CN109541966A - 植物生理监控管理系统 - Google Patents
植物生理监控管理系统 Download PDFInfo
- Publication number
- CN109541966A CN109541966A CN201810745635.2A CN201810745635A CN109541966A CN 109541966 A CN109541966 A CN 109541966A CN 201810745635 A CN201810745635 A CN 201810745635A CN 109541966 A CN109541966 A CN 109541966A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- data
- plant
- gpu
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于植物监控技术领域,公开了一种植物生理监控管理系统,所述植物生理监控管理系统包括:水分检测模块、光照检测模块、图像采集模块、中央控制模块、长势监控模块、照明模块、数据统计模块、显示模块。本发明通过长势监控模块可以通过采集的图像进行判断植物的长势,大大提高对植物长势的检测效率;同时通过照明模块对植物进行提供光源,延长植物光合作用,促进植物生长,提高产量。
Description
技术领域
本发明属于植物监控技术领域,尤其涉及一种植物生理监控管理系统。
背景技术
目前,业内常用的现有技术是这样的:
植物共有六大器官:根、茎、叶、花、果实、种子。茎是植物体中轴部分。直立或匍匐于水中,茎上生有分枝,分枝顶端具有分生细胞,进行顶端生长。茎一般分化成短的节和长的节间两部分。茎具有输导营养物质和水分以及支持叶、花和果实在一定空间的作用。有的茎还具有光合作用、贮藏营养物质和繁殖的功能。叶是维管植物营养器官之一。功能为进行光合作用合成有机物,并有蒸腾作用提供根系从外界吸收水和矿质营养的动力。花是具有繁殖功能的变态短枝。果实主要是作为传播种子的媒介。种子具有繁殖和传播的作用,种子还有种种适于传播或抵抗不良条件的结构,为植物的种族延续创造了良好的条件。然而,现有对植物长势监测效率低;同时现有植物生长周期长,产量低。
图像重建尤其是三维重建,计算量大、耗时高,计算复杂度与被重建体数据量、投影视图个数的乘积成正比,比如从360个投影视图重建512张512×512大小的图像(即5123volume)的计算复杂度为360×5123。如何提高重建速度受到越来越多的人重视,在2011年召开的第十一届Fully3D(The 11th International Meeting on Fully Three-Dimensional Image Reconstruction)会议论文集里有约1/4的文章涉及到三维加速重建,在其他杂志上涉及CT重建加速的文章近年来也很多。
GPU的单指令多数据流(Single Instruction Multiple Data,缩写为SIMD)处理模式为可并行地对大规模数据进行同样的操作。由于计算机游戏和工程设计的巨大市场驱动,GPU的发展速度大大超过了CPU的发展速度,图形流水线的高速度和高带宽极大地提高了图形处理能力,近年来发展起来的可编程功能为图形处理之外的通用计算提供了高性价比的运行平台,使得基于GPU的通用计算成为近年来的研究热点之一。
FDK重建算法于1984年由Fedlkamp等人首先提出,对CT近似重建有着重大意义,目前广泛应用于锥形束投影重建,而且各个角度的反投影无数据交换,具有高度的并行性,因此特别适于GPU这种单指令多数据(SIMD)的流式计算架构。
最早的GPGPU(General Purpose GPU,即通用计算图形处理器)开发直接使用了图形学API编程。这种开发方式要求编程人员将数据打包成纹理,将计算任务映射为对纹理的渲染过程,用汇编或者高级着色器语言(如GLSL、Cg、HLSL)编写shader程序,然后通过图形学API(Direct3D、OpenGL)执行。这种“曲线救国”的方式不仅要求熟悉需要实现的计算和并行算法,还要对图形学硬件和编程接口有深入的了解。由于开发难度大,传统GPGPU没有被广泛应用。
CUDA(Compute Unified Device Architecture,统一计算设备架构)的GPU采用了统一处理架构,可以更加有效地利用过去分布在顶点渲染器和像素渲染器的计算资源;而且引入了片内共享存储器,支持随机写入(scatter)和线程间通信。
模糊度是图像质量的一个重要的衡量指标,图像的模糊度评价是图像质量评价领域的重要研究课题。不少已有的传统模糊度评价方法建立在待评价图像自身的结构特点上,比如边缘信息、纹理特征等,可以归纳为一种绝对的评价方法,这样带来的问题就是评价方法对内容有了依赖性,只能局限于比较相同内容图像的模糊度,后来一些可以用于评价不同内容图像模糊度的方法复杂性较高,实时性较差。随着可拍照智能终端的普及,人们越来越多地通过图像来获取存储信息,因此快速对获取的图像进行模糊度评价不但能够丰富智能终端图像获取系统的功能、评估设备的硬件性能,对获取高质量图像也具有重要意义。
