大豆冠層多源圖像特征點(diǎn)配準(zhǔn)方法研究

關(guān)海鷗 朱可心 馮佳睿 馬曉丹* 于 崧

(1.黑龍江八一農(nóng)墾大學(xué) 電氣與信息學(xué)院，黑龍江 大慶 163319；2.黑龍江八一農(nóng)墾大學(xué) 農(nóng)學(xué)院，黑龍江 大慶 163319)

大豆冠層三維重建技術(shù)一直是農(nóng)業(yè)信息化領(lǐng)域研究的熱點(diǎn)和重點(diǎn)，對(duì)于大豆植株株型特征計(jì)算及品種選育具有重要意義[1]。近年來(lái)，基于可見(jiàn)光的雙目或多目立體視覺(jué)技術(shù)已經(jīng)較多地應(yīng)用到植物冠層的三維重建研究中[2-3]。研究表明，非結(jié)構(gòu)的自然環(huán)境中光照強(qiáng)度的變化是影響立體視覺(jué)系統(tǒng)進(jìn)一步廣泛應(yīng)用的主要原因。三維數(shù)字化儀在植株冠層結(jié)構(gòu)重建中也得到了一定的應(yīng)用[4-5]，但測(cè)量相關(guān)冠層參數(shù)時(shí)對(duì)外界環(huán)境條件要求高(例如無(wú)風(fēng))，且需手動(dòng)操作設(shè)備測(cè)量多項(xiàng)數(shù)據(jù)，盡管利用該設(shè)備能采集冠層空間位置信息，但無(wú)法同時(shí)記錄冠層的顏色信息。激光掃描儀是主動(dòng)成像設(shè)備，能夠主動(dòng)發(fā)射激光束，工作過(guò)程中受自然光照影響較小，因此可精確地捕獲植株冠層空間信息，缺點(diǎn)是無(wú)法同時(shí)獲取冠層的顏色及紋理信息。

PMD(Photonic mixer detector)相機(jī)是測(cè)量被測(cè)物深度信息的新型設(shè)備，以“高幀速”拍攝目標(biāo)圖像并記錄其距離信息，但分辨率較低(200像素×200像素)。彩色攝像機(jī)雖然能夠得到目標(biāo)圖像豐富的顏色及紋理等信息，但受外界光照影響較大。若將二者結(jié)合起來(lái)，可互為補(bǔ)充，為大豆冠層三維重建提供了一種可靠的圖像獲取平臺(tái)[6]。

圖像配準(zhǔn)是大豆冠層三維形態(tài)重建的基礎(chǔ)，是底層像素級(jí)的匹配，隸屬于圖像匹配、理解的范疇。圖像匹配是指把多個(gè)輸入和已有知識(shí)模型建立關(guān)聯(lián)的過(guò)程，即用存儲(chǔ)在計(jì)算機(jī)中的模型去識(shí)別未知視覺(jué)模型，最終實(shí)現(xiàn)對(duì)輸入的解釋。因此，圖像匹配可以表達(dá)為綜合處理已經(jīng)存在的表達(dá)，并建立聯(lián)系的過(guò)程。圖像配準(zhǔn)為圖像像素或像素集合的圖像匹配。如何在空間上對(duì)圖像進(jìn)行配準(zhǔn)，從而校正相對(duì)位置平移、旋轉(zhuǎn)角度位移、縮放尺度、幾何變化等，就是圖像配準(zhǔn)研究的內(nèi)容。研究圖像配準(zhǔn)的目的就是使表示同一目標(biāo)的像素點(diǎn)在多源圖像中進(jìn)行精確坐標(biāo)對(duì)準(zhǔn)和定位，提高配準(zhǔn)精度，使得后續(xù)融合結(jié)果包含的信息更加準(zhǔn)確。圖像配準(zhǔn)技術(shù)已經(jīng)在很多領(lǐng)域得到了應(yīng)用，通過(guò)圖像配準(zhǔn)，可以更好地集成不同傳感器信息，檢測(cè)不同時(shí)間對(duì)同一場(chǎng)景拍攝圖像的變化，以便重建高分辨圖像和對(duì)從不同視角拍攝的圖像進(jìn)行重構(gòu)等[7]。

