農產品檢測圖像智能化預處理方法研究

摘要：目前對農產品圖像的智能化檢測主要是通過對獲得的高質量檢測圖像進行人工識別的方法進行，但由于農產品檢測圖像在獲取過程中受到氣候、圖像傳輸解碼等軟硬件因素的影響，通常獲取的檢測圖像基本上是降質圖像。因此，提出了一種基于脊波變換的農產品檢測圖像智能化預處理方法。該方法首先對降質圖像進行多尺度脊波變換，以獲得低頻和高頻分解系數；其次對低頻分解系數采用自適應同態濾波方法進行處理；然后針對高頻系數中收到噪聲污染的情形，引入一個閾值T，將所有高頻系數幅與其比較，小于該閾值則認為是受到噪聲的污染，進行中值濾波處理，其余系數則采用局部直方圖均衡化算法進行動態范圍的改善；最后進行分解系數的重構。仿真試驗結果表明，該算法計算復雜度低，且性能優于中值濾波算法和直方圖均衡化算法，對于該類圖像的預處理能取得不錯的效果。

關鍵詞：智能化檢測；農產品圖像；脊波變換；中值濾波；自適應同態濾波；直方圖均衡化算法

中圖分類號： S126文獻標志碼： A文章編號：1002-1302（2014）06-0384-03

收稿日期：2013-10-03

作者簡介：成敦杰（1963—），男，江蘇鹽城人，碩士，副教授，主要研究方向為農業信息處理、農業經濟管理、人力資源管理。E-mail：chengdunjie@126.com。在現階段，農產品的病蟲害、質量、分級等方面檢測的主流方法是對獲取的視覺圖像進行人工識別。近年來，機器視覺技術的發展為該領域的研究提供了一個很好的思路。將機器視覺領域的計算機圖像處理技術引入到農產品檢測方面，對獲取的視覺圖像進行圖像特征提取、目標分割、去噪、增強等一系列處理，為后續的人工識別提供了高質量的圖像，提高了識別的準確性和效率。農產品檢測圖像受到氣候、成像環境、圖像拍攝設備本身的缺陷以及圖像傳輸等因素的影響，導致在很多時候所獲取的圖像為降質圖像，若不進行預處理，則提高了后續的誤識別率或者識別工作無法進行。圖1-a為一幅梨的視覺圖像，圖1-b為受到噪聲干擾的圖像，由于梨本身存在一些斑點，若受到噪聲干擾，與噪聲斑點累加，則對圖1-b中目標物的質量、大小、成熟度等無法進行準確辨認。因此，研究該類圖像的預處理方法，具有一定的實用意義。

在小波變換[1-2]基礎上發展起來的脊波變換能更好地刻畫圖像的細節信息，尤其對于信息豐富的農產品圖像能更好地進行刻畫。因此，本研究在脊波變換框架下，將濾波與增強技術相結合，對脊波變換所獲得的不同頻率的系數有選擇性地進行中值濾波[3]和直方圖均衡化[4]、自適應同態濾波[5]處理。

1直方圖均衡化算法

直方圖均衡化算法通過對圖像的像素進行一定程度的調整，使其大致呈現均勻分布，對于灰度相似的信息能夠加以區分，提高圖像的對比度，達到增強圖像細節信息的目的。按照處理對象是整幅圖像還是圖像的局部區域來劃分，該算法可分為全局直方圖算法（global histogram equalization，GHE）和局部直方圖算法（local histogram equalization，LHE）。

1.1全局直方圖均衡化算法（GHE）

GHE算法[6]依據一幅圖像的整體灰度概率分布情況來改變圖像的動態范圍，實現對圖像信息的拉伸。若對灰度級為[0，L-1]的圖像進行GHE操作，則主要步驟有：

步驟1，圖像像素歸一化處理。記f（x，y）為圖像中i級灰度級像素灰度值，Ni為該灰度級中對應像素數目，N為圖像像素總數目，則對圖像中的灰度進行統計，在此基礎上進行歸一化處理，

