基于自適應改進小波閾值模型的農業圖像去噪

潘玫玫

摘要：計算機圖像處理技術的應用為農產品檢測、農作物長勢及病蟲害監測工作提供了較為可靠的依據，但是該類圖像的獲取受到了拍攝系統硬件、農作物生長環境、農作物復雜的邊緣輪廓等因素的影響，導致獲取的圖像或多或少存在一定程度的失真現象，并摻雜一些隨機噪聲。對此，提出了1種針對該類圖像的去噪方法，首先對圖像進行3層小波分解，獲得大量的低頻分解系數和高頻分解系數；然后對于分解獲得的高頻系數采用改進的小波閾值模型進行去噪；最后將去噪后的高頻分解系數與原始低頻分解系數進行系數精確重構。采用MATLAB語言對該去噪方法進行編程并對其去噪效果進行測試，結果表明，該算法對于農業圖像的處理效果優于傳統的小波閾值去噪模型以及部分已有的小波閾值去噪模型，具有一定的實用性。

關鍵詞：農業圖像；自適應；小波閾值去噪模型；MATLAB語言

中圖分類號： S126；TP391 文獻標志碼： A 文章編號：1002-1302（2015）10-0504-03

近年來，隨著計算機圖像處理技術的發展，大量成熟而實用的圖像處理方法相繼被應用于處理各類農業圖像，在農業圖像增強[1]、分割[2-3]、融合[4]、目標識別[5-6]、農產品檢測[7]等方面誕生了一系列成果，對于提高農業智能化水平具有較大意義。但是，上述研究的前提是基于高清晰的農業圖像，事實上，高清晰度的圖像往往難以獲得，在很多情況下，由于成像系統等硬件所存在的缺陷及拍攝環境的復雜性，導致獲取的圖像存在一定程度的噪聲。如果對該類圖像不進行預處理而直接進行圖像分析，勢必會大大降低分析結果的可靠性，因此圖像預處理工作是十分必要的。在這方面，趙輝等將小波閾值去噪方法與中值濾波算法相結合來處理農業圖像，即先對圖像進行中值濾波，再對濾波后的圖像進行小波閾值去噪處理[8]，該方法去噪效果較好，但是存在幾點不足：（1）對圖像采用2次濾波的方法，圖像中的相當一部分信息會在反復濾波過程中丟失；（2）對圖像進行小波閾值去噪過程中，采用簡單的原始小波閾值進行處理，沒有充分顧及農業圖像本身細節信息的復雜性，去噪效果仍存在著一定的提升空間。

本研究在對小波閾值去噪基本原理分析的基礎上，充分分析了經典小波硬、軟閾值去噪模型[9-10]、部分已有的改進型小波閾值去噪模型特點，提出了1種自適應改進小波閾值模型。該模型通過設置2個閾值，能夠根據不同的小波分解層數分別對不同幅值的小波高頻分解系數進行自適應處理。

1 自適應改進小波閾值去噪模型

小波閾值法去噪的基本原理是：通過對圖像進行多層次小波變換，保持其中低頻小波分解系數不變，而對高頻小波分解系數采用不同的閾值函數模型進行處理，對處理后的系數與原始低頻小波系數進行重構。由此可見，該方法最關鍵的在于閾值函數模型的設計。目前最為經典的2類模型分別是小波硬、軟閾去噪模型，這類模型通過將高頻小波分解系數的幅值與預先設定的閾值進行比較，對于大于該閾值的小波分解系數要么完全保留要么減去1個常數，而對其余的小波分解系數則用0值代替。計算簡便是這2類模型的最大優點，對于圖像中的噪聲去除具有一定的效果，但其缺點也是較為明了的：（1）小波硬閾值去噪模型對于小于閾值的部分小波系數直接設定為0，而對于剩余部分的小波系數則全部予以保留，存在著對圖像信息“一刀切”的傾向；（2）小波軟閾值去噪模型雖然對大于閾值的小波系數減去某一恒定值，相對于硬閾值函數模型來說去噪效果有所改善，但是容易導致圖像出現不同程度的失真。針對上述問題，近年來學者們提出了一系列的改進型模型，大體上有以下2類思路。

（1）基于系數修正的改進思路。該類模型的代表參見文獻[11]中相關內容：

式中：s為調節系數，s=[0.5，1]；w為小波系數幅值；t為小波閾值；wj，k為小波分解系數；j為分解層數；k為小波系數方向。

式（5）所定義的小波閾值去噪模型具有以下特點：（1）該模型充分融合了經典小波硬、軟閾值去噪模型的特點，設計了2類閾值，通過將經典小波全局閾值與改進的閾值作為閾值的上限、下限，從而將小波高頻分解系數劃分為3類：高于上限閾值（t2）的則進行自適應放處理，低于下限閾值（t1）的則用0值代替，處于2類閾值之間的則進行自適應處理。這樣能夠對全部小波高頻分解系數進行分門別類地處理。（2）對于處于上限、下限閾值之間的小波分解高頻系數，借鑒了經典小波閾值模型的處理思路，即將小波高頻分解系數減去1個常數，但本研究改進模型中是通過減去1個能夠隨著小波分解系數而自適應變化的數值，這就有效避免了經典小波軟閾值去噪模型所具有的缺陷。