PMD和彩色攝像機(jī)的雙攝像機(jī)多源圖像配準(zhǔn)問(wèn)題是保證三維重建精確度的關(guān)鍵，傳統(tǒng)圖像配準(zhǔn)的重點(diǎn)主要集中于配準(zhǔn)基于同一攝像機(jī)獲取的圖像，而基于PMD與彩色攝像機(jī)開(kāi)展大豆冠層多源圖像配準(zhǔn)研究較少。因此，本研究圍繞以上思路，將大豆冠層作為研究對(duì)象，在室外及室內(nèi)2種環(huán)境下利用PMD相機(jī)與彩色攝像機(jī)組合獲取大豆冠層多源圖像，開(kāi)展圖像配準(zhǔn)方法研究，旨在提高后期大豆冠層三維重建的精確性。

1 材料與方法

本研究在黑龍江八一農(nóng)墾大學(xué)大豆種植實(shí)驗(yàn)基地(室外環(huán)境)以及電氣與信息學(xué)院內(nèi)(室內(nèi)環(huán)境)進(jìn)行數(shù)據(jù)采集工作。室外環(huán)境自然光強(qiáng)為965 lx，溫度為28 ℃。選取墾農(nóng)23、墾農(nóng)29、墾農(nóng)30及墾農(nóng)33等4個(gè)大豆品種，將種子經(jīng)過(guò)精選后進(jìn)行消毒、催芽，播種于PVC材料的花盆中，花盆直徑25 cm，高40 cm，內(nèi)部裝有20 kg土壤和沙子(m(土)∶m(沙)=2∶1)的混合基質(zhì)，并施入底肥量，施肥量為：尿素50 mg/kg，磷酸二胺30 mg/kg，硫酸鉀30 mg/kg。 大豆栽培時(shí)每盆種植10株，待幼苗生長(zhǎng)到5葉期時(shí)每盆定苗3株，進(jìn)入生殖期后進(jìn)行追肥，肥量為底肥的1/2，每個(gè)品種3次重復(fù)且隨機(jī)排列。在自然環(huán)境下，選取生殖生長(zhǎng)初期的多分枝和少分枝不同株型的大豆植株作為試驗(yàn)樣本。

2 視覺(jué)系統(tǒng)構(gòu)建與圖像特征描述

本研究中大豆冠層數(shù)據(jù)的采集機(jī)器視覺(jué)系統(tǒng)主要包括：PMD攝像機(jī)、彩色攝像機(jī)、可調(diào)三角架、數(shù)據(jù)線與筆記本電腦(圖1)。其中PMD攝像機(jī)用于完成目標(biāo)距離信息獲??；彩色攝像機(jī)獲取的彩色圖像用于與PMD圖像完成配準(zhǔn)，為后續(xù)重建具有彩色信息的大豆冠層圖像提供前期技術(shù)支持。雙攝像機(jī)以上下組合方式固定于三角架，調(diào)整鏡頭使之指向同一被測(cè)物。

PMD相機(jī)采用了基于ToF(Time-of-flight)技術(shù)的連續(xù)光幅度調(diào)制原理，能夠快速獲取整個(gè)被測(cè)物場(chǎng)景多源圖像。PMD相機(jī)是主動(dòng)成像設(shè)備，其工作原理為：光發(fā)射器發(fā)出紅外光信號(hào)，光束到達(dá)目標(biāo)物體后發(fā)生反射，光探測(cè)器接收到反射光后，依據(jù)紅外光在個(gè)發(fā)射和反射過(guò)程中的傳播時(shí)間和速度計(jì)算PMD到目標(biāo)之間的距離[8]。

圖1 大豆冠層數(shù)據(jù)采集機(jī)器視覺(jué)系統(tǒng)Fig.1 Machine vision system of data acquisition for soybean canopies

PMD相機(jī)發(fā)射的紅外波長(zhǎng)為870 nm，幀速40幀/s，有效測(cè)量距離0.3～7 m，可快速獲取目標(biāo)物體的深度信息，依據(jù)與目標(biāo)物體的遠(yuǎn)近，圖像的成像顏色由藍(lán)到紅，依據(jù)距離信息能夠有效地去除復(fù)雜背景的影響。圖2為獲取的大豆冠層多源圖像，其中彩色圖像由RGB相機(jī)獲取，其他圖像由PMD相機(jī)獲取得到；深度圖像能夠表達(dá)目標(biāo)物體的距離信息；幅度圖像能夠有效過(guò)濾背景圖像干擾；標(biāo)記圖像能夠反映圖像品質(zhì)；強(qiáng)度圖像是可見(jiàn)光和近紅外光的入射光強(qiáng)度均值，成像效果類(lèi)似于灰度圖。

圖2 大豆冠層多源圖像Fig.2 Soybean canopy of multi-source images

3 基于Harris特征的大豆冠層多源圖像配準(zhǔn)

