農業圖像NSCT—DWT域自適應濾波增強算法

張倩++張凡

摘要：將非下采樣輪廓波變換（nonsubsampled contourlet transform，NSCT）與離散小波變換（discrete wavelet transform，DWT）相結合，提出了1種針對農業圖像的NSCT-DWT域自適應濾波增強算法。首先對圖像進行NSCT分解與重構獲得空間域原始圖像的背景和細節圖像；然后將改進的Pal-King模糊增強算法應用于增強背景圖像；對于細節圖像則進行3層二維離散小波變換，對高頻系數采用一種基于自適應閾值的改進型閾值函數模型進行去噪，系數重構獲得去噪后的細節圖像；最后對增強后的背景圖像與去噪后的細節圖像進行疊加。結果表明，該算法對農業圖像處理效果優于2類已有的小波閾值去噪算法。

關鍵詞：農業圖像； 濾波增強；非下采樣輪廓波變換；離散小波變換；閾值函數模型

中圖分類號：TP391.41；S126 文獻標志碼： A文章編號：1002-1302（2015）09-0448-02

農業圖像由于受到復雜的成像環境、成像設備自身缺陷等因素的影響，導致圖像中含有一定程度的噪聲并且對比度不高，影響了圖像的使用。對于該類圖像的處理，主要思路有：（1）去噪。采用去噪算法在空間域或者變換域濾除圖像中的噪聲，如中值濾波[1]、非局部均值濾波[2]、非下采樣輪廓波變換（NSCT）[3]、離散小波變換（DWT）[4]等，該類算法在濾除噪聲的同時，較少地顧及改善圖像的對比度，提高濾波后圖像的視覺效果。（2）增強。采用如直方圖均衡化[5]、模糊增強[6]等方法改善圖像的對比度，突出圖像中感興趣的目標信息，但該類方法很難濾除圖像中的噪聲，且容易在增強圖像的同時放大噪聲。農業圖像作為一種細節信息較為豐富的圖像，對其進行處理，應當有效兼顧濾波和增強這2個環節。因此，結合非下采樣輪廓波變換（NSCT）和離散小波變換（DWT），通過對農業噪聲圖像進行NSCT分解與重構，實現背景圖像和細節圖像的有效分離，在此基礎上，對2者分別進行模糊增強和小波去噪，將處理后的2類圖像進行疊加，獲得去噪后的農業圖像。

1算法基本原理

相對于DWT來說，NSCT在對農業噪聲圖像分解過程中，能更為有效地捕捉到圖像中的線、面等信息，能夠實現對圖像更為稀疏的表達，但具有相當大的數據冗余度。DWT對于刻畫圖像中點奇信息是十分有效的，能從水平、垂直、對角等3個方向來刻畫圖像中的高頻信息，盡管其對圖像的稀疏性表達能力略遜于NSCT，但具有較小的數據冗余度。因此，構建了NSCT-DWT圖像分析框架，通過對農業圖像進行NSCT變換和逆變換，獲得背景圖像和細節圖像；然后對細節圖像采用DWT進行進一步分析。

1.1背景圖像自適應模糊增強

為了更為有效地突顯農業圖像中的細節信息（如植物的根莖葉邊緣等信息），對Pal-King算法[6]中的模糊隸屬度映射函數進行改進，改進后的函數模型定義為：

式中：f′（x，y）為公式（1）中像素點灰度值f（x，y）模糊增強后的結果；T-1（）為模糊逆變換計算函數。

1.2細節圖像自適應小波去噪

關于小波閾值函數模型，學者們提出一些改進型的模型[7-10]，該類函數去噪模型盡管取得了一些效果，但不足之處在于：（1）自適應不強。函數模型中加入了調節參數，該類參數的取值只能經過反復試驗獲得，并且對于一類圖像甚至是一幅圖像來說，如此取值可以滿足去噪要求，但對于其余類型圖像，則需要重新確定參數值。（2）耗時較大。相當一部分去噪模型中融入了諸如指數、對數之類的非線性函數，在逐步提高函數整體去噪效果的同時，去噪過程的耗時也急劇增大。因此，本研究提出了如下函數模型：

0|w|≤t1。（12）

1.3算法實現步驟

步驟1：對農業噪聲圖像進行NSCT多尺度分解，得到1幅低頻圖像和1幅帶通圖像；低頻圖像主要包含了農業圖像中背景信息，帶通圖像則包含了農業圖像中圖像輪廓邊緣等細節信息以及絕大多數的噪聲信息。

