基于非局部均值的儲(chǔ)糧害蟲(chóng)圖像去噪

黃凌霄　張選德　馬文濤

摘要：介紹了非局部均值（Non-local Means，NLM）去噪算法的基本理論，比較了儲(chǔ)糧害蟲(chóng)圖像現(xiàn)有的去噪經(jīng)典方法與非局部均值去噪算法。結(jié)果表明，非局部均值去噪算法具有較明顯的去噪視覺(jué)效果，在峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和結(jié)構(gòu)相似性（Structural SIMilarity，SSIM）的定量比較中也具有較好的去噪質(zhì)量。

關(guān)鍵詞：非局部均值；圖像去噪；峰值信噪比；結(jié)構(gòu)相似性

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2015）19-4833-03

DOI：10.14088/j.cnki.issn0439-8114.2015.19.046

Abstract： The theoretical basis of non-local means was introduced， and some classical denoising algorithms was compared with the non-local means denoising algorithm in grain insect image. Results showed that non-local means denoising algorithm had the obvious denoising visual effects， also had better denoising quality in the quantitative comparisons of peak signal-to-noise ratio and structural similarity.

Key words：non-local means；image denoising；peak signal-to-noise ratio；structural similarity

中國(guó)是糧食生產(chǎn)和儲(chǔ)藏大國(guó)，但中國(guó)每年儲(chǔ)糧損耗約110億kg，其中因儲(chǔ)糧害蟲(chóng)造成的損失占10%～30%。目前，國(guó)內(nèi)外在儲(chǔ)糧害蟲(chóng)檢測(cè)方面主要采用的方法有扦樣法、誘集法、近紅外法、聲信號(hào)法和圖像識(shí)別法等[1-6]。由于人工檢測(cè)的效率低下、信息素的合成困難以及干擾等因素，使得大多數(shù)方法不能準(zhǔn)確實(shí)時(shí)地檢測(cè)出糧蟲(chóng)的信息，從而圖像識(shí)別方法成為糧蟲(chóng)識(shí)別的主要發(fā)展方向。在儲(chǔ)糧害蟲(chóng)圖像識(shí)別檢測(cè)系統(tǒng)中，機(jī)器視覺(jué)系統(tǒng)采用CCD（Charge Coupled Devices）照相機(jī)實(shí)時(shí)拍攝糧倉(cāng)害蟲(chóng)圖像，并轉(zhuǎn)化為數(shù)字信號(hào)，采用相應(yīng)的技術(shù)使計(jì)算機(jī)能自動(dòng)提取糧蟲(chóng)的形態(tài)性狀、智能識(shí)別害蟲(chóng)種類(lèi)。但是，圖像在生成或傳輸過(guò)程中常因受到各種噪聲的干擾和影響而使圖像的質(zhì)量下降，對(duì)后續(xù)的圖像處理產(chǎn)生不利影響。因此，圖像去噪是圖像處理中的一個(gè)重要環(huán)節(jié)。

現(xiàn)有的圖像去噪主要分為空域去噪和頻域去噪兩大類(lèi)。空域去噪的濾波經(jīng)典方法主要包括線性濾波中的高斯濾波[7]、非線性濾波中的中值濾波[8]、順序統(tǒng)計(jì)濾波和自適應(yīng)濾波[9]等， 頻域去噪的濾波經(jīng)典方法主要是小波閾值收縮法[10]。這些方法在去除圖像噪聲的同時(shí)也模糊了圖像的邊緣、紋理等細(xì)節(jié)信息。Buades等[11]提出的非局部均值濾波（Non-local Means，NLM）算法充分利用圖像局部結(jié)構(gòu)的相似性，取得了性能優(yōu)于其他經(jīng)典去噪方法的效果。為此，本研究將非局部均值濾波算法用于儲(chǔ)糧害蟲(chóng)圖像的去噪處理，希望在取得較好去噪效果的同時(shí)，保留儲(chǔ)糧害蟲(chóng)圖像的細(xì)節(jié)信息，為后續(xù)的糧蟲(chóng)提取、種類(lèi)識(shí)別提供基礎(chǔ)。

1 非局部均值（NLM）去噪算法

式中，h為濾波參數(shù)，Buades在NLM算法中，通過(guò)試驗(yàn)驗(yàn)證分析得出h與噪聲標(biāo)準(zhǔn)差σ有近似線性正比關(guān)系，通過(guò)此關(guān)系可以確定濾波參數(shù)h=10σ。在計(jì)算濾波參數(shù)h時(shí)需要利用圖像的噪聲標(biāo)準(zhǔn)差σ，但是在實(shí)際的去噪問(wèn)題中噪聲標(biāo)準(zhǔn)差σ往往是未知的。在這種情況下，對(duì)于零均值高斯白噪聲的標(biāo)準(zhǔn)差σ的估計(jì)，目前常用的算法是采用Donoho提出的基于小波系數(shù)的算法，即σ=MAD/0.674 5，其中MAD為小波分解后高頻系數(shù)的中值數(shù)。

