面向根系成像的超分辨率
计算机视觉与模式识别
2020-05-06 v2 定量方法
摘要
高分辨率相机通过提供目标与背景区分、以及细粒度地上植物性状的测量与分析等机制，已对植物表型分析非常有帮助。然而，获取植物根系的高分辨率（HR）图像比地上数据收集更具挑战性。因此，需要一种有效的超分辨率（SR）算法来克服传感器的分辨率限制、减少存储空间需求，并提升后续分析（如自动分割）的性能。我们提出了一种利用卷积神经网络（CNNs）增强植物根系图像的 SR 框架。我们比较了训练 SR 模型的三种方案：i）使用非植物根系图像训练，ii）使用植物根系图像训练，iii）使用非植物根系图像预训练并用植物根系图像微调。我们在一组公开可用数据集上证明，即便使用非根系数据集训练，SR 模型也优于基本的双三次插值。此外，我们的分割实验表明，该任务上的高性能可独立于信噪比（SNR）实现。因此，我们得出结论：图像增强的质量取决于应用。
引用
@article{arxiv.2003.13537,
title = {Super Resolution for Root Imaging},
author = {Jose F. Ruiz-Munoz and Jyothier K. Nimmagadda and Tyler G. Dowd and James E. Baciak and Alina Zare},
journal= {arXiv preprint arXiv:2003.13537},
year = {2020}
}
备注
Under review. Submitted to Applications in Plant Sciences (APPS)