圖像配準(zhǔn)包含特征空間選擇、相似性度量、搜索空間和搜索算法4個(gè)環(huán)節(jié)。特征空間中含有圖像顯著特征，相似性度量描述配準(zhǔn)圖像間的相似性特征，搜索空間是圖像配準(zhǔn)過(guò)程幾何變換模型參數(shù)的取值區(qū)間，其搜索算法為最優(yōu)化過(guò)程。因此，配準(zhǔn)本質(zhì)就是自尋優(yōu)過(guò)程，主要是基于灰度信息的圖像配準(zhǔn)[9-10]和基于特征的圖像配準(zhǔn)[11-12]。前者利用圖像灰度信息建立配準(zhǔn)圖像之間的相似性度量，存在運(yùn)算量大且速度慢的弊端；后者首先提取圖像中角點(diǎn)、邊緣信息等固定不變的特征，通過(guò)這些特征建立圖像之間的映射，從而計(jì)算變換模型參數(shù)，該方法由于壓縮了圖像信息量，因此計(jì)算過(guò)程中運(yùn)算量小且速度快?；贖arris特征的圖像配準(zhǔn)方法，與尺度不變特征變換(Scale-invariant feature transform, SIFT)算法[13]和加速穩(wěn)健特征(Speed-up robust features, SURF)算法[14]相比，盡管Harris算法[15]在光照魯棒性方面不如上述二者，但同樣是應(yīng)用較為廣泛的一種特征點(diǎn)檢測(cè)算法，其優(yōu)勢(shì)在于實(shí)現(xiàn)思想簡(jiǎn)單實(shí)用，計(jì)算過(guò)程耗時(shí)較短，能夠較精確地檢測(cè)特征明顯的角點(diǎn)，滿足了本研究中快速檢測(cè)特征點(diǎn)的實(shí)際需求。

為了保證后續(xù)冠層三維重建的精度及彩色信息的有效性，選擇強(qiáng)度圖像為待配準(zhǔn)圖像，彩色圖像為目標(biāo)圖像。首先分別在多源圖像中提取尺度不變的Harris特征點(diǎn)；然后采用歸一化互相關(guān)系數(shù)法以此確定匹配的同名點(diǎn)，采用改進(jìn)RANSAC算法提純同名點(diǎn)對(duì)；最后依據(jù)同名點(diǎn)坐標(biāo)建立多源圖像空間關(guān)系映射模型，實(shí)現(xiàn)大豆冠層的多源圖像配準(zhǔn)。

3.1 坐標(biāo)變換與插值

3.1.1仿射變換

本研究采用PMD相機(jī)和彩色攝像機(jī)相結(jié)合構(gòu)成多源圖像采集系統(tǒng)，由于二者水平視角及分辨率不同，獲取的彩色圖像與PMD圖像之間往往會(huì)存在變形，所以必須選擇適合的坐標(biāo)變換類(lèi)型消除多源圖像之間的形變。目前，應(yīng)用較多的變換類(lèi)型主要有剛體變換(Rigid body transformation)[16]、投影變換(Projective transformation)[17]、仿射變換(Affine transformation)[18]、以及非線性變換(Nonlinear transformation)[19]。由于彩色圖像上任意直線構(gòu)成的像素點(diǎn)映射到PMD圖像上后仍然為直線，且二者為平行直線，采集獲取的多源圖像之間的映射關(guān)系符合仿射變換，因此采用仿射變換求解彩色圖像與強(qiáng)度圖像的坐標(biāo)變換與插值。

仿射變換是平移、旋轉(zhuǎn)、鏡像和縮放的組合，可以分解為線性變換和平移變換。在二維空間里，點(diǎn)(x,y)經(jīng)仿射變換到點(diǎn)(x′,y′)的變換公式為：

(3)

3.1.2灰度插值

以強(qiáng)度圖像為標(biāo)準(zhǔn)，對(duì)彩色圖像進(jìn)行仿射變換。彩色圖像仿射變換后，在新坐標(biāo)系中，像素點(diǎn)坐標(biāo)不能保證一定是整數(shù)，對(duì)于得到的非整數(shù)坐標(biāo)值，需要對(duì)其進(jìn)行重新采樣和插值。目前插值的方法主要為最近鄰插值法、雙線性插值法和三次插值法，這3種方法的插值精確度由低到高，速度由快到慢，考慮到變換過(guò)程兼顧速度和精度的最佳性，選擇雙線性插值算法對(duì)仿射變換后的圖像進(jìn)行重采樣。