近年来,已有学者对Alpha稳定分布噪声模型下的单载频信号的载频估计进行了一定的研究,但其研究成果较少。孙永梅等人提出基于分数低阶统计量,提出了一种适用于Alpha稳定分布的新的谱分析方法。该方法利用分数低阶协方差谱,对全部取值范围(0<α≤2)的带噪信号进行频率特性分析,并提出了加权交叠平均法估计分数低阶协方差谱。该方法对任何一个α取值都适用,且谱估计的方差较小。但是该文献中并没有对载频估计给出具体算法步骤,仍需对其协方差谱进行深入研究才能估计出载频(孙永梅,邱天爽,李晖,魏梅.α稳定分布过程的谱分析方法[J].大连交通大学学报,2010,31(4):9-12)。赵春晖等人针对基于二阶循环统计量的参数估计方法在Alpha稳定分布噪声中严重退化的问题,提出了一种基于分数低阶循环谱的MPSK信号载频估计方法,对于不同M值下的PSK信号,分析了其载波频率与相应分数低阶循环谱参数的关系,在此基础上给出了适合所有PSK信号的载波频率估计方法。该方法在混合信噪比为-10dB且α为1.5时,BPSK信号的载频估计的归一化均方误差为0.043,QPSK信号载频估计的归一化均方误差为0.041,因此低信噪比下的载频估计性能仍有待提高(赵春晖,杨伟超,成宝芝.Alpha稳定分布噪声背景下MPSK信号参数估计[J].沈阳工业大学学报,2013,35(2):194-199)。
综上所述,现有技术存在的问题是:
现有对植物长势监测效率低;同时现有植物生长周期长,产量低。
鉴于现有技术的不足,针对目前锥形束重建时数据输入、数据加权、数据滤波及反投影串行执行的瓶颈问题,提出了基于CUDA架构中GPU异步并行处理的重建方法,从而提高重建速度。
本发明采用了异步并行的执行方法,明显提高了CT图像的重建速度。
传统的图像评价方法不能用于评价不同内容的图像模糊度的难题。
发明内容
针对现有技术存在的问题,本发明提供了一种植物生理监控管理系统。
本发明是这样实现的,植物生理监控管理系统包括:
水分检测模块,与中央控制模块连接,用于通过水分传感器对植物水分进行检测;
光照检测模块,与中央控制模块连接,用于通过光照传感器对植物受到光强进行检测;
图像采集模块,与中央控制模块连接,用于通过摄像头对植物生长状况进行采集;图像采集模块集成有数据输入模块、基于GPU的CT数据加权滤波模块、基于GPU的CT图像重建反投影模块以及数据输出模块;图像采集模块图像采集中,从摄像头扫描的X射线强度数据获得投影数据,经过预处理后,由CPU读入到内存中;应用程序实现任务级的并行化,通过使用两个或两个以上的流,使GPU在执行核函数的同时,能在植物生理监控管理系统设置的主机与设备之间执行复制操作;
中央控制模块,与水分检测模块、光照检测模块、图像采集模块、长势监控模块、照明模块、数据统计模块、显示模块连接,用于调度各个模块正常工作;
长势监控模块,与中央控制模块连接,用于通过图像采集模块采集的植物图像对图像中植物的长势变化进行监控;长势监控模块的监控方法包括:
步骤一,图像获取,获取植物长势待评价图像;图像获取中,对接收的含有Alpha稳定分布噪声的PSK信号求循环共变函数;对所述循环共变函数进行傅里叶变换,求其循环共变谱;通过所述循环共变谱提取循环频率ε=0Hz的截面;搜索所述截面的正负半轴的峰值,找到所述峰值对应的正负频率值,并取绝对值后求均值作为载频的估计值;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤六,图像模糊度指标计算,将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间;
步骤七,根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max];
步骤八,图像模糊度调整,若图像模糊度指标小于min,根据步骤六,说明图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;同理若大于max,说明图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
步骤九,得出最终图像和该图像模糊度评价指标,并显示在显示模块;
照明模块,与中央控制模块连接,用于通过LED灯给植物提供额外光源;
数据统计模块,与中央控制模块连接,用于对检测的数据进行统计分析;
显示模块,与中央控制模块连接,用于显示植物检测数据信息。
进一步,所述照明模块照明方法如下:
首先,采用促进植物生长的照明装置对植物提供光源;
然后,对于植物的照射时间为6:30-21:00,使得植物表面光密度为2200-6000Lux。
进一步,所述照射时间具体为:6:30-11:00照射在植物表面光密度为3500Lux;11:30-15:00照射在植物表面光密度为5000Lux;15:00-18:00照射在植物表面光密度为4000Lux;18:00-21:00照射在植物表面光密度为2500Lux。
进一步,所述照明装置采用LED灯的红色、绿色和蓝色的数量比为8:4:10。
进一步,所述CT数据加权滤波模块在GPU中执行,为每个待加权滤波元素分配至GPU中的单独线程来执行,其中,所述线程分配过程如下:
根据GPU的特性设置每个线程块的尺寸;
根据补零后投影数据的水平长度和垂直长度设置所述线程块的个数;
按照所述线程块设置执行内核程序;
所述CT图像重建反投影模块在GPU中执行,为每个待重建像素分配至GPU中的单独线程来执行,重建所需滤波后的数据存储在GPU的纹理内存中,其中线程分配过程如下:
根据GPU的特性设置每个线程块的尺寸;
根据待重建图像的尺寸设置所述线程块的个数;
按照所述线程块设置执行内核程序;
所述投影数据使用所述基于GPU的CT数据加权滤波模块,以及所述基于GPU的CT反投影模块采用滤波反投影算法获得重建体;其中,所述基于GPU的CT数据加权滤波模块,将投影数据首先在GPU上进行加权处理后,再通过GPU上FFT变换到频域,频域滤波后通过GPU上的逆FFT获得滤波后的数据;
