基于改进SIFT算法的田间作物根系图像拼接方法研究

　　

摘要：

获取根系信息对研究作物养分吸收和水分利用效率具有重要意义。目前常用的微根管方法虽然能够获取根系图像，但难以将分散拍摄的局部根系图像整合为连续的根系分布图，限制了根系表型特征的连续提取和定量分析。因此，本文基于课题组自主研制的根系图像自动监测管道机器人，提出了一种高效、快速的根系图像拼接方法，实现对根系全景图像的构建。首先，利用机器人系统自动采集根系图像，并采用Gamma校正和CLAHE算法增强图像的亮度和局部对比度；然后基于改进SIFT算法设置重叠区域边界，并利用自适应阈值筛选高响应特征点，同时引入PCA降维方法降低计算复杂度；最后，使用多波段融合技术实现无缝拼接。试验选取3组玉米不同生长阶段的根系图像，并将改进SIFT算法与传统特征提取算法(ORB、SURF、SIFT)进行对比。结果显示，预处理图像的平均对比度和平均信息熵分别提升19%和15%；改进SIFT算法的正确匹配率较ORB、SURF、SIFT算法分别提升91.7%、35.9%和24.3%，平均时间效率提升1.12倍、11.57倍和1.11倍。此外，为验证本文所提方法的稳定性和鲁棒性，设置了5组不同放缩比例的尺度变换试验。结果表明，改进SIFT算法在平均重叠面积和百分比2项指标上均达到最高值。综上，该方法应用于根系图像自动监测管道机器人系统中，可高效拼接根系图像，为后续根系表型分析奠定基础。