3.2 特征點(diǎn)提取

Harris是基于圖像灰度信息的特征點(diǎn)檢測(cè)算子。該算子利用灰度圖像微分運(yùn)算和自相關(guān)矩陣檢測(cè)特征點(diǎn)位置及灰度值。特征點(diǎn)判定準(zhǔn)則是遍歷圖像所有像素點(diǎn)，若該點(diǎn)存在至少2個(gè)方向梯度的灰度絕對(duì)值都比自身灰度值大，則該點(diǎn)判定為特征點(diǎn)。設(shè)圖像中像素點(diǎn)(Δx,Δy)的灰度值為(x,y)，利用以下步驟檢測(cè)圖像的角點(diǎn)。

首先，對(duì)圖像進(jìn)行濾波，(Δx,Δy)為像素點(diǎn)(x,y)位置偏移量，位置偏移后的強(qiáng)度值變化為：

(1)

其中，M為自相關(guān)矩陣：

(2)

然后，建立角點(diǎn)響應(yīng)函數(shù)，CRF=detM-k(traceM)2，式中：detM=λ1λ2，traceM=λ1+λ2，λ1和λ2為M的特征值，表征自相關(guān)函數(shù)的一階曲率；k為經(jīng)驗(yàn)值，通常取0.05。遍歷圖像中每個(gè)像素點(diǎn)，求解CRF最大值。

最后，遍歷圖像中每個(gè)像素點(diǎn)，與相鄰8連通區(qū)域像素點(diǎn)CRF值比較，若CRF值為其8連通區(qū)域最大值，同時(shí)其大于設(shè)定閾值，則該像素點(diǎn)判為特征點(diǎn)。

3.3 特征點(diǎn)粗匹配

采用基于歸一化互相關(guān)系數(shù)法檢測(cè)彩色圖像與強(qiáng)度圖像中的特征點(diǎn)對(duì)。設(shè)Ai和Bj分別為彩色圖像和強(qiáng)度圖像中的任意特征點(diǎn)，ω1和ω2是分別以彩色圖像中的特征點(diǎn)Ai和強(qiáng)度圖像中的特征點(diǎn)Bj為中心的尺寸等同的窗口，ui和uj分別為ω1和ω2是窗口內(nèi)的灰度均值，uj為窗口的大小。因此，像素點(diǎn)Ai和Bj的相似度測(cè)度NCC表示為：

(3)

針對(duì)彩色圖像中的特征點(diǎn)Ai，在強(qiáng)度圖像中尋找與其相關(guān)性最大的特征點(diǎn)。同時(shí)針對(duì)強(qiáng)度圖像中的特征點(diǎn)Bj，尋找彩色圖像中與其互相關(guān)系數(shù)最大的點(diǎn)集，相關(guān)值大于指定閾值的點(diǎn)被確定為特征點(diǎn)對(duì)。

3.4 特征點(diǎn)精匹配

基于NCC的特征點(diǎn)匹配算法只能完成初始匹配，無(wú)法處理匹配過(guò)程中的重復(fù)匹配和誤匹配的特征點(diǎn)對(duì)，所以需要對(duì)檢測(cè)到的特征點(diǎn)對(duì)進(jìn)一步提純。RANSAC算法[20]作為經(jīng)典的精匹配算法，雖然能夠較為有效地剔除誤匹配點(diǎn)對(duì)，但在對(duì)原始數(shù)據(jù)集中的數(shù)據(jù)排序，需要回到特征點(diǎn)匹配階段進(jìn)行。這不僅費(fèi)時(shí)，也導(dǎo)致了模型估算不準(zhǔn)確或抽樣次數(shù)增加。為克服上述問(wèn)題，在特征點(diǎn)匹配階段，按照可信度將特征點(diǎn)對(duì)排序，從可信度高的點(diǎn)對(duì)開(kāi)始抽取，進(jìn)而減少抽樣次數(shù)。

(4)

(5)

式中，第i對(duì)特征點(diǎn)對(duì)行標(biāo)距離與列標(biāo)距離分別與第j對(duì)特征點(diǎn)對(duì)行標(biāo)距離與列標(biāo)距離相等。