Pf（x，y）[f（x，y）i]=Ni/N0≤i≤L-1。（1）

式中：Pf（x，y）[f（x，y）i]為像素灰度值為f（x，y）所對應的概率值。

步驟2，直方圖累積化處理。對步驟1所獲得的直方圖進行累加，可得

P（Rj）=∑ji=0Pf（x，y）[f（x，y）i]-∑ji=0Ni/N。（2）

式中：P（Rj）為灰度值Rj所對應的累積概率。

步驟3，取整擴展處理。對步驟2所獲得的直方圖累積概率進行取整擴展后的灰度值可為

f′（x，y）j=INT[（L-1）P（Rj）+1/2]。（3）

式中：f′（x，y）j為擴展后的第j級圖像灰度值。

步驟4，確定圖像像素灰度值的映射關系式。

f（x，y）i→f′（x，y）j。（4）

步驟5，圖像整體均衡化處理。根據步驟4所確定的映射關系，計算圖像均衡化后的直方圖，

P[f′（x，y）j]=∑Pf（x，y）[f（x，y）i]。

式中：P[f′（x，y）j]為按照步驟4確定的映射關系計算得到的均衡化后灰度值為f′（x，y）所對應的概率值，即完成了像素的直方圖均衡化處理。

1.2局部直方圖均衡化算法（LHE）

對應于GHE算法，LHE算法[7]針對圖像的一定區域進行處理，因而圖像被分成若干個區域，在各個區域中分別進行直方圖均衡化。那么，依據各個區域邊緣是否出現重疊，可將LHE算法分為區域不重疊和重疊2種類型。區域不重疊的LHE算法由于是對各個圖像區域獨立進行直方圖均衡化處理，整幅圖像勢必會出現不連續，即會出現所謂的“塊效應”的情形。基于區域重疊的LHE算法則只定義一個固定大小的區域（也稱之為滑動窗口），通過將其在圖像中按照某種固定方向進行滑動，滑動過程中進行直方圖均衡化處理，能夠消除“塊效應”。這2類LHE算法中的直方圖均衡化處理流程與“1.1”節中的步驟1至步驟5類似。

相對于GHE算法，LHE算法計算量較小，可對圖像感興趣區域特別是對比度較低的區域進行特定處理，而非對整幅圖像進行操作，靈活性較強。因此，本研究也采用LHE算法處理，具體流程對應于“1.1”節中的步驟1至步驟5。

2本研究算法

2.1本研究算法基本思路

脊波變換相對于小波變換而言能更好地刻畫圖像信息的點、線奇異特性，可以認為，其多分辨特性優于小波變換。本研究將脊波變換作為研究分析的基本框架，在該框架中，對脊波變換獲得的低頻和高頻分解系數分別進行處理，在此基礎上實現處理后系數的重構，從而實現對原始低質量圖像的較好增強。技術路線如圖2所示。

2.2詳細實現步驟

步驟1，對低質量的水果檢測圖像進行多尺度脊波變換，從而獲得不同幅值的高頻和低頻分解系數，這些系數分別反映了圖像低頻和高頻信息。

步驟2，低頻脊波分解系數幅值較大，該部分系數主要反映了圖像的基本信息，對比度較低，因此，可采用自適應同態濾波算法進行對比度的拉伸處理。

步驟3，高頻系數就幅值而言小于低頻系數，該部分是圖像高頻信息的主要體現，而圖像中的降質量因素——噪聲則主要集中于該部分系數中。受到噪聲污染的高頻系數幅度值明顯小于其他系數，如果對所有的高頻系數直接進行濾波，則一方面增大了計算量，另一方面會丟失大量細節信息。反之，如果忽略噪聲，直接進行增強處理，則會導致噪聲污染的區域被放大，增強后的圖像質量無法提高。若從系數幅值角度分析，將幅值較大的系數與較小的系數分開，僅對較小幅值的系數進行濾波，對其余的進行增長，那么最終的處理效果勢必比較理想。因此，本研究對高頻系數引入了一個判別閾值，

