文摘

在精准农业,3 d视觉系统正变得越来越重要。通过应用不同的光学三维视觉技术,获得三维数据可以提供每个农业信息最重要的表型特征的场景。然而,大多数这些3 d视觉系统是昂贵的,除了一些三角测量技术。在这项研究中,我们关注的是估计准确的形状使用形状从焦点(设定触发器),这是一个三角测量技术。通常,从图像设定触发器系统带来重大的错误,包括噪音。解决这个问题,一个简单的低通滤波器,如高斯滤波器通常被用在大多数的研究。然而,当低过滤,噪音是沮丧,但信号也模糊,导致错误关于深度地图。在这项研究中,噪声是独立抑郁不丢失原始信号,和边缘组件,扮演了一个重要的角色在找到一个集中表面,增强使用独立分量分析(ICA)。边缘信号被放大,用一个简单的集成电路的基向量修正向量空间。实验与模拟对象和真实对象实现。 The experimental results demonstrate that the obtained accuracy is comparable to that of existing methods.

1。介绍

精准农业遥感方法要求提供个人信息作物和动物。在过去的十年中,3 d视觉已经成为关键技术在精准农业相比,二维扩展功能。3 d传感器正变得越来越聪明,许多研究和应用与农业相关的3 d视觉系统是迅速增加1]。三维图像生成技术主要分为三个类别根据其主要测量,即三角,飞行时间和干涉。然而,大多数这些3 d视觉系统的高成本由于昂贵的激光或复杂扫描反射镜系统,因此,他们在他们的应用程序是有限的,除了一些三角测量技术(2- - - - - -4]。在文献中,许多研究是旨在改善三角测量方法在农业应用程序的性能(4- - - - - -7]。

成本可以减少应用被动光学方法。形状的焦点(设定触发器)系统,一个被动的光学方法,使用图像的焦点,比其他3 d解决方案更便宜,因为简单的系统配置和提供精度高。不需要昂贵的光学元素,除了只有一个CCD相机。设定触发器的目的是评估对象的形状通过寻找确切的焦点从现场每个像素的位置。系统中,一个场景的图像序列获得从一个固定的角度,改变集中连续用一个预定义的一步。然后,设定触发器推断物体的三维形状的图像序列。设定触发器的许多研究都试图以多种方式改善三维形状。研究设定触发器技术主要分为三类:重点测量(FM)、近似,和优化技术。FM的定义是当地的清晰度测量图像的每个像素。初始深度图获取应用调频后图像上找到的最大响应每个像素的图像。 The sum of the modified Laplacian, Tenenbaum (TEN), and gray level variance are generally used in 3D shape recovery [8,9]。调频应用后,近似技术改进初始深度图。各种集中曲线拟合方法与平面和曲面近似搜索精确聚焦图像表面已经开发的准确性和速度。应用了不同的优化技术,如机器学习,和硬件改进了对应于特定的工业领域需求和取得更好的效率。已经使用各种算法,如神经网络(SFF.NN),动态规划(SFF.DP),模糊逻辑(SFF.FL)和主成分分析(SFF.PCA) [8- - - - - -10]。

与其他成像系统相比,设定触发器有一些固有的错误翻译,放大,其离散的帧数。CCD噪声设定触发器系统误差的主要原因。因此,预处理,以减少噪音是大多数设定触发器算法的重要组成部分。卷积原始图像与高斯滤波器的典型方法是减少噪声影响(11]。然而,这种方法并不是有效的严重噪声的数据集,因为重要的信号也平均。因此,噪声效应仍然存在,这导致失败找到对象的精确形状。

2。材料和方法

独立分量分析(ICA)是一个有用的工具分离的一组信号从原始信号。ICA decorrelates混合信号假设信号是由一个独立的信号向量和混合矩阵 。它可以表示由以下方程:

这个方程也可以表示如下,与一个方阵的假设 :

ICA算法的目标是找到分离矩阵 。

2.1。预处理

(1)向量人口:输入图像 ,组成的框架,由向量转换 对于每一个像素,在哪里 , ,和 ,在每一个 维度。定义的向量人口方程(3)

在这里, 由七个邻近的像素。图1显示 在笛卡儿坐标。(2)零均值和美白: 正常化考虑第一和二阶统计数据。方程如下:

在这里,的意思是和协方差矩阵,特征值矩阵,是正交的特征向量。

2.2。FastICA

把独立的组件从原来的向量,分离矩阵计算。在这项研究中,一个定点FastICA用于其普遍性。是由互信息最小化。互信息是使用负熵定义,同时指出的指数。的负熵被定义为以下方程:

