農(nóng)作物病害圖像清晰化處理算法的應(yīng)用

王偉+韓寶如

摘要：農(nóng)作物視頻監(jiān)控圖像由于受到拍攝時光照不均勻的影響以及在圖像傳輸、解碼、存儲過程中不可避免地會混入一定程度的隨機噪聲，導(dǎo)致圖像對比度下降，圖像中的目標(biāo)物難以準(zhǔn)確辨認(rèn)。因此，在對多方向中值濾波算法（MMF）基本原理深入研究的基礎(chǔ)上，提出一種改進(jìn)自適應(yīng)多方向中值濾波算法。該算法首先提出一種噪聲檢測方法實現(xiàn)對圖像中噪聲的識別并加以標(biāo)記，然后對圖像中的噪聲點分別進(jìn)行水平、垂直、對角等4個方向的中值濾波，然后對獲得的濾波值集合分別求取其最大（?。┲?、平均值、中間值以及與噪聲點像素值組成新的集合，最后求取該新集合的中間值并作為最終的濾波結(jié)果。采用實地拍攝的2幅農(nóng)作物病害圖像進(jìn)行算法測試，結(jié)果表明本算法與中值濾波以及MMF相比具有一定的優(yōu)勢與實用性。

關(guān)鍵詞：農(nóng)作物病害圖像；清晰化處理；噪聲；中值濾波算法

中圖分類號：TP391；S126 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2014）08-0405-03

對農(nóng)作物生長的各個階段進(jìn)行實時化監(jiān)控，可以及時發(fā)現(xiàn)農(nóng)作物在生長過程中出現(xiàn)的諸如病害等問題，以便及時對病害的類型以及病害的危害程度進(jìn)行準(zhǔn)確判斷并制定有效的農(nóng)藥噴灑計劃而提供恰當(dāng)?shù)囊罁?jù)^[1-2]。在一般情況下，由于視頻監(jiān)控圖像拍攝的環(huán)境較為復(fù)雜以及圖像在傳輸、解碼、存儲等過程中時?；烊胍欢ǔ潭鹊碾S機噪聲，導(dǎo)致所獲取的圖像清晰度不高，由此看來，對于該類圖像的清晰化處理是一個十分必要的環(huán)節(jié)。近年來，隨著計算機圖像處理技術(shù)的發(fā)展，切實有效的算法大量涌現(xiàn)，并成功地應(yīng)用于農(nóng)業(yè)視頻圖像的處理工作中，如王曉虹等將Ridgelet變換域Wiener算法并應(yīng)用于蘋果圖像中的噪聲處理^[3]，宋懷波等提出了一種基于Contourlet變換的農(nóng)產(chǎn)品圖像噪聲濾除算法^[4]，韓偉等將非下采樣Contourlet變換應(yīng)用于雜草圖像去噪^[5]，可見目前在農(nóng)業(yè)圖像處理方面應(yīng)用較多的是基于變換域的處理方法。這類方法的基本思路是：首先對圖像進(jìn)行多尺度變換，然后對獲得的分解系數(shù)分別加以處理，然后進(jìn)行系數(shù)的重構(gòu)運算，圖像的反復(fù)分解與重構(gòu)運算量較大，不利于農(nóng)業(yè)圖像的快速有效處理。

多方向中值濾波算法（multi-direction median filtering，MMF）^[6-9]為一種典型的空間域圖像處理方法，能夠?qū)D像實現(xiàn)多方向的有效濾波，其性能相對于經(jīng)典中值濾波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在對MMF適當(dāng)改進(jìn)的基礎(chǔ)上，提出了一種改進(jìn)自適應(yīng)多方向中值濾波算法（improved adaptive multi-direction median filtering，IAMMF），并將其應(yīng)用于農(nóng)作物病害圖像的清晰化處理，試驗證明該算法具有較好的性能。

1 改進(jìn)自適應(yīng)多方向中值濾波算法

1.1 多方向中值濾波算法的基本原理

SMF將圖像劃分成數(shù)量眾多的子塊，每個子塊等同于1個濾波模板，通過對每個圖像子塊中的像素灰度值進(jìn)行排序，輸出其中的中間值作為濾波點的修正值，這對圖像中隨機分布的噪聲點來說具有一定的作用。但存在的問題在于圖像中的目標(biāo)地物特別是農(nóng)作物圖像中植物根莖、葉片邊緣等連續(xù)性較強，在圖像中表現(xiàn)為1條連續(xù)的直線或曲線，若采用SMF進(jìn)行處理難免會導(dǎo)致圖像中相當(dāng)一部分信息出現(xiàn)移位或變形。

