用于水稻多光谱图像匹配的检测器与特征描述子的比较分析


发布时间:

2021-09-24

来源:

本站

作者:

PhenoTrait

  精细农业伴随着机器视觉技术和图像处理技术的进步而迅猛发展。多源图像传感器在获取作物信息等方面应用广泛。然而,在农艺与技术结合的过程中,由于设备差异以及成像畸变等问题,多源图像传感器获取的特征存在不匹配的问题。本文通过比较不同图像特征描述子与检测器在匹配水稻近红外光谱图像与可见光图像时的性能,探究匹配时间和匹配准确率均优异的特征描述子以及特征检测器的组合。

 

  本文首先采集了48张水稻田块可见光图像以及48张水稻田块近红外图像,其中每类随机选取20张作为验证集。可见光图像的预处理主要包括RGB图像通道分割以及L*a*b图像通道分割。然后,特征检测器被用来提取图像中的关键信息,特征描述子通过编码关键信息周围的特征形成输出向量。最终通过匹配算法(FLANN、BF)对两种不同图像进行计算。选取了20个感兴趣点作为匹配基准,评价了不同特征组合的性能优劣。分析了不同图像特征提取方法产生的特征数量并且比较了不同特征提取组合的计算时间以及精度。

 

  结果表明,基于可见光G通道图像的 SIFT特征描述子与FAST特征检测器结合FLANN与BF特征匹配算法同近红外图像拥有最多的匹配点。当以计算时间以及正确匹配数量作为评估依据时,FAST特征检测器与BRISK特征描述子实现了最佳结果。该研究多源光谱图像匹配特征提出了一种高效稳定的新组合形式。

 

  图1 多源图像特征提取与匹配过程示意图

 

  图2 基于SIFT描述子和FLANN图像匹配算法的近红外图像与可见光B通道图像的匹配结果图(a:原始匹配点;b:20个重要匹配基准点)

 

  图3 不同特征提取子与检测器提取的平均特征匹配数量表(上:FLANN匹配算法;下:BF匹配算法)

 

  来源:Forero, GM., Mambuscay, LC., Monroy, FM., et al. Comparative Analysis of Detectors and Feature Descriptors for Multispectral Image Matching in Rice Crops. Plants, 2021, 10(9):1791. https://doi.org/10.3390/plants10091 791.

 

  编辑:张金诺

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。