1種基于鄰域相關(guān)性改進的農(nóng)業(yè)圖像中值濾波算法

裴連群++高洪玉

摘要：實地采集的農(nóng)業(yè)圖像中常存在一些顆粒狀噪聲，針對此現(xiàn)狀適當(dāng)改進經(jīng)典中值濾波算法，并提出1種改進的農(nóng)業(yè)圖像中值濾波算法。首先檢測圖像中受到噪聲干擾的像素點，將其中灰度值為255或0的像素點標(biāo)記為疑似噪聲點。選取每個疑似噪聲點周圍5×5大小的鄰域，若鄰域中疑似噪聲點數(shù)目較多，則根據(jù)該鄰域中非疑似噪聲點與待濾波點的幾何距離進行加權(quán)中值濾波；若鄰域中疑似噪聲點數(shù)目較少，則根據(jù)該鄰域中非疑似噪聲點與待濾波點的相關(guān)性進行改進的中值濾波。分別以該算法對采集的農(nóng)業(yè)圖像進行測試，并引入峰值信噪比（peak signal noise to ratio，PSNR）、均方根誤差（mean square error，MSE）等指標(biāo)對測試結(jié)果進行考察。將該算法與中值濾波、開關(guān)中值濾波、加權(quán)中值濾波等同類算法進行比較，結(jié)果表明，與同類型其他算法相比，該算法的效果較為突出。

關(guān)鍵詞：農(nóng)業(yè)圖像；顆粒狀噪聲；中值濾波；加權(quán)中值濾波；鄰域相關(guān)性

中圖分類號： TP391；S126文獻標(biāo)志碼： A文章編號：1002-1302（2015）09-0442-02

為了提高圖像對比度，并去除圖像中由于成像環(huán)境、成像設(shè)備固有缺陷等因素形成的各類噪聲，采用圖像濾波、增強等算法對實地獲取的各類農(nóng)業(yè)圖像進行處理。雖然處理后的農(nóng)業(yè)圖像直接應(yīng)用價值有限，但對于后續(xù)圖像判讀、目標(biāo)識別[1]、目標(biāo)檢測[2]等結(jié)果的準(zhǔn)確度有重要影響。近年來，隨著計算機圖像處理技術(shù)的快速發(fā)展，一些較為實用的圖像濾波算法被應(yīng)用于農(nóng)業(yè)圖像的處理，并取得了一定成果，但仍普遍存在一些不足之處。采用小波變換[3]、Contourlet變換[4]等多尺度方法對圖像進行分析，不僅算法復(fù)雜度較大，且圖像被反復(fù)分解、重構(gòu)的過程中丟失了大量信息。濾波后的圖像總體對比度有所提高，但植物根莖、葉片等目標(biāo)邊緣信息的連續(xù)性不強，甚至?xí)G失部分信息。中值濾波是一種經(jīng)典的計算機圖像濾波算法，對于一般的數(shù)字圖像處理效果較好，但無法勝任處理細節(jié)信息較多的農(nóng)業(yè)圖像[5]。為此，本研究對中值濾波算法進行2點改進：首先引入檢測方法對圖像中的噪聲進行初步檢測，標(biāo)記出疑似噪聲點；根據(jù)每個疑似噪聲點周圍一定鄰域內(nèi)噪聲的強度，自動采取不同的改進型中值濾波算法進行處理。

1算法原理

1.1圖像中疑似噪聲點的檢測

疑似噪聲點即為圖像中灰度值異常的像素點，該類像素點可能由于自身信息而導(dǎo)致灰度值相對于鄰域像素點突然變大或變小（如圖像中果實表面的斑點、果實邊緣等信息），也可能因噪聲的干擾而產(chǎn)生。檢測受噪聲干擾的像素點最為有效的方法，是根據(jù)其灰度值特征進行鑒別，而僅根據(jù)灰度值信息鑒別出的像素點未必均為噪聲點，因此該類像素點僅能稱為疑似噪聲點。對于大小為X·Y的農(nóng)業(yè)圖像，疑似噪聲點檢測方法如下：

在式（4）的基礎(chǔ)上，分別計算該鄰域內(nèi)除中心點外其余所有疑似噪聲點的灰度值與f-（x，y）之差，若該差值小于 fSTD（x，y） ，則認為此像素點未受到噪聲干擾；反之則為噪聲點。

將該鄰域中所有非疑似噪聲點，以及經(jīng)上述計算比較后被鑒別為非噪聲點的像素點進行大小排序，將其中間值賦值給鄰域的中心點，作為濾波值輸出。

1.3算法實現(xiàn)思路

（1）按照“1.2”節(jié)的方法，在圖像中以一定順序獲取疑似噪聲點周圍5×5大小的鄰域。（2）分別統(tǒng)計該區(qū)域內(nèi)疑似噪聲點的數(shù)目 。（3）若N=24或N=0，則認為該鄰域內(nèi)原本圖像便為全黑或全白區(qū)域，沒有受到噪聲干擾，可不作處理。（4）若12

