農業圖像新型自適應混合濾波算法應用研究

劉春茂+郝倩

摘要： 針對農業圖像的獲取受到拍攝設備電壓不穩定、成像天氣等不確定性因素的影響從而存在一定程度的噪聲、圖像視覺效果差這一問題，提出了一種新型農業圖像自適應混合濾波算法。該算法首先采用改進型中值濾波算法進行預處理，以對圖像中的噪聲進行初步抑制；然后對經過預處理后的圖像采用自適應維納濾波算法進行處理，以進一步提高圖像的清晰度，最大限度地恢復圖像的本來面貌。分別將本研究算法、中值濾波算法、自適應維納濾波算法、非局部均值濾波算法進行Matlab編程實現，并應用于處理農業圖像。結果表明，本研究提出的算法對農業圖像的濾波效果明顯優于其余算法，這說明本研究提出的農業圖像濾波算法具有一定的實用性。

關鍵詞： 農業圖像；自適應維納濾波算法；中值濾波算法；非局部均值濾波算法；噪聲；清晰度

中圖分類號：S126；TP391 文獻標志碼： A

文章編號：1002-1302（2015）08-0424-02

隨著農業智能化水平的快速發展，各類農業圖像提供的大量信息已經成為農產品果實自動采摘 [1]、農作物長勢、病害分析 [2]、農作物產量估算 [3]的重要依據，因此農業圖像的處理和分析已經成為農業智能化發展的一個重要研究方向。近年來，小波變換 [4-5]、輪廓波變換 [6]、中值濾波 [7]、自適應維納濾波 [8]、非局部均值濾波 [9-10]等算法相繼被用于圖像去噪處理，并取得了較好的效果；但對于細節信息復雜的農業圖像而言，去噪效果往往不盡如人意。筆者在對該領域已有成果充分分析的基礎上提出了一種農業圖像自適應混合濾波算法，該算法對質量不高的農業圖像采用改進型中值濾波算法和自適應維納濾波算法進行處理，充分發揮2類算法的濾波優勢，從而獲得高質量的農業圖像。

1 改進型中值濾波算法

中值濾波算法在對圖像進行處理時，通過預先設定一定大小的窗口，這樣的窗口尺寸可以是3×3或者5×5，將該類窗口在圖像上按照一定的順序進行滑動，當窗口中心點處于圖像中某一像素點時，如果窗口尺寸為3×3，那么該像素點的濾波值可以表示成：

f=Median{f1，f2，f3，…，f8}。 （1）

其中：f為窗口中心點像素濾波后的灰度值；f1～f8為窗口中除中心點外的其余8個像素點的灰度值；Median{}為取中間值計算方式。大量試驗結果表明，該算法對于普通的數字圖像濾波效果較好；但一般來說農業圖像細節信息比較多，因此為了將該算法應用于處理農業圖像，有必要對其進行適當改進。其步驟如下：步驟1，統計（1）式中的最大值fmax和最小值 fmin；步驟2，在尺寸為3×3窗口中提出fmax和fmin，組成集合Q= {f1，f2，f3，…，f6}；步驟3，求取集合Q={f1，f2，f3，…，f6}的平均值faverage；步驟4，將fmax、fmin以及faverage組成一新的集合Q′={fmax，fmin，faverage}；步驟5，求取集合Q′的中間值f′=Median{Q′}，從而獲得窗口中心點濾波后的灰度值。

2 自適應維納濾波算法

3 試驗仿真與結果分析

本研究算法基本思路是：（1）采用“1”節中提出的改進中值濾波算法對含有噪聲的農業圖像進行預處理；（2）采用“2”節所描述的自適應維納濾波算法對經過改進中值濾波算法處理后的圖像進一步進行噪聲抑制。

對本研究算法采用Matlab軟件進行編程，試驗數據為一幅處于成熟期的桃子圖像。為了對該算法的性能進行全面了解：一方面引入中值濾波算法、自適應維納濾波算法、非局部均值濾波算法與本研究算法進行試驗對比；另一方面對上述幾類算法的試驗結果采用峰值信噪比（peak signal noise to ratio，PSNR）進行定量分析與評估。相關試驗結果分別如圖1至圖6所示，PSNR評價結果如表1所示。

由圖1至圖6可知，對于受到方差為15%的高斯噪聲污染的農業圖像（圖2）而言，采用中值濾波去噪后，結果如圖3所示，由此可以看出，圖中的果實邊緣基本能辨認出來，但桃子果實表面噪聲依然較大，這說明單純采用該算法無法有效去除圖像中的噪聲。中值濾波算法處理后結果見圖4，圖中噪聲被抑制的程度要高于圖3，總體而言圖4的清晰度與圖5比較接近，這說明非局部均值濾波算對于受到高強度噪聲污染的圖像而言去噪效果并不理想，不適合處理農業圖像。本研究算法處理結果如圖6所示，圖中的噪聲基本得到消除，果實、葉片邊緣基本從噪聲中恢復出來，果實表面殘留的噪聲比較少，視覺效果整體上與圖1最接近。由表1可知，4種算法對農業圖像的去噪效果隨著噪聲強度的提高而降低，并且當噪聲方差為15%時，本研究算法的PSNR值明顯高于其余3種算法，這說明本研究算法對農業圖像的處理是有效的。

4 結語

為了實現對農業圖像的有效濾波，將改進中值濾波與自適應維納濾波這2類算法有機結合提出了一種針對該類圖像的自適應混合濾波算法。仿真試驗結果表明，本研究提出的濾波算法基本適合于處理農業圖像，其效果稍稍優于已有的同類型圖像，對農業圖像的處理具有一定的參考價值。

參考文獻：

[1] 呂繼東，趙德安，姬 偉 蘋果采摘機器人目標果實快速跟蹤識別方法[J] 農業機械學報，2014，45（1）：65-72

[2]彭占武，司秀麗，王 雪，等 基于計算機圖像處理技術的黃瓜病害特征提取[J] 農機化研究，2014，36（2）：179-182，187

[3]李 紅 基于CBERS-2衛星圖像的石河子地區棉花產量遙感監測研究[J] 石河子科技，2007（6）：28-31

[4]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

[5]趙 輝，劉文明，岳有軍，等 一種新的去噪算法在農作物圖像處理中的應用[J] 江蘇農業科學，2014，42（1）：371-373

[6]劉 悅，李一兵，李 驁 聯合雙重濾波的水下圖像NSCT閾值去噪算法[J] 哈爾濱工程大學學報，2013，34（2）：251-255

[7]晏資余，羅 楊，楊 浩 圖像椒鹽噪聲的分階段中值濾波算法[J] 南華大學學報：自然科學版，2013，27（3）：66-70，77

[8]張 東，覃鳳清，曹 磊，等 基于維納濾波的高斯含噪圖像去噪[J] 宜賓學院學報，2013，13（12）：60-63

[9]張 宇，王向陽 頻域小波矩的非局部均值圖像去噪[J] 小型微型計算機系統，2012，33（9）：2079-2082

[10] 張 權，桂志國，劉 祎，等 醫學圖像的自適應非局部均值去噪算法[J] 計算機工程，2012，38（7）：182-184，187endprint