MMF將SMF濾波模板進(jìn)一步分解成水平、垂直、對角等方向的子窗口，再對每個窗口分別進(jìn)行濾波，這對保持圖像中信息的連續(xù)性具有很好的效果，以7×7為例，該算法的濾波窗口如圖1所示。

3 結(jié)束語

為了實現(xiàn)對農(nóng)作物病害圖像的清晰化處理，在對MMF基本原理深入分析的基礎(chǔ)上，對其進(jìn)行適當(dāng)改進(jìn)，提出了一種改進(jìn)自適應(yīng)多方向中值濾波算法并成功地對2幅黃瓜病害噪聲圖像進(jìn)行高質(zhì)量復(fù)原處理，復(fù)原后，圖像清晰度明顯提高了。理論分析結(jié)果與對應(yīng)的試驗結(jié)果基本反映出本算法對這類圖像的清晰化處理是有效的。

參考文獻(xiàn)：

[1]趙 云，宋寅卯，刁智華. 基于圖像技術(shù)的農(nóng)作物病害識別[J]. 河南農(nóng)業(yè)，2013（16）：62-64.

[2]張紅旗，王春光，張 永，等. 數(shù)字圖像處理技術(shù)在變量農(nóng)藥噴灑裝置中的應(yīng)用研究[J]. 農(nóng)機化研究，2013，35（9）：213-217.

[3]王曉虹，韋英華. 結(jié)合 Ridgelet 變換與 Wiener 濾波的蘋果圖像去噪算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（10）：373-375.

[4]宋懷波，何東健，韓 韜. Contourlet變換為農(nóng)產(chǎn)品圖像去噪的有效方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（8）：287-292.

[5]韓 偉，劉 強. 一種 NSCT 域改進(jìn)閾值函數(shù)的雜草圖像去噪方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（11）：151-153.

[6]沈德海，劉大成，邢 濤. 一種縱橫窗口關(guān)聯(lián)的多級中值濾波算法[J]. 計算機科學(xué)，2012，39（5）：246-248.

[7]龍 云，韓立國，鄧武斌，等. 自適應(yīng)加權(quán)改進(jìn)窗口中值濾波[J]. 世界地質(zhì)，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，F(xiàn)oster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孫久運，湯海燕. 基于小波變換的圖像混合噪聲自適應(yīng)濾波算法[J]. 微電子學(xué)與計算機，2012，29（6）：91-95.

[11]楊文波，馬天瑋，劉 劍. 非局部變分修復(fù)法去除高密度椒鹽噪聲[J]. 中國光學(xué)，2013，6（6）：876-884.endprint

摘要：農(nóng)作物視頻監(jiān)控圖像由于受到拍攝時光照不均勻的影響以及在圖像傳輸、解碼、存儲過程中不可避免地會混入一定程度的隨機噪聲，導(dǎo)致圖像對比度下降，圖像中的目標(biāo)物難以準(zhǔn)確辨認(rèn)。因此，在對多方向中值濾波算法（MMF）基本原理深入研究的基礎(chǔ)上，提出一種改進(jìn)自適應(yīng)多方向中值濾波算法。該算法首先提出一種噪聲檢測方法實現(xiàn)對圖像中噪聲的識別并加以標(biāo)記，然后對圖像中的噪聲點分別進(jìn)行水平、垂直、對角等4個方向的中值濾波，然后對獲得的濾波值集合分別求取其最大（小）值、平均值、中間值以及與噪聲點像素值組成新的集合，最后求取該新集合的中間值并作為最終的濾波結(jié)果。采用實地拍攝的2幅農(nóng)作物病害圖像進(jìn)行算法測試，結(jié)果表明本算法與中值濾波以及MMF相比具有一定的優(yōu)勢與實用性。

關(guān)鍵詞：農(nóng)作物病害圖像；清晰化處理；噪聲；中值濾波算法

中圖分類號：TP391；S126 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2014）08-0405-03