T=σ2lnL。（5）

式中：σ為系數噪聲信號標準差，L為系數長度。通過將所有高頻系數幅值與該閾值進行比較，可將全部系數分成2類，即受到噪聲污染的系數和尚未被噪聲污染的系數。

步驟4，對于受噪聲污染的系數，則引入中值濾波算法進行處理，通過鄰域統計大小排序，剔除該部分噪聲，在一定程度上也起到圖像增強的作用。

步驟5，對于尚未被污染的系數，則可以理解成純粹的對比度不高的情況，可采用局部直方圖均衡化算法（LHE）進行處理，具體對應于“1.1”節中的步驟1至步驟5。

步驟6，對步驟2、步驟4、步驟5處理后的低頻系數和高頻系數進行系數重構，獲得最終增強后的圖像。

2.3仿真試驗

對上述算法采用圖1-a檢測圖像進行試驗驗證，盡管圖像降質量因素較多，但匯集一點，各類降質因素最終導致圖像模糊不清，且含有噪聲。基于此，本研究通過對試驗圖像中加入一定程度的隨機噪聲來模擬降質圖像。每幅圖像降質程度有所不同，為了從宏觀上對本研究算法的普適性進行驗證，對所有降質因素加以抽象，構建模擬降質圖像進行處理，其處理效果對于一類圖像基本具有說服力，截取該圖像的2個區域，分別添加不同密度的隨機噪聲進行試驗，試驗結果如圖3、圖4所示。

對圖3、圖4試驗結果分析可知，全局直方圖均衡化算法（GHE）對降質的水果圖像基本上無能為力，盡管圖像的對比度得到拉伸，但噪聲依然存在，并且在某種程度上得到放大，圖像質量沒有得到有效提高。局部直方圖均衡化算法（LHE）處理結果與GHE類似。這進一步說明對降質圖像直接進行增強處理，收效甚微。對降質圖像直接進行中值濾波（圖3-e、圖4-e）有一定效果，但圖像較原始圖像模糊，特別是圖中梨本身的斑點基本難以辨認，且對高密度的噪聲濾波效果也不是很理想。通過對比可以發現，本研究算法處理結果（圖3-f、圖4-f））兼顧了濾波和增強，在改善圖像質量的同時，也突出了圖像中的目標物，弱化了背景信息，起到了目標分割作用。

以上是從主觀角度對試驗結果進行分析評價，為了對本研究算法的性能進行一個定量評價，使其更具有說服力，引入峰值信噪比（PSNR[8]）以及計算復雜度2個指標來進行評價（表1、表2）。

表1幾種算法的PSNR值比較

算法PSNR值（db）5%隨機噪聲15%隨機噪聲降質圖像17.85415.338GHE18.76518.023LHE18.93718.362中值濾波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法計算時間與前三者相當，說明本研究算法在基本不延長處理時間的前

表2幾種算法的計算時間比較

算法運算時間（s）GHE20.027LHE18.745中值濾波19.352本研究算法20.783

提下能夠大幅度提高圖像預處理質量，在最短的時間內將降質圖像進行高質量的復原。

3結論

本研究對農產品檢測圖像預處理算法進行了研究，在脊波變換的框架下，將濾波與增強技術有機結合，提出了一種智能化處理算法。結果表明，該算法兼顧了圖像增強和濾波的特點，在消除不同程度降質圖像的降質因素的同時，能高質量地增強圖像中的目標信息，弱化背景信息，在一定程度上具備了圖像目標分割的功能。通過將算法程序內置于相關設備中，能夠實現對該類圖像的智能化預處理。

參考文獻：

[1]印紅群，吳達勝. 5種小波閾值去噪法處理木材缺陷圖像的仿真比較[J]. 江蘇農業科學，2013，41（5）：288-290.

[2]邢航，張鐵民，漆海霞，等. 薯類農產品視覺圖像的去噪方法[J]. 農機化研究，2012，34（7）：43-47，52.

[3]郭承湘，高華玲，陽建中，等. 一種基于噪聲檢測的圖像去噪算法[J]. 計算機工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對比度增強[J]. 計算機應用，2013，33（4）：1125-1127.

