基于小波域局部能量最大化的農(nóng)產(chǎn)品圖像濾波算法

羅勇勝

摘要：提出一種農(nóng)產(chǎn)品圖像自適應(yīng)濾波方法。首先，對原始圖像進(jìn)行單層小波分解，對于得到的背景圖像采用直方圖均衡化算法進(jìn)行灰度拉伸處理，對于得到的細(xì)節(jié)圖像采用一種基于局部圖像塊的改進(jìn)加權(quán)均值濾波算法進(jìn)行去噪，分別將處理后的背景、細(xì)節(jié)圖像進(jìn)行逆小波變換得到去噪圖像，記為圖像1。其次，對原始圖像進(jìn)行經(jīng)典均值濾波，將濾波后圖像記為圖像2。最后，將圖像1和圖像2劃分成規(guī)則尺寸的圖像塊，對2幅圖像中處于相對應(yīng)位置的圖像塊按照局部能量最大化原則進(jìn)行融合。結(jié)果表明，該算法對于農(nóng)產(chǎn)品圖像的處理效果優(yōu)于小波閾值去噪和均值濾波算法。

關(guān)鍵詞：農(nóng)產(chǎn)品圖像；細(xì)節(jié)信息；小波變換；均值濾波；局部能量最大化

中圖分類號： TP391文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2016）05-0408-02

隨著農(nóng)業(yè)信息化水平的快速提高，農(nóng)業(yè)圖像成為現(xiàn)代各類農(nóng)業(yè)信息的重要載體之一，實(shí)時獲取的各類農(nóng)業(yè)圖像為雜草識別[1]、農(nóng)業(yè)估產(chǎn)[2]、病蟲害監(jiān)測[3]等應(yīng)用提供了大量可靠的基礎(chǔ)信息。近年來，各類成像系統(tǒng)的分辨率盡管得到了較大提高，但圖像的清晰度仍然受到諸如成像天氣、溫度的多變性以及成像系統(tǒng)電壓的不穩(wěn)定等不確定性因素的影響，在很多情況下，實(shí)時獲取的各類農(nóng)業(yè)圖像存在不同程度的模糊。因此，對于所獲取的農(nóng)業(yè)圖像進(jìn)行預(yù)處理，有助于提高圖像所承載的各類信息的準(zhǔn)確性。對于該類圖像的處理，艾劍鋒等采用MATLAB軟件對蘋果圖像的處理方法進(jìn)行系統(tǒng)研究[4]；劉炳良對經(jīng)典雙邊濾波算法進(jìn)行改進(jìn)，并結(jié)合小波變換用于抑制水果圖像中的噪聲[5]；衛(wèi)娟等在提升小波變換域中改進(jìn)了非局部均值濾波，用于處理農(nóng)產(chǎn)品圖像[6]；針對水果檢測圖像，毛麗民等提出了一種基于FPGA的圖像增強(qiáng)方案[7]。為有效處理細(xì)節(jié)信息豐富的農(nóng)產(chǎn)品圖像，借鑒上述研究成果的思路，對均值濾波算法進(jìn)行改進(jìn)，并與基于圖像局部能力最大化原則的融合方法相結(jié)合，提出一種小波域農(nóng)作物圖像濾波算法。

1基于局部圖像塊的改進(jìn)加權(quán)均值濾波

均值濾波應(yīng)用過程中存在一些問題，第一，濾波的前提是設(shè)定一定大小的鄰域，那么該鄰域大小如何設(shè)定，如果設(shè)定過大則增加了濾波過程中計(jì)算的復(fù)雜性，設(shè)定過小則無法去除噪聲。第二，當(dāng)受到噪聲污染的像素點(diǎn)位于圖像中諸如“葉片邊緣、果實(shí)邊緣”等區(qū)域時，通過簡單的均值濾波，容易導(dǎo)致圖像濾波后“葉片邊緣、果實(shí)邊緣”等細(xì)節(jié)信息出現(xiàn)丟失，增加了圖像判讀和分析的難度。為此，提出了一種基于局部圖像塊的改進(jìn)加權(quán)均值濾波算法，首先，該算法以圖像中任意待濾波點(diǎn)為中心，取1較大的濾波窗口（鄰域）。其次，將該窗口（鄰域）劃分成多個規(guī)則的子窗口（子鄰域），通過在各子窗口（子鄰域）內(nèi)分別進(jìn)行均值濾波，得到多個濾波值。最后，對各濾波值進(jìn)行加權(quán)均值濾波。具體步驟如下：