2 結(jié)果與分析

為了驗(yàn)證NLM算法的去噪性能，將NLM算法與中值濾波、自適應(yīng)濾波、小波軟閾值收縮算法和小波包分析法進(jìn)行對(duì)比。圖1為本研究所采用的4幅大小為256×256像素的測(cè)試圖像，其中谷蠹、玉米象、綠豆象、赤擬谷盜是儲(chǔ)糧害蟲(chóng)中分布較廣、危害較大且包含較多紋理信息的圖像。

從表1可以看出，NLM算法的去噪性能優(yōu)于絕大多數(shù)經(jīng)典的去噪方法。但是，隨著噪聲水平的增大，代表去噪質(zhì)量的PSNR和SSIM值也有所下降，這表明高斯加權(quán)距離‖v（Ni）-v（Nj）‖不能很好地反映真實(shí)圖像塊之間的相似性，在有效去除低頻噪聲的同時(shí)，也模糊了圖像的部分細(xì)節(jié)信息。

對(duì)谷蠹添加均值為0、標(biāo)準(zhǔn)差為25的高斯白噪聲，對(duì)綠豆象添加均值為0、標(biāo)準(zhǔn)差為30的高斯白噪聲，比較幾種經(jīng)典算法和NLM算法的去噪視覺(jué)效果，所得的結(jié)果如圖2和圖3所示。

從圖2和圖3可以看出，NLM算法能夠獲得最好的視覺(jué)效果。尤其對(duì)于谷蠹圖像，其他幾種經(jīng)典算法在去除噪聲的同時(shí)，也模糊了谷蠹頭部的細(xì)節(jié)信息，而NLM算法卻能較好地保留其細(xì)節(jié)信息，這充分驗(yàn)證了NLM算法去噪的有效性。

3 小結(jié)

試驗(yàn)結(jié)果表明，基于非局部均值的圖像去噪算法比現(xiàn)有的去噪經(jīng)典方法具有較明顯的去噪視覺(jué)效果，在峰值信噪比和結(jié)構(gòu)相似性的定量比較中具有較好的去噪質(zhì)量。盡管非局部均值算法在圖像去噪方面很有效果，但該方法取當(dāng)前像素為中心的圖像塊與整幅圖像中所有像素點(diǎn)為中心的圖像塊進(jìn)行比對(duì)，計(jì)算量過(guò)大、計(jì)算速度慢，很難滿足實(shí)時(shí)應(yīng)用的要求。如何對(duì)現(xiàn)有算法進(jìn)行改進(jìn)是下一步的研究問(wèn)題之一。另外，當(dāng)圖像噪聲較大時(shí)，如何在有效去除低頻噪聲的同時(shí)，保留圖像的細(xì)節(jié)信息也值得進(jìn)一步的研究。

參考文獻(xiàn)：

[1] 周 龍.基于機(jī)器視覺(jué)的儲(chǔ)糧害蟲(chóng)圖像模糊檢測(cè)方法的研究[J].計(jì)算機(jī)應(yīng)用與軟件，2005，22（8）：24-26.

[2] 胡麗華，郭 敏，張景虎，等.儲(chǔ)糧害蟲(chóng)檢測(cè)新技術(shù)及應(yīng)用現(xiàn)狀[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：286-290.

[3] DAVID K，MARC L. Protecting 3D graphics content[J].Communications of the ACM， 2005，48（6）：234-239.

[4] 路 靜，傅洪亮.儲(chǔ)糧害蟲(chóng)檢測(cè)和分類(lèi)識(shí)別技術(shù)的研究[J].糧食儲(chǔ)藏，2014，43（1）：6-9.

[5] 姚 青，呂 軍，楊保軍，等.基于圖像的昆蟲(chóng)自動(dòng)識(shí)別與計(jì)數(shù)研究進(jìn)展[J].中國(guó)農(nóng)業(yè)科學(xué)，2011，44（14）：2886-2899.

[6] WICK K W，WEBB J C，WEAVER B A，et al. Sound detection of stored-product insects that feed insede kernels of grain[J]. Econ Entomol，1988，81（5）：1489-1493.

[7] LINDENBAUM M，F(xiàn)ISCHER M，BRUCKSTEIN A. On Gabors contribution to image enhancement[J].Pattern Recognition，1994， 27（1）：1-8.

[8] 張 恒，雷志輝，丁曉華.一種改進(jìn)的中值濾波算法[J].中國(guó)圖象圖形學(xué)報(bào)，2004，9（4）：408-411.

[9] 張旭明，徐濱士，董世運(yùn).用于圖像處理的自適應(yīng)中值濾波[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2005，17（2）：295-299.

[10] DONOHO D L. De-noising by soft-thresholding[J].IEEE Transactions on Information Theory，1995，41（3）：613-627.

[11] BUADES A，COLL B，MOREL J M.Nonlocal image and movie denoising[J]. International Journal of Computer Vision，2008， 76（2）：123-139.