2算法試驗

采用Visual Basic（VB）語言編寫本研究的算法程序，對1幅蘋果圖像進行試驗。將本算法的試驗結(jié)果分別與中值濾波、開關(guān)中值濾波[6]、加權(quán)中值濾波[7]進行比較，對試驗結(jié)果進行主觀評價的同時，定義峰值信噪比（PSNR）、均方根誤差（MSE）[8]對各算法的試驗效果進行考察。PSNR值越大則濾波后圖像與原始圖像越接近，表明濾波后圖像質(zhì)量較好；MSE值越小則濾波后圖像與原始圖像差異越小，表明濾波后圖像質(zhì)量較好。試驗結(jié)果分別見圖1、表1。

表1不同算法試驗效果的考查結(jié)果

添加噪聲

的強度（%）PSNR（dB）MSE（dB）中值濾波開關(guān)中值濾波加權(quán)中值濾波本研究算法中值濾波開關(guān)中值濾波加權(quán)中值濾波本研究算法1023.00224.43124.47726.59155.67748.89742.24326.6032021.17622.30023.17525.31873.63669.99060.87431.1363019.39820.09722.03424.514103.19397.76270.07640.711

對圖1-a添加強度為20%的顆粒噪聲得到圖1-b，圖1-c為圖1-b經(jīng)過中值濾波（濾波模板尺寸為 ）后的結(jié)果，圖中蘋果輪廓基本無法辨認，圖像背景存在大量噪聲；圖1-d為經(jīng)過開關(guān)中值濾波[6]后的結(jié)果，圖像背景的噪聲程度有

所降低，但蘋果邊緣仍較為模糊；圖1-e為經(jīng)過加權(quán)中值濾波[7]后的結(jié)果，相對于圖1-c、圖1-d而言，濾波后圖像的質(zhì)量得到一定程度的提高，可基本辨認蘋果邊緣，圖像背景中的噪聲強度被進一步降低；圖1-f為本研究算法的試驗結(jié)果，圖中蘋果輪廓的清晰程度與圖1-a非常接近，但背景顏色比圖1-a淡化了許多，大量背景信息被當(dāng)作噪聲點得到了修正或濾除，從而在一定程度上突出了圖像的主要信息。

對于含有3種不同強度顆粒噪聲的農(nóng)業(yè)圖像，本研究算法的PSNR值明顯高于中值濾波、開關(guān)中值濾波[6]、加權(quán)中值濾波[7]；而本研究算法的MSE值明顯低于中值濾波、開關(guān)中值濾波、加權(quán)中值濾波（表1）。可見本研究算法對農(nóng)業(yè)圖像的處理有一定效果，這與上述理論分析的結(jié)果基本一致。

3討論

為實現(xiàn)農(nóng)業(yè)圖像的有效濾波處理，在對中值濾波改進的基礎(chǔ)上，提出1種基于鄰域相關(guān)性的中值濾波改進算法。本算法在檢測圖像中疑似噪聲點的基礎(chǔ)上，以每個疑似噪聲點周圍一定大小的鄰域為研究對象，根據(jù)該鄰域內(nèi)疑似噪聲點的數(shù)目實現(xiàn)對疑似噪聲點的自適應(yīng)改進中值濾波處理。本算法的有效性已在試驗中得到初步驗證。

參考文獻：

[1]王宏艷，呂繼興. 基于紋理特征與改進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）：3163-3166，3169.

[2]毛麗民，劉叔軍，朱培逸，等. 一種基于FPGA的水果分級檢測系統(tǒng)的設(shè)計[J]. 農(nóng)機化研究，2013，35（11）：120-123.

[3]李景福，趙進輝，龍志軍，等. 基于離散小波變換的農(nóng)業(yè)圖像處理研究[J]. 安徽農(nóng)學(xué)通報，2007，13（3）：43-45.

[4]韓偉，劉強. 一種NSCT域改進閾值函數(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.

[5]趙輝，劉文明，岳有軍，等. 一種新的去噪算法在農(nóng)作物圖像處理中的應(yīng)用[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：371-373.

[6]喬坤，郭朝勇，毛東. 一種去除椒鹽噪聲的自適應(yīng)開關(guān)中值濾波算法[J]. 計算機應(yīng)用與軟件，2011，28（10）：253-256.

[7]王梅，黃華，應(yīng)大力. 基于隸屬度函數(shù)的自適應(yīng)加權(quán)中值濾波[J]. 電腦知識與技術(shù)，2012，8（31）：7565-7567.

[8]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.