[5]楊勇，薛東旭，蓋琦，等. 同態濾波法抑制離軸數字全息零級項[J]. 光學精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，Fatemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

[8]王小兵，孫久運，湯海燕. 一種基于數學形態學與小波域增強的濾波算法[J]. 微電子學與計算機，2012，29（7）：64-67.

2本研究算法

2.1本研究算法基本思路

脊波變換相對于小波變換而言能更好地刻畫圖像信息的點、線奇異特性，可以認為，其多分辨特性優于小波變換。本研究將脊波變換作為研究分析的基本框架，在該框架中，對脊波變換獲得的低頻和高頻分解系數分別進行處理，在此基礎上實現處理后系數的重構，從而實現對原始低質量圖像的較好增強。技術路線如圖2所示。

2.2詳細實現步驟

步驟1，對低質量的水果檢測圖像進行多尺度脊波變換，從而獲得不同幅值的高頻和低頻分解系數，這些系數分別反映了圖像低頻和高頻信息。

步驟2，低頻脊波分解系數幅值較大，該部分系數主要反映了圖像的基本信息，對比度較低，因此，可采用自適應同態濾波算法進行對比度的拉伸處理。

步驟3，高頻系數就幅值而言小于低頻系數，該部分是圖像高頻信息的主要體現，而圖像中的降質量因素——噪聲則主要集中于該部分系數中。受到噪聲污染的高頻系數幅度值明顯小于其他系數，如果對所有的高頻系數直接進行濾波，則一方面增大了計算量，另一方面會丟失大量細節信息。反之，如果忽略噪聲，直接進行增強處理，則會導致噪聲污染的區域被放大，增強后的圖像質量無法提高。若從系數幅值角度分析，將幅值較大的系數與較小的系數分開，僅對較小幅值的系數進行濾波，對其余的進行增長，那么最終的處理效果勢必比較理想。因此，本研究對高頻系數引入了一個判別閾值，

T=σ2lnL。（5）

式中：σ為系數噪聲信號標準差，L為系數長度。通過將所有高頻系數幅值與該閾值進行比較，可將全部系數分成2類，即受到噪聲污染的系數和尚未被噪聲污染的系數。

步驟4，對于受噪聲污染的系數，則引入中值濾波算法進行處理，通過鄰域統計大小排序，剔除該部分噪聲，在一定程度上也起到圖像增強的作用。

步驟5，對于尚未被污染的系數，則可以理解成純粹的對比度不高的情況，可采用局部直方圖均衡化算法（LHE）進行處理，具體對應于“1.1”節中的步驟1至步驟5。

步驟6，對步驟2、步驟4、步驟5處理后的低頻系數和高頻系數進行系數重構，獲得最終增強后的圖像。

2.3仿真試驗

對上述算法采用圖1-a檢測圖像進行試驗驗證，盡管圖像降質量因素較多，但匯集一點，各類降質因素最終導致圖像模糊不清，且含有噪聲。基于此，本研究通過對試驗圖像中加入一定程度的隨機噪聲來模擬降質圖像。每幅圖像降質程度有所不同，為了從宏觀上對本研究算法的普適性進行驗證，對所有降質因素加以抽象，構建模擬降質圖像進行處理，其處理效果對于一類圖像基本具有說服力，截取該圖像的2個區域，分別添加不同密度的隨機噪聲進行試驗，試驗結果如圖3、圖4所示。

對圖3、圖4試驗結果分析可知，全局直方圖均衡化算法（GHE）對降質的水果圖像基本上無能為力，盡管圖像的對比度得到拉伸，但噪聲依然存在，并且在某種程度上得到放大，圖像質量沒有得到有效提高。局部直方圖均衡化算法（LHE）處理結果與GHE類似。這進一步說明對降質圖像直接進行增強處理，收效甚微。對降質圖像直接進行中值濾波（圖3-e、圖4-e）有一定效果，但圖像較原始圖像模糊，特別是圖中梨本身的斑點基本難以辨認，且對高密度的噪聲濾波效果也不是很理想。通過對比可以發現，本研究算法處理結果（圖3-f、圖4-f））兼顧了濾波和增強，在改善圖像質量的同時，也突出了圖像中的目標物，弱化了背景信息，起到了目標分割作用。

