在异质农业环境中对多谱图像注册策略的综合评估

科学领域:

• 农业遥感 农业遥感
• 计算机视觉 计算机视觉 计算机视觉
• 图像处理 图像处理

背景情况:

• 准确的多光谱 (MS) 图像记录对于精确的农业监测和杂草检测至关重要.
• 规模不变特征转换 (SIFT) 和随机样本共识 (RANSAC) 是图像注册的常用算法.
• 评估不同的注册策略对于优化复杂农业场景的性能至关重要.

研究的目的:

• 综合评估三种基于SIFT和RANSAC的MS图像注册方法.
• 评估包含作物 (Triticum aestivum) 和杂草 (Raphanus raphanistrum) 的异质农业环境的注册准确性.
• 为了比较使用手动与自动细分的注册方法的性能.

主要方法:

• 评估了三种基于SIFT和RANSAC的注册方法:注释的空间调整,从地面真相注册二进制面具,以及注册感兴趣的面具像素.
• 这些方法在Triticum aestivum和Raphanus raphanistrum的MS图像上进行了测试.
• 使用手动细分的地面真实数据和自动细分的实例 (YOLOv8l-seg) 分析了性能.

主要成果:

• 从手动分割的图像中使用二进制面具进行注册,获得了最高的准确性,超过了空间调整和掩盖的像素注册.
• 对于自动细分的图像,预测的掩码实例的记录比掩码像素的记录更准确.
• 近红外和蓝色频道分别在地面真相和自动细分图像中显示出更高的准确性. 实例级准确性因道和方法而异.

结论:

• 基于二进制面具的MS图像注册,特别是来自手动细分,为区分作物和杂草提供了更高的准确性.
• 像YOLOv8l-seg这样的自动细分方法在提高农业应用中的注册准确性方面具有前景.
• 道选择和特定的注册策略显著影响整体准确性,突出需要量身定制的方法.