所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述坐标转换具体计算步骤如下:
1、给定初值Y0;
2、由莫洛金斯基矩阵方程的函数形式f(X)=X-[Xp+(1+α)R(XA-Xp)+dX],通过对f(X)的微分计算,获取雅克比矩阵表达式J;代入Y0,计算J(Y0);
3、计算H(Y0)=JT(Y0)*J(Y0),B(Y0)=-JT(Y0)*f(Y0),其中f(X)=X-[Xp+(1+α)R(XA-Xp)+dX];
4、求解方程H*△Y=B,解出△Y;
5、若△Y小于设置的门限,则停止迭代,此时的Y值,即为待求解的七个参数值;否则设置Y=Y0+△Y,重复2,3,4步骤,重复迭代计算;
计算获取到坐标转换的7个参数Y={dx,dy,dz,ωx,ωy,ωz,α},在实际坐标转换计算时,利用矩阵方程XB=X0+(1+α)R(XA-X0)+dX,即可进行两幅图像间坐标的高精度转换。
6.根据权利要求5所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述步骤c具体步骤如下:
1、基础图像选取:选取A图像作为基础图像;
2、图像裁剪:在A图像上,根据目标农作物的范围,在图像上选取所需要分析的像素坐标范围为XA,min、XA,max,并形成矩形框,下述像素坐标转换和像素汇聚,均在此矩形框内进行;将XA,min、XA,max分别代入坐标转换公式XB=X0+(1+α)R(XA-X0)+dX,计算获取XB,min、XB,max,从而形成图片B上的矩形框;分别采集A、B两幅图像上的矩形框内的像素数据,形成A、B图像数据集PA={R,G,B,XA},PB={I,XB},其中,R、G、B为像素三通道值,I为光谱强度值,XA、XB为各自坐标系下的坐标向量;
3、像素坐标转换:针对PB={I,XB},首先将矩阵转换公式XB=X0+(1+α)R(XA-X0)+dX变换为XA=X0+R-1(XB-dX-X0)/(1+α),利用此公式,将PB集合的坐标XB转换为A图像坐标系上的坐标,形成坐标转换后的B图像采样数据集合PB->A={I,XB->A};
4、图像像素汇聚:将PB->A={I,XB->A}的坐标XB->A取整,对于相同整数坐标值的数据,取这些数据的平均值,作为该整数像素点的数据值;
通过上述步骤,使A、B两类图像采集数据按照像素坐标的一一对应,相同像素坐标点上,两类图像对应了相同的物理位置;B图像集的像素采样值进行上述转换后,形成经坐标转换后的图像集合Di(i=1,2...n)。
7.根据权利要求6所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述步骤d具体包括:
1、针对经过坐标转换和数据清洗的图像C、Di(i=1,2...n),其像素位置及坐标一一对应,标识了同一位置点上的采样数据;针对图像C,遍历所有像素,建立RGB采集矩阵其中,R、G、B为像素上RGB的3个通道的在像素点上采样值,m为像素总数;针对图像集合Di(i=1,2...n),使用图像C相同的像素遍历方式,提取每一幅图像上的强度值,形成高光谱相机强度采样值矩阵其中,I为像素点上强度采样值,m为像素总数,n为高光谱相机的频段数量,Ii,j中,i为像素序号,j为频段序号;进一步建立S、I矩阵的转换矩阵方程为I=S*T,其中,T为待求解的3*n转换矩阵;将该方程进行矩阵变换,形成新的矩阵方程形式为(STS)-1ST*I*IT=T*IT,其中上标T为矩阵转置,上标-1为矩阵的逆;记R=(STS)-1ST*I*IT,P=IT,上述矩阵方程转换为标准的矩阵方程R=T*P,其中R、P利用采样值矩阵S、I经过运算获得,T为带求解的转换矩阵;针对矩阵方程R=T*P,利用最小二乘法,计算出最小均方差情况下的转换矩阵T=(PTP)-1PTR;
2、通过计算获取的转换矩阵T,利用RGB图像上的像素点的RGB通道数值,利用I=S*T,计算出在不同频段上的强度值,完成从RGB图像至高光谱频段强度的拟合计算;
3、遍历RGB图像上的每一个像素点,进行I=S*T计算,获取到每一像素点上的高光谱n个频段的强度值;按照高光谱频段进行像素点整理,重建出针对每一频段的光谱图像,完成n个频段的光谱重建图像。
8.根据权利要求7所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述步骤e中,利用高光谱相机生成的n个频段的数据,以及相同环境下拍摄的RGB图像,计算出转换矩阵T,完成从RGB图像,重建这n个频段的高光谱图像。
9.根据权利要求8所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述步骤e中,对于RGB图像上某一像素的RGB通道采样值(R,G,B),利用I=S*T,计算得到n个频段上的光谱强度(I1,I2...,In),n个频段的中心频率为(f1,f2...,fn),构建I-f的离散曲线I(f),进而利用Hermite插值的分段曲线拟合方法,插值生成光滑的I(f)曲线,在曲线中,代入相应的频率值f,计算出在此频率上的光谱强度值,完成RGB像素点到频率f的光谱强度的拟合计算。
10.根据权利要求9所述的农作物RGB图像重建高光谱图像的方法,其特征在于:所述RGB像素点到频率f的光谱强度的拟合计算步骤如下:
对于光谱强度I的分段拟合,利用(I1,I2...,In),对于相邻两个数据点Ii,Ii+1,进行两点三次Hermite分段插值,插值函数为3次函数Hi(f)=a0+a1f+a2f2+a3f3,其中,f为频率变量;Hermite分段插值过程中,Hi(f)函数满足:
1、Ii、Ii+1在函数Hi(f)上;
2、为满足函数的光滑性,在端点Ii上,满足Hi(f)导数与Hi-1(f)的导数相等,在端点Ii+1上,满足Hi(f)导数与Hi+1(f)的导数相等,从而满足拟合函数的光滑性;
利用上述两类条件,即获取4个已知条件,代入3次函数Hi(f)=a0+a1f+a2f2+a3f3,分段求解出拟合出待定系数ai(i=0,1,2,3),拟合出(I1,I2)......(In-1,In)点间的3次多项式拟合曲线Hi(f)(i=1,2,....n-1);
针对需要拟合计算的频率f,在频率集(f1,f2...,fn)中,判断fk<f≤fk+1,利用分段拟合的Hk(f)函数,计算出在频率f处的强度值,完成强度的拟合计算;
