今天是
搜索服务：
栏目导航
新视觉 | 高光谱3D植物模型诊断作物长势及病害
来源：遥感技术及应用服务
发布时间：19-06-28
点击数：
高光谱图像是评估植物活力和应激反应的重要工具。近来，用于高光谱植物表型分析的传感器技术在分辨率、准确度和测量时间方面得到显着改善，并被整合到表型分析平台中。目前，有三种主要类型的高光谱传感器可用。线传感器同时捕获排列在一条线上的一个或多个像素的全光谱特性，然后通过旋转或移动来组成图像相机相对于被观察物体。对于推扫式基于移动线相机的传感器，测量结果是非******图像。作为备选，单色传感器阵列同时观察完整图像，而入射波长由可调谐滤波定义。作为替代方案，单色传感器阵列同时观察完整图像，而入射波长由可调滤波器定义。然后，高光谱图像立方体由有限数量的连续测量的单******像切片组成。最近，高光谱相机可用于同时捕获全图像帧的全光谱特性。只有这种类型的高光谱相机能够捕捉动态场景，但到目前为止，光谱分辨率有限。目前，推扫式传感器设计提供最高的光谱和空间分辨率。然而，所有这些传感器设计捕获的光谱信号都受到几何传感器配置和工厂几何形状的影响（图1）。同时，用于评估3D形状的传感器技术得到了显着改善。因此，在高光谱中结合两种数据类型，即高光谱图像和3D点云的模型是合理的。基于互补两个信息层的特征使用光谱和空间特征的协同作用的几个应用程序成为了可能。例如，各种光学的解释效果由几何图形给出，如图1所示。在一个空间模型系统中，将两种数据类型，原因和效果联系起来，为描述生成一个合适的数据库，并消除误导效应。
高光谱传感器很早之前已被引入用于检测植物的健康长势。近几年，随着植物表型的发展，它们还被用于具有高度复杂结构的植物冠层的近距离感测。然而，植物的复杂几何形状及其与照明设置的相互作用严重影响所获得的光谱信息。此外，分析结果的空间成分变得重要，因为高等植物由多个植物器官表示为叶，茎和种子荚。因此，高光谱图像和3D点云的组合是面对这些问题很有效的方法。我们将高光谱三维植物模型的生成和应用呈现为计算机视觉的一个新的、有趣的应用领域，具有各种具有挑战性的任务。我们总结了一种用于高光谱推扫式摄影机的几何校准方法，该方法使用参考物体来组合光谱和空间信息。此外，我们在甜菜植物实验中展示了由高光谱3D模型实现的示例性新校准和分析方法。改进的归一化，图像和3D分析的比较以及受感染表面点的密度估计强调了使用这种新数据类型获得的一些新功能。基于这种高光谱3D模型，可以量化和建模植物几何形状和传感器配置的影响。将来，反射模型可用于消除或削弱高光谱图像中与几何相关的影响，因此有可能显著改善自动化植物表型。
本文我们提出高光谱三维植物模型作为处理几何相关传感器信号的解决方案和高光谱成像的缺点。两个独立数据源的结合在生成和分析中引发了许多开放性问题。这些开放性问题中的大多数可以分配到计算机视觉领域，从而为植物研究中的许多领域提供连接点。基于这一新数据源，我们确定了计算机视觉的几个活动领域。在高通量平台中生成高光谱3D模型需要新的传感器和注册软件，包括适用于在2D图像中植入表面的特征描述符和3D点云。他们的解释需要考虑两个数据通道之间特定关系的分析方法。合适的方法将在考虑互信息的情况下组合两个信道。迄今为止，基于几何学的高光谱植物图像的辐射校准在近距离内被忽略。高光谱3D植物模型提供了全面的用于自动校正的数据库。然而，它需要高光谱，虚拟模拟环境，集成适用于植物组织的高光谱射线追踪算法。此外，还需要对植物反射特性的测量和参数化进行广泛的研究。我们相信高光谱3D植物模型可以显着改善表型分析结果，并且它们是计算机视觉社区的机会。我们相信计算机视觉社区可以为解决社会面临的重大挑战做出贡献。加速繁殖和改进的精确作物保护大大有助于保护食物供应，同时减少水，肥料和杀虫剂等资源的使用。
顶一下
(2)
100%