對農(nóng)作物生長的各個階段進(jìn)行實時化監(jiān)控，可以及時發(fā)現(xiàn)農(nóng)作物在生長過程中出現(xiàn)的諸如病害等問題，以便及時對病害的類型以及病害的危害程度進(jìn)行準(zhǔn)確判斷并制定有效的農(nóng)藥噴灑計劃而提供恰當(dāng)?shù)囊罁?jù)^[1-2]。在一般情況下，由于視頻監(jiān)控圖像拍攝的環(huán)境較為復(fù)雜以及圖像在傳輸、解碼、存儲等過程中時?；烊胍欢ǔ潭鹊碾S機噪聲，導(dǎo)致所獲取的圖像清晰度不高，由此看來，對于該類圖像的清晰化處理是一個十分必要的環(huán)節(jié)。近年來，隨著計算機圖像處理技術(shù)的發(fā)展，切實有效的算法大量涌現(xiàn)，并成功地應(yīng)用于農(nóng)業(yè)視頻圖像的處理工作中，如王曉虹等將Ridgelet變換域Wiener算法并應(yīng)用于蘋果圖像中的噪聲處理^[3]，宋懷波等提出了一種基于Contourlet變換的農(nóng)產(chǎn)品圖像噪聲濾除算法^[4]，韓偉等將非下采樣Contourlet變換應(yīng)用于雜草圖像去噪^[5]，可見目前在農(nóng)業(yè)圖像處理方面應(yīng)用較多的是基于變換域的處理方法。這類方法的基本思路是：首先對圖像進(jìn)行多尺度變換，然后對獲得的分解系數(shù)分別加以處理，然后進(jìn)行系數(shù)的重構(gòu)運算，圖像的反復(fù)分解與重構(gòu)運算量較大，不利于農(nóng)業(yè)圖像的快速有效處理。

多方向中值濾波算法（multi-direction median filtering，MMF）^[6-9]為一種典型的空間域圖像處理方法，能夠?qū)D像實現(xiàn)多方向的有效濾波，其性能相對于經(jīng)典中值濾波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在對MMF適當(dāng)改進(jìn)的基礎(chǔ)上，提出了一種改進(jìn)自適應(yīng)多方向中值濾波算法（improved adaptive multi-direction median filtering，IAMMF），并將其應(yīng)用于農(nóng)作物病害圖像的清晰化處理，試驗證明該算法具有較好的性能。

1 改進(jìn)自適應(yīng)多方向中值濾波算法

1.1 多方向中值濾波算法的基本原理

SMF將圖像劃分成數(shù)量眾多的子塊，每個子塊等同于1個濾波模板，通過對每個圖像子塊中的像素灰度值進(jìn)行排序，輸出其中的中間值作為濾波點的修正值，這對圖像中隨機分布的噪聲點來說具有一定的作用。但存在的問題在于圖像中的目標(biāo)地物特別是農(nóng)作物圖像中植物根莖、葉片邊緣等連續(xù)性較強，在圖像中表現(xiàn)為1條連續(xù)的直線或曲線，若采用SMF進(jìn)行處理難免會導(dǎo)致圖像中相當(dāng)一部分信息出現(xiàn)移位或變形。

MMF將SMF濾波模板進(jìn)一步分解成水平、垂直、對角等方向的子窗口，再對每個窗口分別進(jìn)行濾波，這對保持圖像中信息的連續(xù)性具有很好的效果，以7×7為例，該算法的濾波窗口如圖1所示。

3 結(jié)束語

為了實現(xiàn)對農(nóng)作物病害圖像的清晰化處理，在對MMF基本原理深入分析的基礎(chǔ)上，對其進(jìn)行適當(dāng)改進(jìn)，提出了一種改進(jìn)自適應(yīng)多方向中值濾波算法并成功地對2幅黃瓜病害噪聲圖像進(jìn)行高質(zhì)量復(fù)原處理，復(fù)原后，圖像清晰度明顯提高了。理論分析結(jié)果與對應(yīng)的試驗結(jié)果基本反映出本算法對這類圖像的清晰化處理是有效的。

參考文獻(xiàn)：

[1]趙 云，宋寅卯，刁智華. 基于圖像技術(shù)的農(nóng)作物病害識別[J]. 河南農(nóng)業(yè)，2013（16）：62-64.