從抽樣次數(shù)和數(shù)據(jù)檢驗(yàn)時(shí)間2個(gè)方面考慮，本研究采用文獻(xiàn)[21]中改進(jìn)RANSAC算法，對(duì)圖像特征點(diǎn)進(jìn)行精匹配，避免傳統(tǒng)RANSAC算法的計(jì)算效率低的不足。按照置信度值對(duì)粗匹配的特征點(diǎn)對(duì)進(jìn)行排序，從置信度高的特征點(diǎn)對(duì)子集中抽取特征點(diǎn)對(duì)樣本，進(jìn)而減少取樣次數(shù)及時(shí)間。該算法步驟如下：

1)記錄特征點(diǎn)對(duì)集合中每一組特征點(diǎn)對(duì)的行列坐標(biāo)，建立距離數(shù)組D(xi,yj)，并將行標(biāo)距離及列標(biāo)距離存于該數(shù)組中，同時(shí)對(duì)每類(lèi)距離值數(shù)量進(jìn)行統(tǒng)計(jì)。

2)分別求解行列坐標(biāo)距離值，若距離值屬于距離數(shù)組D，則該類(lèi)距離值增1，否則，標(biāo)記為新的距離。

3)將距離類(lèi)別按照數(shù)量排序，同時(shí)將每類(lèi)距離中的特征點(diǎn)對(duì)劃分為n個(gè)集合，即E1,E2,…,En，并將其繼續(xù)劃分為k個(gè)子集和，即{E1},{E1,E2},…,{E1,E2,…,En}，設(shè)置k個(gè)錯(cuò)誤比率，并計(jì)算出k個(gè)錯(cuò)誤比率下的不同子集和的抽樣次數(shù)Kki。

4)從子集和{E1}中隨機(jī)選取四對(duì)特征點(diǎn)對(duì)，計(jì)算模型參數(shù)，抽樣次數(shù)記作Ki，當(dāng)Ki>Kki時(shí)，從子集{E1,E2}抽樣，否則，執(zhí)行步驟5)。

5)在第i子集和中，計(jì)算其模型參數(shù)的內(nèi)點(diǎn)比例m及其歐式距離d，設(shè)定內(nèi)點(diǎn)比例閾值為t1，歐式距離和閾值為t2，若mt2，則跳轉(zhuǎn)至步驟4)，否則執(zhí)行步驟6)。

6)對(duì)模型參數(shù)進(jìn)行全局檢驗(yàn)，設(shè)定V1為全局內(nèi)點(diǎn)比例閾值，V2為全局歐式距離和閾值，若kV2，則返回步驟4)，否則結(jié)束算法。

應(yīng)用上述步驟得到的優(yōu)選模型參數(shù)，即可求解出模型中所有內(nèi)點(diǎn)。

4 試驗(yàn)驗(yàn)證

為驗(yàn)證本研究提出的圖像配準(zhǔn)算法的有效性，在黑龍江八一農(nóng)墾大學(xué)大豆種植試驗(yàn)基地(室外環(huán)境)以及電氣與信息學(xué)院(室內(nèi)環(huán)境)開(kāi)展試驗(yàn)驗(yàn)證工作。隨機(jī)選擇盆栽大豆植株各20盆，共計(jì)40組圖像，分別用于室外和室內(nèi)環(huán)境下大豆冠層多源圖像配準(zhǔn)試驗(yàn)。采用本研究使用的Harris特征點(diǎn)檢測(cè)算法和改進(jìn)RANSAC算法實(shí)現(xiàn)的大豆冠層室內(nèi)環(huán)境下的配準(zhǔn)效果及室外環(huán)境下的配準(zhǔn)效果分別見(jiàn)圖3和圖4。

將彩色圖像經(jīng)過(guò)仿射變換與插值后得到與強(qiáng)度圖像等大的圖像，同時(shí)為加快配準(zhǔn)速度，將彩色圖像變換為灰度圖像。圖3(a)、(b)與圖4(a)、(b)為分別為室內(nèi)與室外環(huán)境下利用Harris算法在彩色圖像和強(qiáng)度圖像中檢測(cè)到的特征點(diǎn)，圖3(c)與圖4(c)是利用歸一化互相關(guān)系數(shù)法得到的特征點(diǎn)粗匹配效果。可以看出，粗匹配結(jié)果存在明顯錯(cuò)誤匹配和一對(duì)多的誤匹配，因此必須對(duì)粗匹配特征點(diǎn)對(duì)進(jìn)行有效提純，才能精確地配準(zhǔn)大豆冠層的多源圖像。圖3(d)與圖4(d)為利用本研究提出的改進(jìn)RANSAC算法提取得到的精確特征點(diǎn)對(duì)，通過(guò)匹配效果可以看出，錯(cuò)誤匹配和誤匹配的情況已經(jīng)被有效地去除。

圖3 室內(nèi)環(huán)境下大豆冠層圖像配準(zhǔn)效果Fig.3 Registration effect under indoor environment for soybean canopies

圖4 室外環(huán)境下大豆冠層圖像配準(zhǔn)效果Fig.4 Registration effect under outdoor environments for soybean canopies

為評(píng)估本研究提出的大豆冠層圖像配準(zhǔn)算法，分別在室外和室內(nèi)2種環(huán)境下，利用本研究構(gòu)建的多源圖像采集設(shè)備，各采集20盆大豆冠層多源圖像。將Harris算法與SIFT算法和SURF算法在特征點(diǎn)檢測(cè)數(shù)量和運(yùn)行時(shí)間上進(jìn)行對(duì)比，對(duì)比結(jié)果見(jiàn)表1。從平均特征點(diǎn)檢測(cè)的數(shù)量上來(lái)看，SIFT算法和SURF算法分別檢測(cè)到95個(gè)和78個(gè)特征點(diǎn)，而Harris檢測(cè)到101個(gè)特征點(diǎn)，其中包含了較多的冗余點(diǎn)，因此從特征點(diǎn)檢測(cè)數(shù)量方面，并非越多越好。盡管Harris算法檢測(cè)到冗余特征點(diǎn)，但正確的特征點(diǎn)個(gè)數(shù)足以用來(lái)匹配特征點(diǎn)對(duì)，并用于求解大豆冠層多源圖像間的空間映射關(guān)系；在平均運(yùn)行時(shí)間方面，Harris算法用時(shí)2.59 s，呈現(xiàn)出了較快速的優(yōu)勢(shì)，滿足本研究快速檢測(cè)特征點(diǎn)的需求。因此本研究選用Harris算法作為大豆冠層多源圖像特征點(diǎn)檢測(cè)算法。將本研究配準(zhǔn)算法與經(jīng)典的RANSAC算法與距離約束角點(diǎn)配準(zhǔn)算法[22]在算法配準(zhǔn)精確度方面進(jìn)行比較，對(duì)比結(jié)果見(jiàn)表2?？梢钥闯?，本研究提出的改進(jìn)RANSAC算法在配準(zhǔn)正確率方面，相對(duì)于傳統(tǒng)RANSAC算法和距離約束角點(diǎn)配準(zhǔn)算法，在圖像配準(zhǔn)的準(zhǔn)確率方面有很大的提高。此外，室外環(huán)境下圖像配準(zhǔn)的準(zhǔn)確率低于室內(nèi)環(huán)境，影響其準(zhǔn)確率的因素主要在于外界光線對(duì)多源圖像成像有一定的影響，導(dǎo)致特征點(diǎn)提取時(shí)出現(xiàn)誤差，進(jìn)而影響了彩色圖像和強(qiáng)度圖像配準(zhǔn)效果。

表1 HARRIS算法與其他算法檢測(cè)大豆圖像特征點(diǎn)效果對(duì)比Table 1 Comparison of feature points detection algorithms between HARRIS and other algorithm for detection of feature points of soybean canopy images

表2 改進(jìn)RANSAC算法與其他算法對(duì)于大豆冠層圖像配準(zhǔn)效果對(duì)比Table 2 Comparison of different registration algorithms between improved RANSAC and other algorithms for registration of soybean canopy images

5 結(jié) 論

本研究利用PMD攝像機(jī)與彩色攝像機(jī)構(gòu)成多源圖像采集系統(tǒng)，獲取了室內(nèi)及室外環(huán)境下大豆冠層多源圖像，將彩色圖像與強(qiáng)度圖像作為研究對(duì)象，利用Harris算法檢測(cè)圖像中的特征點(diǎn)，并采用歸一化互相關(guān)系數(shù)法完成特征點(diǎn)的粗匹配，同時(shí)提出了改進(jìn)RANSAC算法對(duì)粗匹配特征點(diǎn)對(duì)進(jìn)行提純，獲取了有效的圖像特征點(diǎn)對(duì)。將本研究提出的圖像配準(zhǔn)算法與經(jīng)典配準(zhǔn)算法進(jìn)行比較，在室外環(huán)境下樣本組的平準(zhǔn)正確配準(zhǔn)率為83%，室內(nèi)環(huán)境下的平均正確配準(zhǔn)率為87%，驗(yàn)證了該算法的有效性。研究成果為下一步進(jìn)行大豆冠層精確三維重建提供了技術(shù)支持。