面向低纹理图像的快速立体匹配

立体匹配中,低纹理区域容易产生匹配多义性,导致失配,为了解决低纹理匹配问题,通常采用增大聚合窗口或全局优化算法(如:动态规划算法),但是此类算法会导致边缘处的视差模糊不清,因此,文章提出了一种基于边缘图像的快速立体匹配算法。首先,对立体图像对进行边缘检测和Sobel滤波;然后,基于So-bel滤波后的图像,先后计算水平聚合代价和垂直聚合代价;最后,利用WTA(Winter-Take-All)优化算法得到最终视差图。实验中,对视差稠密度和准确度进行了定量分析,左右一致性检验平均达标率超过了88%,结果表明,本算法使用边缘提取取代图像分割作为代价聚合向导,很好地解决了低纹理区域立体匹配问题,同时大大提高了匹配效率,获得了准确可靠的视差图,达到了自主导航系统的要求。

基于无人机高光谱影像的冬小麦全蚀病监测模型研究

冬小麦全蚀病是导致小麦大幅减产甚至绝收的土传检疫性病害。快速、无损地监测冬小麦全蚀病空间分布对其防治具有重要意义。以无人机搭载成像高光谱仪为遥感平台,利用成像高光谱影像结合地面病害调查数据,在田块尺度对冬小麦全蚀病病情指数分布进行空间填图。利用地物光谱仪(ASD)同步获取的高光谱数据评价UHD185光谱数据质量,综合运用统计分析以及遥感反演填图技术,计算光谱指数(Difference spectral index,DSI)、比值光谱指数(Ratio spectral index,RSI)及归一化差值光谱指数(Normalized difference spectral index,NDSI)与病情指数(DI)构建决定系数等势图,筛选最优光谱指数与DI构建线性回归模型,并利用3个光谱指数构建偏最小二乘回归预测模型,以对比模型预测精度与稳健性。最后用独立数据对模型进行检验。结果表明,冬小麦冠层的ASD光谱数据与UHD185光谱数据相关性显著,决定系数R2达0.97以上,3类光谱指数与DI构建偏最小二乘回归模型,得到模型验证结果(R2=0.6292,RMSE=10.2%,MAE=16.6%),其中DSI(R818,R534)对模型贡献度最高,利用DSI(R818,R534)与DI构建线性回归模型为y=-6.4901x+1.4613(R2=0.8605,RMSE=7.3%,MAE=19.1%),且通过独立样本的模型验证精度(R2=0.76,RMSE=14.9%,MAE=11.7%,n=20)。最后使用该模型对冬小麦进行病情指数反演,制作了冬小麦全蚀病病害空间分布图,本研究结果为无人机高光谱遥感在冬小麦全蚀病的精准监测方面提供了技术支撑,并对未来卫星遥感探索冬小麦全蚀病大面积监测提供了理论基础。

小麦全蚀病与小麦产量损失率

小麦全蚀病与小麦产量损失率陈怀谷王裕中史建荣沈素文陈怀谷：男，３３岁，硕士研究生，助理研究员。本研究系江苏省科委应用研究项目（ＢＹ９１０２８）。收稿日期：１９９６－１０－２２（江苏省农业科学院植物保护研究所，南京２１００１４）关键词：小麦全蚀病；损失...