[2]張紅旗，王春光，張 永，等. 數(shù)字圖像處理技術(shù)在變量農(nóng)藥噴灑裝置中的應(yīng)用研究[J]. 農(nóng)機化研究，2013，35（9）：213-217.

[3]王曉虹，韋英華. 結(jié)合 Ridgelet 變換與 Wiener 濾波的蘋果圖像去噪算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（10）：373-375.

[4]宋懷波，何東健，韓 韜. Contourlet變換為農(nóng)產(chǎn)品圖像去噪的有效方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（8）：287-292.

[5]韓 偉，劉 強. 一種 NSCT 域改進(jìn)閾值函數(shù)的雜草圖像去噪方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（11）：151-153.

[6]沈德海，劉大成，邢 濤. 一種縱橫窗口關(guān)聯(lián)的多級中值濾波算法[J]. 計算機科學(xué)，2012，39（5）：246-248.

[7]龍 云，韓立國，鄧武斌，等. 自適應(yīng)加權(quán)改進(jìn)窗口中值濾波[J]. 世界地質(zhì)，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，F(xiàn)oster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孫久運，湯海燕. 基于小波變換的圖像混合噪聲自適應(yīng)濾波算法[J]. 微電子學(xué)與計算機，2012，29（6）：91-95.

[11]楊文波，馬天瑋，劉 劍. 非局部變分修復(fù)法去除高密度椒鹽噪聲[J]. 中國光學(xué)，2013，6（6）：876-884.endprint

摘要：農(nóng)作物視頻監(jiān)控圖像由于受到拍攝時光照不均勻的影響以及在圖像傳輸、解碼、存儲過程中不可避免地會混入一定程度的隨機噪聲，導(dǎo)致圖像對比度下降，圖像中的目標(biāo)物難以準(zhǔn)確辨認(rèn)。因此，在對多方向中值濾波算法（MMF）基本原理深入研究的基礎(chǔ)上，提出一種改進(jìn)自適應(yīng)多方向中值濾波算法。該算法首先提出一種噪聲檢測方法實現(xiàn)對圖像中噪聲的識別并加以標(biāo)記，然后對圖像中的噪聲點分別進(jìn)行水平、垂直、對角等4個方向的中值濾波，然后對獲得的濾波值集合分別求取其最大（?。┲怠⑵骄?、中間值以及與噪聲點像素值組成新的集合，最后求取該新集合的中間值并作為最終的濾波結(jié)果。采用實地拍攝的2幅農(nóng)作物病害圖像進(jìn)行算法測試，結(jié)果表明本算法與中值濾波以及MMF相比具有一定的優(yōu)勢與實用性。

關(guān)鍵詞：農(nóng)作物病害圖像；清晰化處理；噪聲；中值濾波算法

中圖分類號：TP391；S126 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2014）08-0405-03

對農(nóng)作物生長的各個階段進(jìn)行實時化監(jiān)控，可以及時發(fā)現(xiàn)農(nóng)作物在生長過程中出現(xiàn)的諸如病害等問題，以便及時對病害的類型以及病害的危害程度進(jìn)行準(zhǔn)確判斷并制定有效的農(nóng)藥噴灑計劃而提供恰當(dāng)?shù)囊罁?jù)^[1-2]。在一般情況下，由于視頻監(jiān)控圖像拍攝的環(huán)境較為復(fù)雜以及圖像在傳輸、解碼、存儲等過程中時?；烊胍欢ǔ潭鹊碾S機噪聲，導(dǎo)致所獲取的圖像清晰度不高，由此看來，對于該類圖像的清晰化處理是一個十分必要的環(huán)節(jié)。近年來，隨著計算機圖像處理技術(shù)的發(fā)展，切實有效的算法大量涌現(xiàn)，并成功地應(yīng)用于農(nóng)業(yè)視頻圖像的處理工作中，如王曉虹等將Ridgelet變換域Wiener算法并應(yīng)用于蘋果圖像中的噪聲處理^[3]，宋懷波等提出了一種基于Contourlet變換的農(nóng)產(chǎn)品圖像噪聲濾除算法^[4]，韓偉等將非下采樣Contourlet變換應(yīng)用于雜草圖像去噪^[5]，可見目前在農(nóng)業(yè)圖像處理方面應(yīng)用較多的是基于變換域的處理方法。這類方法的基本思路是：首先對圖像進(jìn)行多尺度變換，然后對獲得的分解系數(shù)分別加以處理，然后進(jìn)行系數(shù)的重構(gòu)運算，圖像的反復(fù)分解與重構(gòu)運算量較大，不利于農(nóng)業(yè)圖像的快速有效處理。