步驟2：對步驟1中獲得的帶通圖像采用一種非下采樣多方向濾波器進行多方向分解，獲得代表各個方向上的農業像高頻信息的方向帶通圖像序列。

步驟3：對步驟1中的低頻圖像繼續執行步驟1和步驟2，完成對圖像更為細致的分解。

步驟4：對上述低頻圖像和帶通圖像分別進行NSCT系數重構，獲得空間域中的背景圖像和細節圖像。

步驟5：分別對背景圖像和細節圖像進行自適應增強和濾波處理，得到處理后的背景圖像和細節圖像。

步驟6：對經過步驟5處理后的背景圖像和細節圖像進行疊加，得到最終處理后的農業圖像。

2試驗測試

借助MATLAB語言對本算法進行編程，采用1幅水果圖像對本算法去噪能力進行測驗，引入文獻[8]和文獻[10]中的小波閾值去噪算法與本算法進行對比（分別記為算法1、算法2、算法3），試驗結果如圖1所示。采用峰值信噪比（peak signal to noise ratio，PSNR）[11]、平均結構相似度算子（means structural similarity，MSSIM）[12]以及算法耗時對上述試驗結果進行客觀評價，結果見表1。

表1試驗結果的定量評價

噪聲方差PSNR（dB）算法1算法2算法3MSSIM算法1算法2算法3算法耗時（s）算法1算法2算法3525.35125.60826.1880.7010.7760.8343.4746.1924.8231022.30924.88525.5520.6550.7350.7683.6196.7035.0021520.02823.61225.1730.6020.6840.7363.9276.8915.202

就圖像清晰度而言，圖1-d稍優于圖1-c這，因為算法2中通過將所有的圖像小波分解系數分成3類，對于每一類的小波分解系數設置不同的計算方式進行處理，相對于算法1而言，能夠更為精細地去除殘留在小波系數中的噪聲信息，但該算法的計算復雜度明顯高于算法1。而圖1-d的清晰程度明顯優于圖1-b和圖1-c，主要體現在：（1）圖1-d背景中的噪聲點基本不存在，而圖1-b和圖1-c的背景中仍然存在不同程度的噪聲，該類噪聲的存在影響對圖中枇杷果實信息的準確識別；（2）圖1-d中枇杷果實輪廓基本從噪聲信息中恢復出來，并且圖像的對比度比圖1-a有了明顯提高。endprint

當圖像中的高斯白噪聲方差為5時，3種算法的PSNR和MSSIM指標值相差不大。當噪聲方差達到15時，本算法的PSNR值高于其他2種算法，分別比算法2高1.561 dB比算法1高5.145 dB；本算法的MSSIM值高于其他2種算法，分別比算法2高0.052、比算法1高0.134。對于含有3種不同方差高斯白噪聲的農業圖像去噪耗時來說，本研究算法相對于文獻[12]中的小波閾值去噪算法而言，仍有一定的優勢。

3結束語

結合NSCT和DWT，提出了1種農業圖像濾波增強算法。通過對含有不同方差高斯白噪聲的農業圖像進行試驗，主觀分析結果，PSNR、MSSIM以及算法執行時間等指標定性、定量證明了本研究算法的有效性。

參考文獻：

[1]周仕友. 一種結合小波變換的豆類圖像增強算法[J]. 江蘇農業科學，2014，42（7）：433-435.

[2]陳明舉. 基于統計特性的非局部均值去噪算法[J]. 液晶與顯示，2014，29（3）：450-454.

[3]韓偉，劉強. 一種 NSCT 域改進閾值函數的雜草圖像去噪方法[J]. 江蘇農業科學，2013，41（11）：151-153.

[4]Luo F，Wu S J，Jiao L C，et al. Asic design of adaptive threshold denoise DWT chip[J]. Journal of Electronics，2002，19（1）：1-7.

[5]趙吉文，魏正翠，汪洋，等. 基于灰度帶比例的優質西瓜子識別算法研究與實現[J]. 農業工程學報，2011，27（4）：340-344.

[6]Pal S K，King R A. One edge detection of X-ray images using fuzzy sets[J]. IEEE Trans，1983，5（1）：69-77.

[7]李雷，魏連鑫. 自適應小波閾值函數的指紋圖像去噪[J]. 上海理工大學學報，2014，36（2）：154-157，162.

[8]黃玉昌，侯德文. 基于改進小波閾值函數的指紋圖像去噪[J]. 計算機工程與應用，2012，50（6）：179-181.

[9]王蓓，張根耀，李智，等. 基于新閾值函數的小波閾值去噪算法[J]. 計算機應用，2014，34（5）：1499-1502.

[10]王藝龍，楊守志. 基于連續閾值函數的小波去噪方法[J]. 汕頭大學學報：自然科學版，2013，28（4）：66-74.

[11]楊福增，田艷娜，楊亮亮，等. 基于雜交小波變換的農產品圖像去噪算法[J]. 農業工程學報，2011，27（3）：172-178.

[12]翟東海，魚江，段維夏，等. 米字型各向異性擴散模型的圖像去噪算法[J]. 計算機應用，2014，34（5）：1494-1498.endprint