所述基于GPU的图像重建反投影模块在GPU上实现纹理绑定,将显存中的数据与纹理参照系相关联,并进行纹理拾取操作;
纹理缓存中的数据可以被重复利用,而且一次拾取坐标对于位置附近的几个像元,提高一定局部性的访存效率;
所述两个或两个以上的流处理数据互不影响;
数据从内存复制到显存、GPU上的投影数据加权操作、GPU上的投影数据滤波操作及GPU上的CT图像重建的反投影操作为异步并行执行。
进一步,图像采集模块的预处理方法包括:
射线源到旋转中心的距离为R,射线源到探测器距离为D,扇角为γ,锥角为τ,称射线源到探测器中心且与探测器垂直的射线为中心射线,FDK算法重建公式为:
其中gI(u,v,λ)代表投影数据,λ为投影角度。
FDK算法实现步骤为:
(1)加权滤波:
(2)加权反投影:
其中,
U(x,y,λ)=R+x cosλ+y sinλ
进一步,长势监控模块包括:用于获取图像,并计算滤波前后图像统计信息比值的模糊度评价模块和与模糊度评价模块连接,用于调整原图像模糊度得出最终图像和图像模糊度评价指标的模糊度调整模块;
滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法进行处理。
进一步,所述接收信号的循环共变函数包括:
所述信号含有服从SαS分布噪声的MPSK信号,可以表示为:
其中E是信号的平均功率,M=2k,m=1,2,...M,q(t)表示矩形脉冲波形,T表示符号周期,fc表示载波频率,φ0表示初始相位,若(此处是否需要加条件:若)w(t)是服从SαS分布的非高斯噪声,则其自共变函数定义为:
其中(x(t-τ))<p-1>=|x(t-τ)|p-2x*(t-τ),γx(t-τ)是x(t)的分散系数,则x(t)的循环共变定义为:
其中ε称为循环频率,T为一个码元周期;
所述接收信号的循环共变谱按以下进行:
循环共变谱是循环共变函数的傅里叶变换,表示为:
其循环共变谱推导为:
当M≥4时,在处,
当M=2时,
其中Q(f)为q(t)的傅里叶变换,且
所述通过提取循环共变谱中循环频率ε=0Hz的截面实现载频估计,按以下进行:
所述循环共变谱在n=0即ε=0Hz截面上的包络为:
当f=±fc时,包络取得最大值。
本发明的优点及积极效果为:
本发明通过长势监控模块可以通过采集的图像进行判断植物的长势,大大提高对植物长势的检测效率;同时通过照明模块对植物进行提供光源,延长植物光合作用,促进植物生长,提高产量。
本发明在不同于传统的评价方法建立在待评价图像自身结构特点基础上,从相对评价的角度出发,利用滤波器构造待评价图像的参考图像,计算变化前后图像边缘统计信息的比值作为评价指标。本发明的原理简单,实现了图像模糊度评价的内容无关性和实时性,可以快速准确评价比较任何图像之间的模糊度。
附图说明
图1是本发明实施例提供的植物生理监控管理系统结构框图。
图中:1、水分检测模块;2、光照检测模块;3、图像采集模块;4、中央控制模块;5、长势监控模块;6、照明模块;7、数据统计模块;8、显示模块。
图2是本发明实施例提供的摄像头锥束扫描几何结构图。
图3是本发明实施例提供的模糊度评价方法用于数字图像处理领域常用的LIVE2图像库中高斯模糊图像集合时的利用低通滤波器处理图像的评价指标与DMOS值的散点拟合图;
图4是本发明实施例提供的模糊度评价方法用于数字图像处理领域常用的LIVE2图像库中高斯模糊图像集合时的利用高通滤波器处理图像的评价指标与DMOS值的散点拟合图。
本发明可以对Alpha稳定分布噪声下PSK信号的载频进行估计;
本发明在低信噪比环境下具有较好的估计性能;
在相同的仿真实验环境和相同的码元速率、载波频率、采样频率、采样点数和信噪比等信号参数设置条件下,本发明比现有的方法具有更好的估计性能。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
如图1所示,本发明实施例提供的植物生理监控管理系统,包括:水分检测模块1、光照检测模块2、图像采集模块3、中央控制模块4、长势监控模块5、照明模块6、数据统计模块7、显示模块8。
水分检测模块1,与中央控制模块4连接,用于通过水分传感器对植物水分进行检测;
光照检测模块2,与中央控制模块4连接,用于通过光照传感器对植物受到光强进行检测;
图像采集模块3,与中央控制模块4连接,用于通过摄像头对植物生长状况进行采集;
中央控制模块4,与水分检测模块1、光照检测模块2、图像采集模块3、长势监控模块5、照明模块6、数据统计模块7、显示模块8连接,用于调度各个模块正常工作;
长势监控模块5,与中央控制模块4连接,用于通过图像采集模块3采集的植物图像对图像中植物的长势变化进行监控;
照明模块6,与中央控制模块4连接,用于通过LED灯给植物提供额外光源;
数据统计模块7,与中央控制模块4连接,用于对检测的数据进行统计分析;
显示模块8,与中央控制模块4连接,用于显示植物检测数据信息。
本发明提供的照明模块6照明方法如下:
首先,采用促进植物生长的照明装置对植物提供光源;
然后,对于植物的照射时间为6:30-21:00,使得植物表面光密度为2200-6000Lux。
本发明提供的照射时间具体为:6:30-11:00照射在植物表面光密度为3500Lux;11:30-15:00照射在植物表面光密度为5000Lux;15:00-18:00照射在植物表面光密度为4000Lux;18:00-21:00照射在植物表面光密度为2500Lux。
本发明提供的照明装置采用LED灯的红色、绿色和蓝色的数量比为8:4:10。