多方向中值濾波算法（multi-direction median filtering，MMF）^[6-9]為一種典型的空間域圖像處理方法，能夠?qū)D像實現(xiàn)多方向的有效濾波，其性能相對于經(jīng)典中值濾波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在對MMF適當(dāng)改進(jìn)的基礎(chǔ)上，提出了一種改進(jìn)自適應(yīng)多方向中值濾波算法（improved adaptive multi-direction median filtering，IAMMF），并將其應(yīng)用于農(nóng)作物病害圖像的清晰化處理，試驗證明該算法具有較好的性能。

1 改進(jìn)自適應(yīng)多方向中值濾波算法

1.1 多方向中值濾波算法的基本原理

SMF將圖像劃分成數(shù)量眾多的子塊，每個子塊等同于1個濾波模板，通過對每個圖像子塊中的像素灰度值進(jìn)行排序，輸出其中的中間值作為濾波點的修正值，這對圖像中隨機分布的噪聲點來說具有一定的作用。但存在的問題在于圖像中的目標(biāo)地物特別是農(nóng)作物圖像中植物根莖、葉片邊緣等連續(xù)性較強，在圖像中表現(xiàn)為1條連續(xù)的直線或曲線，若采用SMF進(jìn)行處理難免會導(dǎo)致圖像中相當(dāng)一部分信息出現(xiàn)移位或變形。

MMF將SMF濾波模板進(jìn)一步分解成水平、垂直、對角等方向的子窗口，再對每個窗口分別進(jìn)行濾波，這對保持圖像中信息的連續(xù)性具有很好的效果，以7×7為例，該算法的濾波窗口如圖1所示。

3 結(jié)束語

為了實現(xiàn)對農(nóng)作物病害圖像的清晰化處理，在對MMF基本原理深入分析的基礎(chǔ)上，對其進(jìn)行適當(dāng)改進(jìn)，提出了一種改進(jìn)自適應(yīng)多方向中值濾波算法并成功地對2幅黃瓜病害噪聲圖像進(jìn)行高質(zhì)量復(fù)原處理，復(fù)原后，圖像清晰度明顯提高了。理論分析結(jié)果與對應(yīng)的試驗結(jié)果基本反映出本算法對這類圖像的清晰化處理是有效的。

參考文獻(xiàn)：

[1]趙 云，宋寅卯，刁智華. 基于圖像技術(shù)的農(nóng)作物病害識別[J]. 河南農(nóng)業(yè)，2013（16）：62-64.

[2]張紅旗，王春光，張 永，等. 數(shù)字圖像處理技術(shù)在變量農(nóng)藥噴灑裝置中的應(yīng)用研究[J]. 農(nóng)機化研究，2013，35（9）：213-217.

[3]王曉虹，韋英華. 結(jié)合 Ridgelet 變換與 Wiener 濾波的蘋果圖像去噪算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（10）：373-375.

[4]宋懷波，何東健，韓 韜. Contourlet變換為農(nóng)產(chǎn)品圖像去噪的有效方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（8）：287-292.

[5]韓 偉，劉 強. 一種 NSCT 域改進(jìn)閾值函數(shù)的雜草圖像去噪方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（11）：151-153.

[6]沈德海，劉大成，邢 濤. 一種縱橫窗口關(guān)聯(lián)的多級中值濾波算法[J]. 計算機科學(xué)，2012，39（5）：246-248.

[7]龍 云，韓立國，鄧武斌，等. 自適應(yīng)加權(quán)改進(jìn)窗口中值濾波[J]. 世界地質(zhì)，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，F(xiàn)oster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孫久運，湯海燕. 基于小波變換的圖像混合噪聲自適應(yīng)濾波算法[J]. 微電子學(xué)與計算機，2012，29（6）：91-95.

[11]楊文波，馬天瑋，劉 劍. 非局部變分修復(fù)法去除高密度椒鹽噪聲[J]. 中國光學(xué)，2013，6（6）：876-884.endprint