基于Dog-Leg正則化自適應壓縮采樣的植株圖像重構

沈 躍，李尚龍，劉 慧，劉加林

基于Dog-Leg正則化自適應壓縮采樣的植株圖像重構

沈 躍，李尚龍，劉 慧※，劉加林

（江蘇大學電氣信息工程學院，鎮江 212013）

目標植株的圖像壓縮與重構在農作物生長狀態檢測、田間管理和果樹病蟲害識別等方面有重要作用。傳統的圖像壓縮感知方法存在重構精度低、時間長等問題。針對這些情況，該文提出一種基于Dog-Leg最小二乘的正則化自適應壓縮采樣匹配追蹤（regularized adaptive compressed sampling matching pursuit based on Dog-Leg，DLRaCSMP）算法。該算法以壓縮采樣匹配追蹤（compressive sampling matching pursuit，CoSaMP）算法為基礎，在迭代過程中采用正則化處理，確保支撐集選取的準確性，并結合變步長自適應思想和Dog-Leg最小二乘算法，在實現稀疏度自適應的同時，提高重構速率；選用Kinect獲取目標植株的彩色圖像，分別采用HSV彩色空間的亮度和色調特征及Sobel算子的輪廓特征輸入至Itti模型中融合構建顯著性特征圖，以簡化復雜背景和突出目標植株。試驗結果表明，該算法在采樣率為0.50時植株原始圖像和顯著性特征圖的重構時間分別為2.14和1.75 s，較CoSaMP算法分別縮短6.57和6.31 s，重構效率比CoSaMP算法平均分別提高75.5%和77.9%；圖像峰值信噪比分別高達35.16 和38.93 dB，較CoSaMP算法分別提高6.12 和5.75 dB，且重構精度比CoSaMP算法平均分別提高21.6%和15.5%，可以實現植株圖像的快速精確重構。

圖像重構；算法；壓縮感知；最小二乘法；顯著性特征圖；邊緣檢測

0 引 言

圖像采集與重構是機器視覺技術發展的關鍵技術之一[1-2]。近年來，隨著農業信息化和自動化的不斷發展，圖像的壓縮重構在農作物生長狀態檢測、田間管理、植物微環境生理參數采集和果樹病蟲害識別等方面起到了重要作用[3-6]。當前信息需求量持續增加，信號帶寬越來越寬，如何高速率高質量地對圖像進行壓縮采集并重構已成為研究熱點和重點[7-8]。比起香農采樣定理對采樣率至少達到原始信號帶寬2倍以上的要求[9]，采樣與壓縮并行的壓縮感知理論有效地克服了傳統采樣定理高采樣率的缺陷，為信息的傳輸提供了新的途徑[10]。

在農業植株的檢測與識別過程中[11]，目標對象的識別是首要解決的問題。Itti等[12]提出的自下而上的顯著性模型，通過初級特征的提取，獲取顯著性特征圖，從而彰顯目標物體，但是提取效果并不突出。高超等[13]針對植株微環境及生理參數在ARM（advanced RISC microprocessor）平臺上設計了基于壓縮感知的采集算法，在節省數據存儲空間和降低數據傳輸量的同時，一定程度上也降低了系統的功耗，但是對于不同尺度和背景下的植物信息采集并沒有驗證。代媛等[14]提出了一種壓縮感知蘋果圖像的并行快速重構方法，該算法分析了二維正交匹配跟蹤重構算法的并行性，結合GPU通用并行計算平臺設計出對應的并行化重構算法，初步提高了蘋果圖像的重構效率，但是并沒有保證蘋果圖像的重構質量，且未能消除復雜背景。廖勇等[15]提出了一種變步長正則化自適應壓縮采樣匹配追蹤算法，該算法改進了稀疏度自適應匹配追蹤算法（sparse adaptive matching pursuit，SAMP）固定步長帶來的精度不夠以及過度估計問題，一定程度上提高了重構方法的重構精度，但在迭代優化上仍沿用最快下降算法，在求解函數時，存在過于貪婪導致收斂速度較慢，重構效率不高。

本文在前人研究基礎上，通過Kinect V2.0獲取植株RGB圖像，并將其轉換成HSV色彩空間獲得植株亮度圖和色調圖，采用Sobel邊緣檢測算法獲得植株輪廓圖，最后把3幅圖輸入至Itti模型中進行融合得到植株顯著性特征圖；算法上以壓縮采樣匹配追蹤（compressive sampling matching pursuit，CoSaMP）算法為基礎，在候選原子集時采用正則化處理，再利用回溯思想對其進行篩選，迭代優化過程中，采用Dog-Leg最小二乘算法加快收斂速度，再比較相鄰重構過程獲得的殘差值大小，設定相對閾值調整步長，通過大步長快速接近，縮短重構時間，小步長精確逼近保證重構精度，從而實現信號快速并精確地重構。

1 壓縮感知與重構算法

1.1 壓縮感知理論基礎

壓縮感知理論主要由稀疏表示、測量矩陣和重構算法[16]三部分組成。稀疏表示是壓縮感知的先驗條件，常用的稀疏基有離散余弦變換基（discrete cosine transform，DCT）[13]、Curvelet基[17]、Gabor基[18]以及冗余字典[19-20]等。測量矩陣需要滿足等距約束性條件[21-22]才能精確重構原始信號。重構算法是壓縮感知中最為關鍵的一部分，也是本文的研究重點。

得到觀測值之后，根據稀疏重構關系，通過合適的重構算法可以實現信號的重構。理論證明，采用最小0范數方法求解可以獲得稀疏解