利用上述方法,针对RGB图像中的每一像素点,进行频率f的光谱强度拟合计算,完成RGB图像到频率f的光谱图像的转换,重建出频率f处的光谱图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011494670.5A CN112561883B (zh) | 2020-12-17 | 2020-12-17 | 农作物rgb图像重建高光谱图像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011494670.5A CN112561883B (zh) | 2020-12-17 | 2020-12-17 | 农作物rgb图像重建高光谱图像的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561883A true CN112561883A (zh) | 2021-03-26 |
CN112561883B CN112561883B (zh) | 2024-06-21 |
Family
ID=75064451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011494670.5A Active CN112561883B (zh) | 2020-12-17 | 2020-12-17 | 农作物rgb图像重建高光谱图像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561883B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663785A (zh) * | 2022-03-18 | 2022-06-24 | 华南农业大学 | 基于无人机高光谱的荔枝病害检测方法及*** |
CN115753691A (zh) * | 2022-08-23 | 2023-03-07 | 合肥工业大学 | 一种基于rgb重建高光谱的水质参数检测方法 |
CN116188465A (zh) * | 2023-04-26 | 2023-05-30 | 济宁市保田农机技术推广专业合作社 | 基于图像处理技术的作物生长状态检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2959092A1 (fr) * | 2010-04-20 | 2011-10-21 | Centre Nat Rech Scient | Traitement numerique de compensation de signaux issus de photosites d'un capteur couleur. |
CN103808286A (zh) * | 2012-11-08 | 2014-05-21 | 谢荣 | 一种基于全站仪的钢结构三维精度检测分析方法及其应用 |
CN107133976A (zh) * | 2017-04-24 | 2017-09-05 | 浙江大学 | 一种获取三维高光谱信息的方法和装置 |
US20170354358A1 (en) * | 2016-06-13 | 2017-12-14 | Umm Al-Qura University | Hyperspectral image visualization in patients with medical conditions |
CN107783937A (zh) * | 2017-10-19 | 2018-03-09 | 西安科技大学 | 一种求解任意旋转角三维坐标转换参数的方法 |
CN108520495A (zh) * | 2018-03-15 | 2018-09-11 | 西北工业大学 | 基于聚类流形先验的高光谱图像超分辨重建方法 |
CN108759665A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工业大学 | 一种基于坐标转换的空间目标三维重建精度分析方法 |
CN109146787A (zh) * | 2018-08-15 | 2019-01-04 | 北京理工大学 | 一种基于插值的双相机光谱成像***的实时重建方法 |
CN109978931A (zh) * | 2019-04-04 | 2019-07-05 | 北京悉见科技有限公司 | 三维场景重建方法及设备、存储介质 |
CN110520768A (zh) * | 2017-06-05 | 2019-11-29 | 上海科技大学 | 高光谱光场成像方法和*** |
WO2020199205A1 (zh) * | 2019-04-04 | 2020-10-08 | 合刃科技(深圳)有限公司 | 一种混合型高光谱图像重构的方法及*** |
-
2020
- 2020-12-17 CN CN202011494670.5A patent/CN112561883B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2959092A1 (fr) * | 2010-04-20 | 2011-10-21 | Centre Nat Rech Scient | Traitement numerique de compensation de signaux issus de photosites d'un capteur couleur. |
CN103808286A (zh) * | 2012-11-08 | 2014-05-21 | 谢荣 | 一种基于全站仪的钢结构三维精度检测分析方法及其应用 |
US20170354358A1 (en) * | 2016-06-13 | 2017-12-14 | Umm Al-Qura University | Hyperspectral image visualization in patients with medical conditions |
CN107133976A (zh) * | 2017-04-24 | 2017-09-05 | 浙江大学 | 一种获取三维高光谱信息的方法和装置 |