步驟1，對于圖像中處于i，j位置灰度值為f（i，j）的像素點(diǎn)而言，以該像素點(diǎn)為中心，取大小為21×21濾波窗口（鄰域）作為濾波區(qū)域。

步驟2，將尺寸為21×21濾波窗口（鄰域）劃分成49個互不重疊的尺寸為3×3濾波子窗口（子鄰域），各子窗口（鄰域）分別記為Cx（x∈[1，49]），并且各子窗口（子鄰域）的中心點(diǎn)的灰度值分別為fx′（x∈[1，49]）。

步驟3，在C1中，對其中心點(diǎn)進(jìn)行均值濾波得到中心點(diǎn)的濾波后的灰度值f1′，以此類推，分別對其余子窗口（鄰域）進(jìn)行均值濾波，得到各子窗口（子鄰域）中心像素點(diǎn)濾波后的像素值集合：{ f1′，f2′，f3′，…，fx′}（x∈[1，49]）。

式中：f25′為f（i，j）所在子窗口（子鄰域）的均值濾波結(jié)果。

步驟4，步驟2所得到的49個子窗口（子鄰域）中，除C25外，按照其余48個子窗口（子鄰域）的中心點(diǎn)與待濾波點(diǎn)的幾何距離，進(jìn)行如下加權(quán)濾波：

f′（i，j）=f1′·L1+f2′·L2+…+f24′·L24+f26′·L26+…+f49′·L49L1+L2+…+L24+L26+…+L49。（1）

式中：f′（i，j）為尺寸21×21濾波窗口（鄰域）中心像素點(diǎn)（待濾波點(diǎn)）的加權(quán)濾波結(jié)果；L1，L2，…，L24，L26，…，L49分別為48個子窗口（子鄰域）的中心像素點(diǎn)至待濾波點(diǎn)的幾何距離。

步驟5，尺寸21×21濾波窗口（鄰域）中心像素點(diǎn)（待濾波點(diǎn)）的最終濾波結(jié)果為[f′（i，j）+f25′]/2。

步驟6，反復(fù)執(zhí)行step1～step5完成圖像中其余噪聲點(diǎn)的濾波工作。

2算法實(shí)現(xiàn)步驟

步驟1，對原始圖像進(jìn)行單層小波變換（小波基函數(shù)為“db7”），將原始圖像分解為背景圖像和細(xì)節(jié)圖像2個部分。步驟2：由于背景圖像體現(xiàn)了圖像中的大部分信息，且該部分信息視覺對比度不強(qiáng)，因此，采用直方圖均衡化方法對其進(jìn)行灰度拉伸，在一定程度上起到增強(qiáng)背景圖像的效果。步驟3，對于細(xì)節(jié)圖像，由于該部分包含了圖像中絕大部分的諸如葉片邊緣、果實(shí)邊緣等細(xì)節(jié)信息，并且包含了一定程度的噪聲，采用本研究第1節(jié)所提出的改進(jìn)均值濾波算法進(jìn)行處理，對應(yīng)著基于局部圖像塊的改進(jìn)加權(quán)均值濾波算法的步驟1至步驟6。步驟4，將步驟2和步驟3所得處理后的背景圖像、細(xì)節(jié)圖像進(jìn)行逆小波變換，所得到圖像記為圖像1。步驟5，原始圖像采用均值濾波算法進(jìn)行處理，所得到的圖像記為圖像2。步驟6，將圖像1和圖像2分別劃分成彼此不重疊的尺寸為矩形的區(qū)域，在每個區(qū)域內(nèi)按照局部能量最大化原則對2幅圖像進(jìn)行融合：

式中：（i′，j′）、（i″，j″）分別為同一目標(biāo)信息在圖像1和圖像2中的坐標(biāo)；f圖像1（i′，j′）為同一目標(biāo)信息位于圖像1中（i′，j′）位置的像素點(diǎn)灰度值；f圖像2（i″，j″）為同一目標(biāo)信息位于圖像2中（i″，j″）位置的像素點(diǎn)灰度值；D圖像1（i′，j′）、D圖像2（i″，j″）分別為同一目標(biāo)信息在圖像1、圖像2中對應(yīng)的5×5的矩形區(qū)域的能量值。

3結(jié)果與分析

為了驗(yàn)證該算法的有效性，采用Visual Basic（VB）語言首先進(jìn)行了算法程序編寫，將小波閾值去噪[8-10]、均值濾波以及本研究所提算法分別對一幅農(nóng)產(chǎn)品圖像進(jìn)行了測試，結(jié)果如圖1所示。

圖1-a為1幅處于成熟期的桃子果實(shí)圖像，為了測試本研究所提算法對于農(nóng)產(chǎn)品圖像的處理效果，人工對其進(jìn)行模糊化處理，即通過編寫VB程序?qū)ζ涮砑恿瞬煌潭鹊碾S機(jī)噪聲，圖1-b為添加了密度為15%隨機(jī)噪聲。由圖1-c和圖1-d可知，對圖1-b分別進(jìn)行小波閾值去噪和均值濾波后，圖像清晰度有了一定的提高，但是“桃子”果實(shí)邊緣模糊程度沒有減輕，并且該果實(shí)周邊葉片的脈絡(luò)無法清晰地辨認(rèn)出來，說明采用一般的數(shù)字圖像濾波方法直接進(jìn)行農(nóng)產(chǎn)品圖像處理，收效甚微。圖1-e為本研究所提算法的處理結(jié)果，可見圖中“桃子”果實(shí)不但邊緣清晰，而且與周邊葉片在視覺感受上有了一定的區(qū)分度，葉片脈絡(luò)可以明顯辨認(rèn)出來。

對圖1-a分別加入不同密度的隨機(jī)噪聲，通過對含有不同密度隨機(jī)噪聲的模糊圖像進(jìn)行處理，并采用文獻(xiàn)[6]所提出的峰值信噪比（peak signal noise to ratio，PSNR）來衡量文中各算法性能，若某種算法試驗(yàn)結(jié)果的PSNR值越大，則越能說明該算法性能越好，結(jié)果如表1所示。

當(dāng)圖像中的隨機(jī)噪聲密度較高，即圖像模糊程度較高時，小波閾值去噪和均值濾波的處理結(jié)果不太理想，而本研究算法的PSNR值明顯高于其余2種算法，表明該算法對于農(nóng)產(chǎn)品圖像的處理有一定的效果。

4討論

為了實(shí)現(xiàn)對農(nóng)產(chǎn)品圖像的有效濾波，提出了一種小波域局部能量最大化的圖像濾波算法。該算法分別對原始圖像進(jìn)行均值濾波和小波變換，對均值濾波和小波域去噪后的圖像按照局部能量最大化原則進(jìn)行融合，成功地實(shí)現(xiàn)了對圖像的濾波。試驗(yàn)結(jié)果佐證了上述結(jié)論。

參考文獻(xiàn)：

[1]王宏艷，呂繼興. 基于紋理特征與改進(jìn)SVM算法的玉米田間雜草識別[J]. 湖北農(nóng)業(yè)科學(xué)，2014，53（13）：3163-3166.

[2]李飛，餳小平，毛暉. 基于MODIS-NDVI數(shù)據(jù)的甘肅臨夏州的春小麥遙感估產(chǎn)[J]. 陜西農(nóng)業(yè)科學(xué)，2014，60（10）：74-77.

[3]傅坤亞，張文宇，曹宏鑫，等. 基于光譜的作物病蟲害監(jiān)測研究進(jìn)展[J]. 中國農(nóng)業(yè)科技導(dǎo)報，2014（5）：90-98.

[4]艾劍鋒，章海亮. 基于MATLAB的蘋果圖像處理研究[J]. 湖北農(nóng)業(yè)科學(xué)，2011，50（4）：840-841，844.

[5]劉炳良. 一種小波域改進(jìn)雙邊濾波的水果圖像去噪算法[J]. 紅外技術(shù)，2014，36（3）：196-199，204.

[6]衛(wèi)娟，孫冬. 基于提升小波變換的農(nóng)產(chǎn)品圖像有效處理方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（6）：364-366.

[7]毛麗民，劉叔軍，浦宇歡，等. 基于FPGA的水果圖像增強(qiáng)方法研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（6）：395-398.

[8]楊青. 一種基于圖像分析的玉米病蟲害智能化識別方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（7）：128-130.

[9]李楠，張為. 基于提升小波變換的薯類視覺圖像濾波處理[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：376-378.

[10]夏欣，李海標(biāo)，沈蘭蘭，等. 一種改進(jìn)的小波閾值裂紋圖像去噪法[J]. 電子設(shè)計(jì)工程，2013，12（18）：130-132，135.李子藝，王振錫，岳俊，等. 基于BP神經(jīng)網(wǎng)絡(luò)的高光譜果樹樹種識別研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（5）：410-414.