本发明工作时,通过水分检测模块1对植物水分进行检测;通过光照检测模块2对植物受到光强进行检测;通过图像采集模块3对植物生长状况进行采集;中央控制模块4调度长势监控模块5对图像中植物的长势变化进行监控;通过照明模块6给植物提供额外光源;通过数据统计模块7对检测的数据进行统计分析;通过显示模块8显示植物检测数据信息。
下面结合具体分析对本发明作进一步描述。
图像采集模块,与中央控制模块连接,用于通过摄像头对植物生长状况进行采集;图像采集模块集成有数据输入模块、基于GPU的CT数据加权滤波模块、基于GPU的CT图像重建反投影模块以及数据输出模块;图像采集模块图像采集中,从摄像头扫描的X射线强度数据获得投影数据,经过预处理后,由CPU读入到内存中;应用程序实现任务级的并行化,通过使用两个或两个以上的流,使GPU在执行核函数的同时,能在植物生理监控管理系统设置的主机与设备之间执行复制操作;
长势监控模块,与中央控制模块连接,用于通过图像采集模块采集的植物图像对图像中植物的长势变化进行监控;长势监控模块的监控方法包括:
步骤一,图像获取,获取植物长势待评价图像;图像获取中,对接收的含有Alpha稳定分布噪声的PSK信号求循环共变函数;对所述循环共变函数进行傅里叶变换,求其循环共变谱;通过所述循环共变谱提取循环频率ε=0Hz的截面;搜索所述截面的正负半轴的峰值,找到所述峰值对应的正负频率值,并取绝对值后求均值作为载频的估计值;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤六,图像模糊度指标计算,将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间;
步骤七,根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max];
步骤八,图像模糊度调整,若图像模糊度指标小于min,根据步骤六,说明图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;同理若大于max,说明图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
步骤九,得出最终图像和该图像模糊度评价指标,并显示在显示模块;
所述CT数据加权滤波模块在GPU中执行,为每个待加权滤波元素分配至GPU中的单独线程来执行,其中,所述线程分配过程如下:
根据GPU的特性设置每个线程块的尺寸;
根据补零后投影数据的水平长度和垂直长度设置所述线程块的个数;
按照所述线程块设置执行内核程序;
所述CT图像重建反投影模块在GPU中执行,为每个待重建像素分配至GPU中的单独线程来执行,重建所需滤波后的数据存储在GPU的纹理内存中,其中线程分配过程如下:
根据GPU的特性设置每个线程块的尺寸;
根据待重建图像的尺寸设置所述线程块的个数;
按照所述线程块设置执行内核程序;
所述投影数据使用所述基于GPU的CT数据加权滤波模块,以及所述基于GPU的CT反投影模块采用滤波反投影算法获得重建体;其中,所述基于GPU的CT数据加权滤波模块,将投影数据首先在GPU上进行加权处理后,再通过GPU上FFT变换到频域,频域滤波后通过GPU上的逆FFT获得滤波后的数据;
所述基于GPU的图像重建反投影模块在GPU上实现纹理绑定,将显存中的数据与纹理参照系相关联,并进行纹理拾取操作;
纹理缓存中的数据可以被重复利用,而且一次拾取坐标对于位置附近的几个像元,提高一定局部性的访存效率;
所述两个或两个以上的流处理数据互不影响;
数据从内存复制到显存、GPU上的投影数据加权操作、GPU上的投影数据滤波操作及GPU上的CT图像重建的反投影操作为异步并行执行。
图像采集模块的预处理方法包括:
射线源到旋转中心的距离为R,射线源到探测器距离为D,扇角为γ,锥角为τ,称射线源到探测器中心且与探测器垂直的射线为中心射线,FDK算法重建公式为:
其中gI(u,v,λ)代表投影数据,λ为投影角度。
FDK算法实现步骤为:
(1)加权滤波:
(2)加权反投影:
其中,
U(x,y,λ)=R+x cosλ+y sinλ
长势监控模块包括:用于获取图像,并计算滤波前后图像统计信息比值的模糊度评价模块和与模糊度评价模块连接,用于调整原图像模糊度得出最终图像和图像模糊度评价指标的模糊度调整模块;
滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法进行处理。
所述接收信号的循环共变函数包括:
所述信号含有服从SαS分布噪声的MPSK信号,可以表示为:
其中E是信号的平均功率,M=2k,m=1,2,...M,q(t)表示矩形脉冲波形,T表示符号周期,fc表示载波频率,φ0表示初始相位,若(此处是否需要加条件:若)w(t)是服从SαS分布的非高斯噪声,则其自共变函数定义为:
其中(x(t-τ))<p-1>=|x(t-τ)|p-2x*(t-τ),γx(t-τ)是x(t)的分散系数,则x(t)的循环共变定义为:
其中ε称为循环频率,T为一个码元周期;
所述接收信号的循环共变谱按以下进行:
循环共变谱是循环共变函数的傅里叶变换,表示为:
其循环共变谱推导为:
当M≥4时,在处,
当M=2时,
其中Q(f)为q(t)的傅里叶变换,且
所述通过提取循环共变谱中循环频率ε=0Hz的截面实现载频估计,按以下进行:
所述循环共变谱在n=0即ε=0Hz截面上的包络为:
当f=±fc时,包络取得最大值。
下面结合具体实施例对本发明作进一步描述。
如图2所示,为摄像头锥束扫描几何结构,射线源到旋转中心的距离为R,射线源到探测器距离为D,扇角为γ,锥角为τ,称射线源到探测器中心且与探测器垂直的射线为中心射线,FDK算法重建公式为:
其中gI(u,v,λ)代表投影数据,λ为投影角度。
FDK算法实现步骤为:
(1)加权滤波:
(2)加权反投影:
其中,
U(x,y,λ)=R+x cosλ+y sinλ
需要说明的是,锥形束重建GPU模块主要包括两部分:CT投影数据加权滤波模块和CT图像的反投影模块。
假设通过X射线获得K个角度的二维投影数据分别为p0p1......pk-1,每一副投影由U×V个像素组成,将从中重建L×W×H的体数据F。
1、基于CUDA的CT数据加权滤波模块
(1)生成加权函数并保存在显存数组d_weight[U][V]中;
(2)利用FFT变换将二维投影数据pn(0≤n≤k-1)转换到频域。由于对投影数据需要进行一维频域滤波,在实现投影数据的滤波之前,需要生成窗函数,并将其做FFT变换。
GPU上数据的FFT变换分以下几步实现:
第一步,依次复制内存中各个角度的二维投影数据pn(0≤n≤k-1)到显存,记为d_inData[V][U];
第二步,对投影数据在水平方向上补零,补零后的数据长度为U′;需要说明的是,此时需要考虑以下三个因素:
(a)避免干涉效应,补零的最小数目为探测器长度减1(即:U-1);
(b)实现快速FFT变换,补零后的长度应为2的整数次幂;
(c)实函数经过FFT变换后在频域上为偶函数。
(3)在显存中开辟一个二维数组d_data[V][U′],并将每张投影数据d_inData[V][U]中的每一个元素与d_weight[V][U]中的对应元素相乘,做加权操作,每行的末尾补零。
(4)设置CUDA滤波时参数,主要步骤为:
第一步,根据CUDA的特性设置每个线程块(Block)的尺寸;根据补零后投影数据的水平长度U′及垂直长度V设置线程块(Block)的个数。
第二步,为FFT变换和逆FFT变换分别创建FFT句柄和一维FFT句柄plan。
cufftHandle planF,planI;
cufftPlan1d(&planF,U′,CUFFT_R2C,V);
cufftPlan1d(&planI,U′,CUFFT_C2R,V);
第三步,将FFT句柄plan与CUDA流相关联
cufftSetStream(planF,stream1);
cufftSetStream(planI,stream2);
(5)将投影数据进行原地(in place)FFT变换,并与滤波窗函数的频域值在相应位置上进行点乘,得到滤波后的数据。
cufftExecR2C(planF,(cufftReal*)d_data,(cufftComplex*d_data)
(6)将滤波后的数据进行原地(in place)逆FFT变换,此时数据的水平大小仍为U′,垂直大小为V,数据仍然存储在d_data[V][U′]中。
cufftExecC2R(planI,(cufftComplex*d_data,(cufftReal*)d_data);
2、基于GPU的CT数据反投影模块
在主机端声明需要绑定到纹理的CUDA数组并设置好纹理参照系,然后将纹理参照系与CUDA数组绑定建立纹理坐标系,之后就可在内核中通过纹理拾取函数访问纹理存储器。具体步骤为:
第一步,声明纹理参照系,纹理参照系通过一个作用范围为全文件的texture型变量声明,并且必须在编译前显示声明
texture<float,2,cudaReadModeElementType>texRef;
第二步,设置运行时纹理参考系属性
texRef1.addressMode[0]=cudaAddressModeWrap;
texRef1.addressMode[1]=cudaAddressModeWrap;
texRef1.filterMode=cudaFilterModeLinear;
texRef1.normalized=false;
第三步,根据GPU的特性设置每个线程块(Block)的尺寸;根据待重建图像的尺寸设置线程块(Block)的个数;
第四步,根据探测器水平大小(U)和垂直大小(V),声明CUDA数组,并分配空间
cudaChannelFormatDescchannelDesc=cudaCreateChannelDesc(32,0,0,0,cudaChannelFormatKindFloat);
cudaArray*cuArray;
cudaMallocArray(&cuArray,&channelDesc,U,V);
第五步,将滤波后的投影数据d_data[V][U′]复制到CUDA数组cudaArray中
第六步,纹理绑定,将显存中的数据与纹理参照系相关联的操作。
cudaBindTextureToArray(texRef,cuArray,channelDesc);
第七步,纹理拾取,采用纹理坐标对纹理存储器进行访问,即可得到体数据的值。
获取重建体各个像素点的位置:
int x=__mul24(blockDim.x,blockIdx.x)+threadIdx.x;
int y=__mul24(blockDim.y,blockIdx.y)+threadIdx.y;
int z=__mul24(blockDim.z,blockIdx.z)+threadIdx.z;
计算各像素点映射到探测器的位置,在此假设水平方向为point_h,垂直方向为point_v。则某个角度的投影数据p在该像素点的贡献值为:tex2D(texRef,point_h+0.5,point_v+0.5)。
图3是本发明实施例提供的模糊度评价方法用于数字图像处理领域常用的LIVE2图像库中高斯模糊图像集合时的利用低通滤波器处理图像的评价指标与DMOS值的散点拟合图;