以上是從主觀角度對試驗結果進行分析評價，為了對本研究算法的性能進行一個定量評價，使其更具有說服力，引入峰值信噪比（PSNR[8]）以及計算復雜度2個指標來進行評價（表1、表2）。

表1幾種算法的PSNR值比較

算法PSNR值（db）5%隨機噪聲15%隨機噪聲降質圖像17.85415.338GHE18.76518.023LHE18.93718.362中值濾波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法計算時間與前三者相當，說明本研究算法在基本不延長處理時間的前

表2幾種算法的計算時間比較

算法運算時間（s）GHE20.027LHE18.745中值濾波19.352本研究算法20.783

提下能夠大幅度提高圖像預處理質量，在最短的時間內將降質圖像進行高質量的復原。

3結論

本研究對農產品檢測圖像預處理算法進行了研究，在脊波變換的框架下，將濾波與增強技術有機結合，提出了一種智能化處理算法。結果表明，該算法兼顧了圖像增強和濾波的特點，在消除不同程度降質圖像的降質因素的同時，能高質量地增強圖像中的目標信息，弱化背景信息，在一定程度上具備了圖像目標分割的功能。通過將算法程序內置于相關設備中，能夠實現對該類圖像的智能化預處理。

參考文獻：

[1]印紅群，吳達勝. 5種小波閾值去噪法處理木材缺陷圖像的仿真比較[J]. 江蘇農業科學，2013，41（5）：288-290.

[2]邢航，張鐵民，漆海霞，等. 薯類農產品視覺圖像的去噪方法[J]. 農機化研究，2012，34（7）：43-47，52.

[3]郭承湘，高華玲，陽建中，等. 一種基于噪聲檢測的圖像去噪算法[J]. 計算機工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對比度增強[J]. 計算機應用，2013，33（4）：1125-1127.

[5]楊勇，薛東旭，蓋琦，等. 同態濾波法抑制離軸數字全息零級項[J]. 光學精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，Fatemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

[8]王小兵，孫久運，湯海燕. 一種基于數學形態學與小波域增強的濾波算法[J]. 微電子學與計算機，2012，29（7）：64-67.

2本研究算法

2.1本研究算法基本思路

脊波變換相對于小波變換而言能更好地刻畫圖像信息的點、線奇異特性，可以認為，其多分辨特性優于小波變換。本研究將脊波變換作為研究分析的基本框架，在該框架中，對脊波變換獲得的低頻和高頻分解系數分別進行處理，在此基礎上實現處理后系數的重構，從而實現對原始低質量圖像的較好增強。技術路線如圖2所示。

2.2詳細實現步驟

步驟1，對低質量的水果檢測圖像進行多尺度脊波變換，從而獲得不同幅值的高頻和低頻分解系數，這些系數分別反映了圖像低頻和高頻信息。

步驟2，低頻脊波分解系數幅值較大，該部分系數主要反映了圖像的基本信息，對比度較低，因此，可采用自適應同態濾波算法進行對比度的拉伸處理。

步驟3，高頻系數就幅值而言小于低頻系數，該部分是圖像高頻信息的主要體現，而圖像中的降質量因素——噪聲則主要集中于該部分系數中。受到噪聲污染的高頻系數幅度值明顯小于其他系數，如果對所有的高頻系數直接進行濾波，則一方面增大了計算量，另一方面會丟失大量細節信息。反之，如果忽略噪聲，直接進行增強處理，則會導致噪聲污染的區域被放大，增強后的圖像質量無法提高。若從系數幅值角度分析，將幅值較大的系數與較小的系數分開，僅對較小幅值的系數進行濾波，對其余的進行增長，那么最終的處理效果勢必比較理想。因此，本研究對高頻系數引入了一個判別閾值，

T=σ2lnL。（5）

式中：σ為系數噪聲信號標準差，L為系數長度。通過將所有高頻系數幅值與該閾值進行比較，可將全部系數分成2類，即受到噪聲污染的系數和尚未被噪聲污染的系數。

步驟4，對于受噪聲污染的系數，則引入中值濾波算法進行處理，通過鄰域統計大小排序，剔除該部分噪聲，在一定程度上也起到圖像增強的作用。

步驟5，對于尚未被污染的系數，則可以理解成純粹的對比度不高的情況，可采用局部直方圖均衡化算法（LHE）進行處理，具體對應于“1.1”節中的步驟1至步驟5。

步驟6，對步驟2、步驟4、步驟5處理后的低頻系數和高頻系數進行系數重構，獲得最終增強后的圖像。

2.3仿真試驗

對上述算法采用圖1-a檢測圖像進行試驗驗證，盡管圖像降質量因素較多，但匯集一點，各類降質因素最終導致圖像模糊不清，且含有噪聲。基于此，本研究通過對試驗圖像中加入一定程度的隨機噪聲來模擬降質圖像。每幅圖像降質程度有所不同，為了從宏觀上對本研究算法的普適性進行驗證，對所有降質因素加以抽象，構建模擬降質圖像進行處理，其處理效果對于一類圖像基本具有說服力，截取該圖像的2個區域，分別添加不同密度的隨機噪聲進行試驗，試驗結果如圖3、圖4所示。

對圖3、圖4試驗結果分析可知，全局直方圖均衡化算法（GHE）對降質的水果圖像基本上無能為力，盡管圖像的對比度得到拉伸，但噪聲依然存在，并且在某種程度上得到放大，圖像質量沒有得到有效提高。局部直方圖均衡化算法（LHE）處理結果與GHE類似。這進一步說明對降質圖像直接進行增強處理，收效甚微。對降質圖像直接進行中值濾波（圖3-e、圖4-e）有一定效果，但圖像較原始圖像模糊，特別是圖中梨本身的斑點基本難以辨認，且對高密度的噪聲濾波效果也不是很理想。通過對比可以發現，本研究算法處理結果（圖3-f、圖4-f））兼顧了濾波和增強，在改善圖像質量的同時，也突出了圖像中的目標物，弱化了背景信息，起到了目標分割作用。

以上是從主觀角度對試驗結果進行分析評價，為了對本研究算法的性能進行一個定量評價，使其更具有說服力，引入峰值信噪比（PSNR[8]）以及計算復雜度2個指標來進行評價（表1、表2）。

表1幾種算法的PSNR值比較

算法PSNR值（db）5%隨機噪聲15%隨機噪聲降質圖像17.85415.338GHE18.76518.023LHE18.93718.362中值濾波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法計算時間與前三者相當，說明本研究算法在基本不延長處理時間的前

表2幾種算法的計算時間比較

算法運算時間（s）GHE20.027LHE18.745中值濾波19.352本研究算法20.783

提下能夠大幅度提高圖像預處理質量，在最短的時間內將降質圖像進行高質量的復原。

3結論

本研究對農產品檢測圖像預處理算法進行了研究，在脊波變換的框架下，將濾波與增強技術有機結合，提出了一種智能化處理算法。結果表明，該算法兼顧了圖像增強和濾波的特點，在消除不同程度降質圖像的降質因素的同時，能高質量地增強圖像中的目標信息，弱化背景信息，在一定程度上具備了圖像目標分割的功能。通過將算法程序內置于相關設備中，能夠實現對該類圖像的智能化預處理。

參考文獻：

[1]印紅群，吳達勝. 5種小波閾值去噪法處理木材缺陷圖像的仿真比較[J]. 江蘇農業科學，2013，41（5）：288-290.

[2]邢航，張鐵民，漆海霞，等. 薯類農產品視覺圖像的去噪方法[J]. 農機化研究，2012，34（7）：43-47，52.

[3]郭承湘，高華玲，陽建中，等. 一種基于噪聲檢測的圖像去噪算法[J]. 計算機工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對比度增強[J]. 計算機應用，2013，33（4）：1125-1127.

[5]楊勇，薛東旭，蓋琦，等. 同態濾波法抑制離軸數字全息零級項[J]. 光學精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，Fatemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

[8]王小兵，孫久運，湯海燕. 一種基于數學形態學與小波域增強的濾波算法[J]. 微電子學與計算機，2012，29（7）：64-67.