论文部分内容阅读
大型采育装备的使用提高了林业生产效率。但是由于可见光图像的局限性,林木的边缘信息不能被完整地捕捉,提取的特征数据准确性低,不能保证目标识别及后续采育目标智能选择的精度,可影响采育装备的功效。因此,通过多源图像数据的融合,为采育装备提供稳定、可靠的数据信息,便具有重要的实用意义。图像融合是现代人工智能理论中的图像增强方法,不仅可以降低数据的存储压力,还能获取更大、更优的图像信息。其结果兼具可见光图像高清晰度的纹理细节和红外图像的边缘轮廓。本文针对林木样本图像灰度差异大的特点,在像素级和特征级进行了融合算法的研究。旨在通过信息融合,实现林木特征的精确提取,确保数据稳定性和可靠性,进而提高目标识别的准确率。取得的研究成果如下：1.提出了基于Contourlet结合PCNN的像素级融合算法。针对林木图像样本的特点完善了融合规则,避免了在像素级融合过程中容易产生的灰度畸变和块状效应,同时保证了图像质量。2.在live wire分割的基础上,提出基于模糊逻辑和区域特征的特征级融合算法。在保证融合图像质量的同时,增强并显化图像中目标区域的细节特征,提高获取数据的准确性和可靠性。实验数据表明,本方法目标区域的关键指标——纹理能量和至少高出27.4%。3.以Teaching Learning based Optimization (TLBO)算法对融合过程中的加权系数进行优化,并整定模型中的随机参量取值范围,实现融合效果优化。与优化前相比,图像信息量提高了2.05%,空间活跃度提高了15.27%。4.实验数据显示,像素级融合结果的目标识别准确率为91.2%,特征级为93.6%；较原始红外样本图像,识别准确率提高了11.5%和13.9%；较原始可见光样本图像,识别准确率提高了16.4%和18.8%。像素级与特征级融合各具特点,具有不同的适用范围。前者在提高图像信息量,提升视觉效果方面具有主观优势,但是运算过程耗时长,对硬件要求高；后者可以有针对性地提高图像中指定区域质量,信息处理量小耗时相对较短,更适用于林区智能信息检测。