图4是本发明实施例提供的模糊度评价方法用于数字图像处理领域常用的LIVE2图像库中高斯模糊图像集合时的利用高通滤波器处理图像的评价指标与DMOS值的散点拟合图。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (8)
1.植物生理监控管理系统,其特征在于,所述植物生理监控管理系统包括:
水分检测模块,与中央控制模块连接,用于通过水分传感器对植物水分进行检测;
光照检测模块,与中央控制模块连接,用于通过光照传感器对植物受到光强进行检测;
图像采集模块,与中央控制模块连接,用于通过摄像头对植物生长状况进行采集;图像采集模块集成有数据输入模块、基于GPU的CT数据加权滤波模块、基于GPU的CT图像重建反投影模块以及数据输出模块;图像采集模块图像采集中,从摄像头扫描的X射线强度数据获得投影数据,经过预处理后,由CPU读入到内存中;应用程序实现任务级的并行化,通过使用两个或两个以上的流,使GPU在执行核函数的同时,能在植物生理监控管理系统设置的主机与设备之间执行复制操作;
中央控制模块,与水分检测模块、光照检测模块、图像采集模块、长势监控模块、照明模块、数据统计模块、显示模块连接,用于调度各个模块正常工作;
长势监控模块,与中央控制模块连接,用于通过图像采集模块采集的植物图像对图像中植物的长势变化进行监控;长势监控模块的监控方法包括:
步骤一,图像获取,获取植物长势待评价图像;图像获取中,对接收的含有Alpha稳定分布噪声的PSK信号求循环共变函数;对所述循环共变函数进行傅里叶变换,求其循环共变谱;通过所述循环共变谱提取循环频率ε=0Hz的截面;搜索所述截面的正负半轴的峰值,找到所述峰值对应的正负频率值,并取绝对值后求均值作为载频的估计值;
步骤二,图像灰度化,为方便图像的边缘提取,利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像,公式如下:
Gray=R*0.3+G*0.59+B*0.11;
步骤三,图像边缘提取,利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘,不同的检测算子具有不同的边缘检测模板,根据具体模板计算交叉像素的差分作为当前像素值,使用模板如下:
E(i,j)=|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|;
步骤四,图像处理,利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像,采用3*3均值滤波器,利用滤波模板遍历图像每个像素,每次将模板中心置于当前像素,以模板内所有像素的平均值作为当前像素新值,模板如下:
步骤五,图像边缘统计信息计算,分别计算图像滤波前后各自边缘灰度信息,滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下:
其中,w1与w2是根据离中心像素的距离设定的权值,w1=1,w2=1/3;
步骤六,图像模糊度指标计算,将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标,为方便评价,取较大的为分母,较小的为分子,保持该值介于(0,1)之间;
步骤七,根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max];
步骤八,图像模糊度调整,若图像模糊度指标小于min,根据步骤六,说明图像滤波前后变化很大,原图像过于锐化,则利用低通滤波器进行滤波调整;同理若大于max,说明图像滤波前后变化很小,原图像过于模糊,则利用高通滤波器进行滤波调整,以达到更佳视觉效果;
步骤九,得出最终图像和该图像模糊度评价指标,并显示在显示模块;
照明模块,与中央控制模块连接,用于通过LED灯给植物提供额外光源;
数据统计模块,与中央控制模块连接,用于对检测的数据进行统计分析;
显示模块,与中央控制模块连接,用于显示植物检测数据信息。
2.如权利要求1所述植物生理监控管理系统,其特征在于,所述照明模块照明方法如下:
首先,采用促进植物生长的照明装置对植物提供光源;
然后,对于植物的照射时间为6:30-21:00,使得植物表面光密度为2200-6000Lux。
3.如权利要求2所述植物生理监控管理系统,其特征在于,所述照射时间具体为:6:30-11:00照射在植物表面光密度为3500Lux;11:30-15:00照射在植物表面光密度为5000Lux;15:00-18:00照射在植物表面光密度为4000Lux;18:00-21:00照射在植物表面光密度为2500Lux。
4.如权利要求2所述植物生理监控管理系统,其特征在于,所述照明装置采用LED灯的红色、绿色和蓝色的数量比为8:4:10。
5.如权利要求1所述植物生理监控管理系统,其特征在于,所述CT数据加权滤波模块在GPU中执行,为每个待加权滤波元素分配至GPU中的单独线程来执行,其中,所述线程分配过程如下:
根据GPU的特性设置每个线程块的尺寸;
根据补零后投影数据的水平长度和垂直长度设置所述线程块的个数;
按照所述线程块设置执行内核程序;
所述CT图像重建反投影模块在GPU中执行,为每个待重建像素分配至GPU中的单独线程来执行,重建所需滤波后的数据存储在GPU的纹理内存中,其中线程分配过程如下:
根据GPU的特性设置每个线程块的尺寸;
根据待重建图像的尺寸设置所述线程块的个数;
按照所述线程块设置执行内核程序;
所述投影数据使用所述基于GPU的CT数据加权滤波模块,以及所述基于GPU的CT反投影模块采用滤波反投影算法获得重建体;其中,所述基于GPU的CT数据加权滤波模块,将投影数据首先在GPU上进行加权处理后,再通过GPU上FFT变换到频域,频域滤波后通过GPU上的逆FFT获得滤波后的数据;
所述基于GPU的图像重建反投影模块在GPU上实现纹理绑定,将显存中的数据与纹理参照系相关联,并进行纹理拾取操作;
纹理缓存中的数据可以被重复利用,而且一次拾取坐标对于位置附近的几个像元,提高一定局部性的访存效率;
所述两个或两个以上的流处理数据互不影响;
数据从内存复制到显存、GPU上的投影数据加权操作、GPU上的投影数据滤波操作及GPU上的CT图像重建的反投影操作为异步并行执行。
6.如权利要求1所述植物生理监控管理系统,其特征在于,图像采集模块的预处理方法包括:
射线源到旋转中心的距离为R,射线源到探测器距离为D,扇角为γ,锥角为τ,称射线源到探测器中心且与探测器垂直的射线为中心射线,FDK算法重建公式为:
其中gI(u,v,λ)代表投影数据,λ为投影角度。
FDK算法实现步骤为:
(1)加权滤波:
(2)加权反投影:
其中,
7.如权利要求1所述植物生理监控管理系统,其特征在于,长势监控模块包括:用于获取图像,并计算滤波前后图像统计信息比值的模糊度评价模块和与模糊度评价模块连接,用于调整原图像模糊度得出最终图像和图像模糊度评价指标的模糊度调整模块;
滤波器处理图像不是单一方式处理整幅评价图像,而是鉴于图像的边界和中心像素由于位置的不同导致滤波器对其处理方式的不同,根据滤波器模板大小相应地忽略边界像素后再利用滤波器处理图像,然后对于边界像素采取原始像素填充的方法进行处理。
8.如权利要求1所述植物生理监控管理系统,其特征在于,所述接收信号的循环共变函数包括:
所述信号含有服从SαS分布噪声的MPSK信号,可以表示为:
其中E是信号的平均功率,M=2k,m=1,2,...M,q(t)表示矩形脉冲波形,T表示符号周期,fc表示载波频率,φ0表示初始相位,若(此处是否需要加条件:若)w(t)是服从SαS分布的非高斯噪声,则其自共变函数定义为:
其中(x(t-τ))<p-1>=|x(t-τ)|p-2x*(t-τ),γx(t-τ)是x(t)的分散系数,则x(t)的循环共变定义为:
其中ε称为循环频率,T为一个码元周期;
所述接收信号的循环共变谱按以下进行:
循环共变谱是循环共变函数的傅里叶变换,表示为:
其循环共变谱推导为:
当M≥4时,在处,
当M=2时,
其中Q(f)为q(t)的傅里叶变换,且
所述通过提取循环共变谱中循环频率ε=0Hz的截面实现载频估计,按以下进行:
所述循环共变谱在n=0即ε=0Hz截面上的包络为:
当f=±fc时,包络取得最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745635.2A CN109541966A (zh) | 2018-07-09 | 2018-07-09 | 植物生理监控管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745635.2A CN109541966A (zh) | 2018-07-09 | 2018-07-09 | 植物生理监控管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109541966A true CN109541966A (zh) | 2019-03-29 |
Family
ID=65830911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810745635.2A Pending CN109541966A (zh) | 2018-07-09 | 2018-07-09 | 植物生理监控管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109541966A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
CN113627216A (zh) * | 2020-05-07 | 2021-11-09 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102384767A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 一种设施作物生长信息无损检测装置和方法 |
CN103310484A (zh) * | 2013-07-03 | 2013-09-18 | 西安电子科技大学 | 一种基于cuda架构加速ct图像重建的方法 |
CN104038454A (zh) * | 2014-06-20 | 2014-09-10 | 西安电子科技大学 | 一种Alpha稳定分布噪声下PSK信号的载波频率估计方法 |
CN104200480A (zh) * | 2014-09-17 | 2014-12-10 | 西安电子科技大学宁波信息技术研究院 | 一种应用于智能终端的图像模糊度评价方法及系统 |
CN105547360A (zh) * | 2015-12-16 | 2016-05-04 | 中国科学院地理科学与资源研究所 | 基于情景感知的作物冠层图像采集方法 |
CN205748462U (zh) * | 2016-05-05 | 2016-11-30 | 西北农林科技大学 | 一种作物生长检测系统 |