CN110520768A (zh) * | 2017-06-05 | 2019-11-29 | 上海科技大学 | 高光谱光场成像方法和*** |
CN107783937A (zh) * | 2017-10-19 | 2018-03-09 | 西安科技大学 | 一种求解任意旋转角三维坐标转换参数的方法 |
CN108520495A (zh) * | 2018-03-15 | 2018-09-11 | 西北工业大学 | 基于聚类流形先验的高光谱图像超分辨重建方法 |
CN108759665A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工业大学 | 一种基于坐标转换的空间目标三维重建精度分析方法 |
CN109146787A (zh) * | 2018-08-15 | 2019-01-04 | 北京理工大学 | 一种基于插值的双相机光谱成像***的实时重建方法 |
CN109978931A (zh) * | 2019-04-04 | 2019-07-05 | 北京悉见科技有限公司 | 三维场景重建方法及设备、存储介质 |
WO2020199205A1 (zh) * | 2019-04-04 | 2020-10-08 | 合刃科技(深圳)有限公司 | 一种混合型高光谱图像重构的方法及*** |
Non-Patent Citations (1)
Title |
---|
库静: ""不同高光谱成像方式的马铃薯内外部品质检测方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2017 (2017-02-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663785A (zh) * | 2022-03-18 | 2022-06-24 | 华南农业大学 | 基于无人机高光谱的荔枝病害检测方法及*** |
CN114663785B (zh) * | 2022-03-18 | 2024-06-07 | 华南农业大学 | 基于无人机高光谱的荔枝病害检测方法及*** |
CN115753691A (zh) * | 2022-08-23 | 2023-03-07 | 合肥工业大学 | 一种基于rgb重建高光谱的水质参数检测方法 |
CN116188465A (zh) * | 2023-04-26 | 2023-05-30 | 济宁市保田农机技术推广专业合作社 | 基于图像处理技术的作物生长状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112561883B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561883A (zh) | 农作物rgb图像重建高光谱图像的方法 | |
Hall et al. | Characterising and mapping vineyard canopy using high-spatial-resolution aerial multispectral images | |
CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN109102469A (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN110751727A (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
CN112200854B (zh) | 一种基于视频图像的叶类蔬菜三维表型测量方法 | |
CN113177548B (zh) | 一种针对免疫固定电泳的重点区域识别方法 | |
CN112614147B (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及*** | |
CN115272187A (zh) | 一种基于车载动态视场帧间关联性的田间稻麦倒伏全局评估方法 | |
CN104318583A (zh) | 一种可见光宽带光谱图像配准方法 | |
Ahamed et al. | Tower remote-sensing system for monitoring energy crops; image acquisition and geometric corrections | |
CN107274441A (zh) | 一种高光谱图像的波段校准方法和*** | |
CN112465832A (zh) | 一种基于双目视觉的单面树木点云骨架线提取方法及*** | |
CN110736750B (zh) | 一种基于多角度田间高清成像的小麦赤霉病检测方法 | |
CN112836678B (zh) | 智慧农业园区智能规划方法 | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN111896045B (zh) | 温室作物三维有向感知与细粒度自动采集装置及方法 | |
US7433540B1 (en) | Decomposing natural image sequences | |
CN104392209B (zh) | 一种目标与背景的图像复杂度评价方法 | |
CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
CN115841615A (zh) | 一种基于无人机多光谱数据的烟草产量预测方法及装置 | |
Schneider et al. | Towards predicting vine yield: Conceptualization of 3d grape models and derivation of reliable physical and morphological parameters | |
CN110264433B (zh) | 一种基于彩色分割指导的深度图插值方法 | |
CN110823311B (zh) | 一种快速估算油菜角果体积的方法 | |
CN109345539B (zh) | 基于图像抽象的自适应Mean-Shift立木图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |