本发明主要涉及压缩感知(compressedsensing，cs)和机器视觉领域，具体涉及的是农业植株图像采集和压缩感知重构方法领域。
背景技术：
图像采集与重构是机器视觉技术发展的关键技术之一。近年来，随着农业信息化和自动化的不断发展，图像的压缩重构在农业果实植株的检测、田间管理、植物微环境生理参数采集和温室植株虫害的识别等方面起到了重要作用。当前信息需求量持续增加，信号带宽越来越宽，如何高速率高质量地对图像进行压缩采集并重构已成为国内外机构的热点和重点。比起香农采样定理对采样率至少达到原始信号带宽两倍以上的要求，采样与压缩并行的压缩感知理论有效地克服了该缺陷，为信息的传输提供了新的途径。
压缩感知理论主要由信号的稀疏表示、测量矩阵和重构算法三部分组成。信号的稀疏表示是压缩感知的先验条件，测量矩阵需要满足等距约束性条件才可以精确重构原始信号，而重构算法是压缩感知中最为关键的一部分。常见的重构算法主要有三种类型：凸优化算法、迭代贪婪算法和组合算法，其中，贪婪算法由于自身计算量小且结构简单运用最为广泛。dneedell等人提出了具有回溯思想的压缩采样匹配追踪算法(cosamp)，该算法对选取的支撑集原子进行回溯以剔除错误的原子，从而达到了更高的重构精度，但是消耗时间大大增大。thongt.do等人提出了稀疏度自适应匹配追踪算法(samp)，该算法通过倍增固定步长逐步逼近信号真实稀疏度进行重构，缩短了重构时间，但是也导致了精度不够及过估计问题。
在农业植株的检测与识别过程中，目标物体的识别是首要解决的问题。itti等人提出的自下而上的显著性模型。该模型通过初级特征的提取，获取显著性特征图，从而彰显目标物体，但是提取效果并不突出。文献《基于压缩感知的植物微环境及生理参数采集方法研究》(高超，张新，赵玥等，农业机械学报，2017，48(3)：317-324.)针对植株微环境及生理参数在arm平台上设计了基于压缩感知的采集算法，在节省数据存储空间和降低数据传输量的同时，一定程度上也降低了系统的功耗，但是对于不同尺度和背景下的植物信息采集并未验证。文献《压缩感知苹果图像并行快速重构方法研究》(代媛，何东健，杨龙等，农业机械学报，2014，45(9)：72-78.)提出了一种压缩感知苹果图像的并行快速重构方法，该算法分析了二维正交匹配跟踪重构算法的并行性，结合gpu通用并行计算平台设计出对应的并行化重构算法，初步提高了苹果图像的重构效率，但是并没有保证苹果图像的重构质量，且未能消除复杂背景。
专利《一种变步长正则化自适应压缩采样匹配追踪方法》(廖勇，周昕，李瑜锋等，重庆大学，2015)提出了一种变步长正则化自适应压缩采样匹配追踪算法，该算法改进了samp固定步长带来的精度不够以及过度估计问题，一定程度上提高了重构方法的重构精度，但在迭代优化上仍沿用最快下降算法，在求解函数时，存在过于贪婪导致收敛速度较慢，重构效率不高。
技术实现要素：
本发明针对以上问题，在图像采集上选用kinect获取目标植株的彩色图像，分别采用hsv彩色空间的颜色特征和sobel算子的轮廓特征输入至itti模型中融合构建显著性特征图；在重构算法上，以压缩采样匹配追踪算法(cosamp)为基础，融合正则化和变步长自适应思想，同时结合dog-leg最小二乘算法进行迭代优化，提出了一种基于dog-leg的正则化自适应压缩采样匹配追踪算法(dlracsmp)，可以达到更高的重构精度和更快的重构速率。本发明的目的是：针对农业图像采集及重构中传统压缩感知方法重构精度低、消耗时间长等情况，提出相应解决方案，从而达到对某些农作物的生长状况进行有效的观察和分析，解决长期阶段对农作物观察的数据大而带来的的存储和传输问题。
本发明的技术方案为：一种基于目标植株的压缩采样非线性迭代优化重构方法，包括以下步骤：
步骤1，对目标植株进行图像采集，选取kinect传感器，通过自带的sdk获取的图像为rgb图像，再将其转换成hsv色彩空间获得植株的亮度图和色调图；步骤2，利用sobel边缘检测算法提取目标植株的整体形态及其轮廓特征，获得植株的轮廓图；步骤3：显著性特征图的获取；步骤4：针对目标植株的显著性特征图，采用dog-leg最小二乘的正则化自适应压缩采样匹配追踪算法对其进行压缩重构。
进一步，所述步骤1中，
亮度图转换公式：v＝max(r，g，b)
(1)
色调图转换公式：
其中：r、g、b分别是rgb色彩空间中的红、绿、蓝分量，且h∈[0，360]，r∈[0，1]，g∈[0，1]，b∈[0，1]，v∈[0，1]。
进一步，所述步骤3的具体过程为：将得到的亮度图、色调图和轮廓图分别通过多尺度的高斯滤波器后得到各自的图像金字塔，并对其进行中央-周边差运算获取三张分别基于色调、亮度和轮廓的特征图，采用归一化因子对每一个特征通道的特征图进行归一化处理，由低到高对其不同尺度层的位移图进行下采样，再运用点对点的加法运算，获取每一个特征通道的显著性特征图，最后通过加权平均将三张显著性特征图融合成一张显著性特征图。
进一步，所述步骤4的具体过程为：
输入：观测值y，观测矩阵φ，正交变换基ψ，初始步长s，s≠0；
步骤4.1：初始残差r0＝y，阶段步长stage＝1，迭代停止阈值ε1和阶段步长阈值ε2，索引集
步骤4.2：由式u＝{uj|uj＝|<r，φj>}计算相关系数u，再将其中最大的2l个原子的索引值利用式|ui|≤2|uj|进行正则化处理，最后将筛选后的索引值更新存入新索引集λ0中。步骤中，uj表示第j个相关系数，r表示残差，φj表示第j次的观测矩阵，j＝1，2，...，n，n为正整数，ui、uj分别表示第i、j个相关系数，i，j∈索引集λ；
步骤4.3：将索引集λ0并入支撑集ft，利用式
步骤4.4：再次重建信号
步骤4.5：若满足停止迭代条件
步骤4.6：若满足扩大支撑集长度条件||ri||2≥||r||2，则转步骤4.7；否则残差r＝ri，迭代次数t＝t+1，并转步骤4.2；
步骤4.7：若满足变步长条件
输出：信号x的稀疏估计
进一步，两个阈值ε1和ε2分别控制迭代停止与迭代阶段步长，自适应参数a可以根据信号特征进行步长的调整，实现小步长精确逼近。
进一步，两个阈值ε1和ε2分别设置在10-4和10-6之间，参数a在(0，1)间取值。
进一步，所述步骤4.4中利用dog-leg最小二乘法计算重构误差的具体步骤如下：
步骤4.4.1：给定初始值x0，以及初试优化半径μ；
步骤4.4.2：对于第k次迭代，求解：
其中，μ表示信赖区域的半径；式中，j(x)表示jacobin矩阵；
步骤4.4.3：计算ρ，ρ表示增益比；
步骤4.4.4：若
步骤4.4.5：若
步骤4.4.6：如果ρ大于某阈值，认为近似可行，令xk+1＝xk+δxk；
步骤4.4.7：判断算法是否收敛，如不收敛，则返回4.4.2；否则结束。
进一步，还包括步骤5：使用本发明的重构算法对目标植株进行采样重构，并与其他几种重构算法的重构效果进行对比。
上述图像采集上，选取kinectv2传感器，通过自带的sdk获取的图像为rgb图像，再将其转换成hsv色彩空间获得植株的亮度图和色调图，利用sobel边缘检测算法提取目标植株的整体形态及其轮廓特征，获取植株的轮廓图，分别通过多尺度的高斯滤波器后得到各自的图像金字塔，并对其进行中央-周边差运算获取三张分别基于色调、亮度和轮廓的特征图。采用归一化因子对每一个特征通道的特征图进行归一化处理，由低到高对其不同尺度层的位移图进行下采样，再运用点对点的加法运算，获取每一个特征通道的显著性特征图。最后通过加权平均将三张显著性特征图融合成一张显著性特征图；图像算法上，cosamp算法虽引入了回溯思想，在选取支撑集原子时剔除了错误的原子，获得较好的重构效果，但在迭代过程中每次选择2k个原子扩充候选原子集，在进行最小二乘估计时，一定程度上增大了计算量，同时该算法还需要知道原始信号的稀疏度k值，而实际中k是未知的，针对以上两个问题，本文提出了一种基于dog-leg最小二乘的正则化自适应压缩采样匹配追踪(dlracsmp)算法。在cosamp算法中把最大的2k个值所对应的索引集λ并入支撑集f时，引入正则化思想对原子进行进一步筛选，并把筛选后的原子保留到下次迭代中，利用回溯思想更新支撑集，采用dog-leg最小二乘算法计算残差，再比较相邻重构过程获得的残差值的大小，设定相对阈值调整步长，通过大步长快速接近，提高重构时间，小步长精确逼近保证重构精度，从而实现信号快速并精确地重构。
本方案的优点是：
1)显著性处理之后的图像凸显了前景目标，简化了复杂背景，一定程度上减少了不必要数据的采集。
2)结合dog-leg最小二乘算法，避免了最快下降法运算过程中过于贪婪导致的收敛速度减慢的情况，同时混合了gaussnewton法的特性，保证了算法整体的稳定性，加快了收敛速度，有效改善了图像重构效率和重构精度。
3)引入cosamp算法回溯思想的情况下，应用正则化对原子进行二次筛选，保证快速性的同时确保支撑集选取的正确性以提高重构精度。
4)应用双重阈值实现步长的自适应变化，大步长快速接近、小步长精确逼近的思想也在提高效率的同时使得估计出的信号稀疏度更逼近真实值，从而达到更高的重构精度。
5)该方法可以进一步推广应用于其他场合的图像采集中，实现基于kinect传感器的农业植株生长状态的检测以及病虫害的及时防治等过程中植株信息。
附图说明：
图1为基于机器视觉的压缩采样非线性迭代优化重构算法整体流程图。
图2为基于dog-leg最小二乘的正则化自适应压缩采样匹配追踪(dlracsmp)算法流程图。
图3为dlracsmp算法与其他几种重构算法的重构效果对比图。a.多植株灰度图；b多植株显著性特征图；c.romp灰度图；d.romp显著性特征图；e.cosamp灰度图；f.cosamp显著性特征图；g.dlracsmp灰度图；h.dlracsmp显著性特征图；
具体实施方式：
如图1所示，基于机器视觉的压缩采样非线性迭代优化重构算法整体流程图。具体实施方式的步骤如下：
步骤1：对于图像采集上，选取kinectv2传感器，通过自带的sdk获取的图像为rgb图像，再将其转换成hsv色彩空间获得植株的亮度图和色调图。具体如下：
亮度图转换公式：v＝max(r，g，b)(1)
色调图转换公式：
其中：r、g、b分别是rgb色彩空间中的红、绿、蓝分量，且h∈[0，360]，r∈[0，1]，g∈[0，1]，b∈[0，1]，v∈[0，1]。
步骤2：利用sobel边缘检测算法提取目标植株的整体形态及其轮廓特征，获得植株的轮廓图。
步骤3：显著性特征图的获取。将得到的亮度图、色调图和轮廓图分别通过多尺度的高斯滤波器后得到各自的图像金字塔，并对其进行中央-周边差运算获取三张分别基于色调、亮度和轮廓的特征图。采用归一化因子对每一个特征通道的特征图进行归一化处理，由低到高对其不同尺度层的位移图进行下采样，再运用点对点的加法运算，获取每一个特征通道的显著性特征图。最后通过加权平均将三张显著性特征图融合成一张显著性特征图。
步骤4：针对目标植株的显著性特征图，采用dog-leg最小二乘的正则化自适应压缩采样匹配追踪(dlracsmp)算法对其进行压缩重构(如图2所示)。具体如下：
输入：观测值y，观测矩阵φ，正交变换基ψ，初始步长s(s≠0)；
步骤4.1：初始残差r0＝少，阶段步长stage＝1，迭代停止阈值ε1和阶段步长阈值ε2，索引集
步骤4.2：由式u＝{uj|uj＝|<r，φj>}计算相关系数u，再将其中最大的2l个原子的索引值利用式|ui|≤2|uj|进行正则化处理，最后将筛选后的索引值更新存入新索引集λ0中。步骤中，uj表示第j个相关系数，r表示残差，φj表示第j次的观测矩阵，j＝1，2，...，n，n为正整数，ui、uj分别表示第i、j个相关系数，i，j∈索引集λ；
步骤4.3：将索引集λ0并入支撑集ft，利用式
步骤4.4：再次重建信号
步骤4.5：若满足停止迭代条件
步骤4.6：若满足扩大支撑集长度条件||ri||2≥||r||2，则转步骤4.7；否则残差r＝rt，迭代次数t＝t+1，并转步骤4.2；
步骤4.7：若满足变步长条件
输出：信号x的稀疏估计
对于步骤4的重构过程中，两个阈值ε1和ε2分别控制迭代停止与迭代阶段步长，自适应参数a可以根据信号特征进行步长的调整，实现小步长精确逼近。为了提高重构精度和计算速度，在实际的迭代算法中，设置的两个阈值在10-4和10-6之间，参数a在(0，1)间取值。
同时，步骤4.4进行迭代优化时，本发明选用dog-leg最小二乘算法。常见的最速下降法和gaussnewton法虽然直观，但在实际运用中仍存在一些问题，如最速下降法运算时会出现贪婪问题，收敛速度比较低，gaussnewton法需要计算复杂的hessian矩阵，计算结果不稳定。dog-leg最小二乘算法引入了信赖区域思想(trustregion)，近似程度描述如下式所示：
式中，ρ表示增益比，j(x)表示jacobin矩阵。
trustregion认为近似只在一定范围内成立，如果近似太小，则缩小范围；反之，则增加近似范围，保证了增量方程的正定性。同时该思想结合了最速下降法和gaussnewton法的优点，在保持稳定性的前提下，也加快了收敛速度。具体步骤如下：
步骤4.4.1：给定初始值x0，以及初试优化半径μ；
步骤4.4.2：对于第k次迭代，求解：
其中，μ表示信赖区域的半径；
步骤4.4.3：计算ρ，ρ表示增益比；
步骤4.4.4：若
步骤4.4.5：若
步骤4.4.6：如果ρ大于某阈值(任意小的值)，认为近似可行，令xk+1＝xk+δxk；
步骤4.4.7：判断算法是否收敛。如不收敛，则返回4.4.2；否则结束。
步骤5：使用本发明的重构算法对目标植株进行采样重构，并与其他几种重构算法的重构效果进行对比(如图3所示)。重构过程中选取采样率(m/n)为0.50，同时选取前两棵植株树干及叶片末梢部分进行放大并置于重构图像右上角处。由图可以发现，在直观的视觉感觉上，多植株灰度图在dlracsmp算法下的重构质量明显优于其他两种重构算法，图像的细节部分有较好地保留，枝干间隙处暗影较少，叶片轮廓也比romp和cosamp更清晰。并且，经过显著性处理之后，三种算法下植株的重构质量都有所提升，同时，从局部放大的部分可以看出，dlracsmp算法下植株枝叶间暗影几乎全部消失，高亮区域更突显出枝叶的轮廓特征。
综上，本发明的基于机器视觉的压缩采样非线性迭代优化重构算法，由于传统方式采集的图像数据量较大，本发明从传感器采集的数据入手，先对目标植株图像进行显著性处理，将rgb图像转换成hsv色彩空间，获取植株亮度特征图和色调特征图，再采用sobel边缘检测方法获得植株的轮廓特征图，最后对每一个特征通道的特征图进行归一化处理，并通过加权平均融合成一张显著性特征图，大大降低了传感器数据的存储和传输压力。其次，再采用基于压缩感知中测量矩阵对海量冗余数据进行筛选，可以实现采集数据的压缩，最终通过解压缩数据重构得到植株的图像。本发明利用的是压缩采样非线性迭代重构算法，主要以压缩采样匹配追踪算法(cosamp)为基础，保有回溯作用的同时，结合了正则化和变步长自适应思想，应用正则化对原子进行二次筛选，提高了运行速度，并确保支撑集选取的正确性以提高重构精度；应用双重阈值实现步长的自适应变化，大步长快速接近、小步长精确逼近的思想使得估计出的信号稀疏度更逼近真实值，从而达到更高的重构精度。更重要的是，在迭代优化过程中，结合dog-leg最小二乘算法，避免了最快下降法运算过程中过于贪婪导致的收敛速度减慢的情况，同时混合了gaussnewton法的特性，保证了算法整体的稳定性，加快了收敛速度，有效改善了图像重构效率和重构精度。