在这里,的熵 ,和是高斯单位方差。互信息最小化等于负熵的最大化。这里的FastICA算法产生解下列方程(12]:

在这里,nonquadratic非线性函数的一阶导数,然后呢意味着平均超过所有的列向量的矩阵 。的计算重复,直到收敛。

2.3。去噪

假设原始信号被高斯白噪声污染,收缩函数是用来发现噪声组件。这里假设的概率分布函数为拉普拉斯算子13]。收缩功能紧随其后的是 在哪里表示高斯噪声的协方差和图像的噪声级。

2.4。边缘增强

一般来说,重点是物体的表面,即图像中的边缘组件。因此,加强edge组件是一种策略来提高深度地图。从独立的信号 ,组件边缘增强通过消除互信息最大化的组件。组件包括公共信息,如连续两帧之间的平均图像。这里,组件被简单的取代基向量的值为零。

2.5。过渡到主成分

最后,信号改变主要组件的独立组件。过渡后,最后的深度图是使用第一主成分估计,最大协方差。图2显示了该方法的过渡阶段。最后的深度图 计算由以下方程:

在这里,是输入信号的第一主成分。

3所示。结果与讨论

3.1。实验装置

实验,模拟锥,它是由一个虚拟项目,使用。模拟锥由97帧大小 。图3显示了实验使用真正的对象,这是一个真正的锥对象组成的30帧大小 ,tft -细胞组成的60帧大小 ,和林肯在美国60帧大小组成的一分钱 。图4显示了模拟锥30和60帧。它有一个运行时只有1分钟的双核英特尔i3 - 2100处理器运行在MATLAB 3.1 GHz和8 GB RAM。

3.2。定量分析

该算法的定量分析,均方根误差(RMSE)和相关计算算法。RMSE是一个指标的误差图像的数量。它是表示 在哪里和数量的像素在水平和垂直方向的图像,分别 是参考图片, 生成图像的算法。相关性是两幅图像的相似度。它是表示 在哪里和的参考图像和由此产生的图像算法,分别和和是他们的意思。

在实验中合成对象,可以计算RMSE和相关性作为他们的真正的深度地图是已知的。评价该方法的性能,我们尝试了三种不同的高斯噪声情况下通过改变方差。第一个情况是噪音自由,即 ,第二个是 ,第三个是= 0.1。图5显示了模拟锥与加性高斯噪声。

传统的设定触发器,它使用高斯滤波器,设定触发器。主成分分析,该方法应用于去除这些噪音影响,恢复三维形状,对上面的两个矩阵进行比较。表1介绍了该算法的鲁棒性与他人相比。在表中,很明显,我们的方法显著提高结果与其他方法相比。在严重的噪声情况下,当 ,的RMSE相比提高了30%和38%传统设定触发器和设定触发器。主成分分析,相关性相比提高了99%和139%的传统设定触发器和设定触发器。分别PCA。

3.3。定性分析

图6显示了恢复三维形状的模拟锥。第一行是传统的设定触发器,第二个是设定触发器。主成分分析,第三个是该方法。第一列是在无噪声的情况下,第二列是 ,第三个 。在所有的情况下,它的结果表明,该算法有一个平滑的表面比别人。图7显示真实的物体的三维形状恢复噪声方差为0.05。第一列是传统设定触发器,第二个是设定触发器。主成分分析,第三个是该方法。在所有的情况下,该方法擅长与别人比较。结果表明,该算法的结果有一个平滑的表面比别人。

4所示。结论

在精准农业应用,一种低成本的设定触发器系统准确的三维信息恢复。传统的设定触发器系统薄弱的噪音。在这项研究中,一种新的技术来提高形状精度,使用ICA来降低噪声,提高边缘组件,已提上日程。首先,原始图像经过矢量人口和正常化。接下来,建议的方法,信号分解到独立的组件基于定点FastICA,和信号的噪声成分减少收缩功能。然后,信号的边缘组件被删除的通用组件增强基向量。最后,深度图恢复使用的第一主成分的信号。模拟锥上的实验对象和三个真正的对象,使用三个不同的噪声情况,从而确保我们的算法的鲁棒性。实验结果证明,该方法提高了准确性较上设定触发器。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究支持部分MSIT(科技部和ICT),韩国,在期(信息技术研究中心)支持程序(IITP - 2019 - 2018 - 0 - 01433)监督的IITP(信息与通信技术促进研究所),和部分MOTIE格兰特研究资助2019 10067764。我们感谢Moon-Gu全为他的援助提供有用的讨论。