CN107691008A (zh) * | 2017-09-29 | 2018-02-16 | 安徽省华腾农业科技有限公司 | 一种促进植物生长的方法 |
-
2018
- 2018-07-09 CN CN201810745635.2A patent/CN109541966A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102384767A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 一种设施作物生长信息无损检测装置和方法 |
CN103310484A (zh) * | 2013-07-03 | 2013-09-18 | 西安电子科技大学 | 一种基于cuda架构加速ct图像重建的方法 |
CN104038454A (zh) * | 2014-06-20 | 2014-09-10 | 西安电子科技大学 | 一种Alpha稳定分布噪声下PSK信号的载波频率估计方法 |
CN104200480A (zh) * | 2014-09-17 | 2014-12-10 | 西安电子科技大学宁波信息技术研究院 | 一种应用于智能终端的图像模糊度评价方法及系统 |
CN105547360A (zh) * | 2015-12-16 | 2016-05-04 | 中国科学院地理科学与资源研究所 | 基于情景感知的作物冠层图像采集方法 |
CN205748462U (zh) * | 2016-05-05 | 2016-11-30 | 西北农林科技大学 | 一种作物生长检测系统 |
CN107691008A (zh) * | 2017-09-29 | 2018-02-16 | 安徽省华腾农业科技有限公司 | 一种促进植物生长的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
CN113627216A (zh) * | 2020-05-07 | 2021-11-09 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
CN113627216B (zh) * | 2020-05-07 | 2024-02-27 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN102096941B (zh) | 虚实融合环境下的光照一致性方法 | |
CN105488816B (zh) | 一种基于三维视觉信息的矿物浮选泡沫流速在线检测装置及方法 | |
CN103900503B (zh) | 提取形状特征的方法、安全检查方法以及设备 | |
CN103310484B (zh) | 一种基于cuda架构加速ct图像重建的方法 | |
CN103414861B (zh) | 一种投影仪画面自适应几何矫正的方法 | |
Li et al. | VBRT: A novel voxel-based radiative transfer model for heterogeneous three-dimensional forest scenes | |
CN109272455A (zh) | 基于弱监督生成对抗网络的图像去雾方法 | |
Prutkin et al. | Reflective Shadow Map Clustering for Real-Time Global Illumination. | |
CN103679706B (zh) | 一种基于图像各向异性边缘检测的ct稀疏角度重建方法 | |
CN109541966A (zh) | 植物生理监控管理系统 | |
CN110263858A (zh) | 一种螺栓图像合成方法、装置及相关设备 | |
CN107437068A (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN115880443B (zh) | 一种透明物体隐式表面重建方法及设备 | |
CN108537750A (zh) | 一种快速的脊柱ct图像三维重建方法 | |
CN108596881A (zh) | 一种爆破后岩石粒度的智能图像统计方法 | |
CN102982575A (zh) | 一种基于光线跟踪的毛发渲染方法 | |
CN103617593B (zh) | 三维流体物理动画引擎的实现方法及装置 | |
CN113255251B (zh) | 一种真实感冰型的渲染方法 | |
CN101964055A (zh) | 一种模仿视觉感知机制的自然场景类型辨识方法 | |
CN112002019B (zh) | 一种基于mr混合现实的模拟人物阴影的方法 | |
DE102021132981A1 (de) | Dreidimensionale tomographie-rekonstruktionspipeline | |
van Pelt et al. | Illustrative volume visualization using GPU-based particle systems | |
CN104866861A (zh) | 一种基于Kinect设备的材质外观采集方法 | |
Balabanian et al. | Sonar Explorer: A New Tool for Visualization of Fish Schools from 3D Sonar Data. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |