基于PADC-PCNN与平稳小波变换多焦距绿色植株图像融合算法

• Published in: 智慧农业（中英文） Vol. 5; no. 3; pp. 121 - 131
• Main Authors: 李嘉豪, 瞿宏俊, 高名喆, 仝德之, 郭亚
• Format: Journal Article
• Language: Chinese
• Published: 中国农业科学院农业信息研究所 30.09.2023; 绿视芯科技(无锡)有限公司,江苏无锡 214000,中国; 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%江南大学物后勤管理处环境中心,江苏无锡 214122,中国%绿视芯科技(无锡)有限公司,江苏无锡 214000,中国%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; 江南大学物后勤管理处环境中心,江苏无锡 214122,中国
• Subjects: 脉冲耦合; 平稳小波变换; 神经网络; 参数自适应; 多焦距; 图像融合; multi-focal length; image fusion; pulse-coupled; neural network; stationary wavelet transform; parameter-adaptive
• ISSN: 2096-8094
• DOI: 10.12133/j.smartag.SA202308005

[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PADCPCNN-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NSSTPADC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-