2 結果與分析

前面從理論上分析了本研究去噪模型的特征與優勢，為了進一步測試本研究模型的實際效果，利用MATLAB語言對該模型進行編程實現，采用2幅蘋果圖像進行去噪試驗。采用小波硬閾值去噪模型、小波軟閾值去噪模型以及文獻[11]、文獻[12]中提出的去噪模型進行去噪效果對比分析，結果如圖1、圖2所示。

圖1-a、圖2-a分別為2幅添加了高斯噪聲（方差為15%）的蘋果圖像，硬閾值去噪模型處理結果分別見圖1-b、圖2-b，可見圖像非常模糊，蘋果的輪廓、枝葉根本無法辨認；圖1-c、圖2-c中雖然噪聲強度有所降低，但是圖像整體上仍較模糊，說明小波硬、軟閾值去噪模型無法有效處理農業圖像。相對而言，文獻[11]、文獻[12]中提出的去噪模型處理效果較好，從圖1-d、圖1-e、圖2-d、圖2-e中可以看出，蘋果的輪廓線較清晰；從圖1-d、圖1-e可見，蘋果葉片邊緣基本清晰。圖1-f、圖2-f為本研究模型處理結果，蘋果果實基本從噪聲中恢復出來，圖1-f中的蘋果葉片的紋路也能大體辨認，說明本研究模型能夠在剔除圖像中噪聲的同時，對于圖像中輪廓線、葉片紋路等細節信息的保持是很有效的。在上述試驗過程中，采用信噪比（signal noise ratio，SNR）對研究中各類模型的試驗結果進行了定量評價，各SNR值（SNR值越大說明模型的去噪效果越佳）統計結果見表1。endprint

由表1可知，當圖像中的噪聲方差為0.05時，本研究中幾種去噪模型效果均較佳，特別是文獻[11]、文獻[12]中模型的SNR值與本研究去噪模型最為接近，說明對于含有少量噪聲的農業圖像來說，本研究模型僅略占優勢。當圖像中噪聲方差為0.10時，上述幾類模型的去噪效果的差別迅速顯現，本研究模型的SNR值遠高于小波硬、軟閾值去噪模型，對于文獻[11]、文獻[12]模型而言，優勢也日漸明顯。當圖像中噪聲方差為0.15時， 小波硬、軟閾值去噪模型的SNR值已經降低到較低的水平，可以認為對于農業圖像來說基本失效；本研究模型的SNR值高于文獻[11]、文獻[12]模型約 2～3 dB。由此可以認為，本研究模型的去噪效果與其余4類模型相比，略勝一籌。

3 總結

為了有效處理農業圖像，本研究提出了1種基于自適應改進小波閾值模型的去噪方法。該方法充分融入了小波硬、軟閾值去噪模型以及部分已有的改進型小波閾值去噪模型的優勢，能夠根據小波分解層數的變化而自適應性去除圖像中的噪聲。試驗結果表明，該模型去噪效果較為理想，但是對于圖像中細節信息的保持效果仍然有待于進一步提高。

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]姚立健，丁為民，趙三琴，等. 基于SOFM神經網絡的茄子圖像分割方法[J]. 南京農業大學學報，2008，31（3）：140-144.

[3]田 杰，胡秋霞，馬孝義. 基于高斯分布改進C-V模型的植物病斑彩色圖像分割[J]. 農業工程學報，2013，29（16）：166-173.

[4]宋懷波，何東健，龔柳明. 不同光照條件下農作物圖像Contourlet域融合方法[J]. 農業工程學報，2014，30（11）：173-179.

[5]馮 娟，曾立華，劉 剛，等. 融合多源圖像信息的果實識別方法[J]. 農業機械學報，2014，45（2）：73-80.

[6]陳樹人，鄒華東，吳瑞梅，等. 基于高光譜圖像技術的稻田苗期雜草稻識別[J]. 農業機械學報，2013，44（5）：253-257，163.

[7]李春霆. 基于圖像處理與改進神經網絡的大豆品質檢測研究[J]. 江蘇農業科學，2014，42（3）：263-266.

[8]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.

[9]Donoho D L，Johnstone I M. Ideal spatial adaption by wavelet shrinkage，Biometrika 81[J]. Biometrika，1994，81（3）：425-455.

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

[11]董 雪，林志賢，郭太良. 基于LoG算子改進的自適應閾值小波去噪算法[J]. 液晶與顯示，2014，29（2）：275-280.

[12]紀 峰，李 翠，常 霞，等. 基于改進閾值函數的自適應圖像去噪方法[J]. 傳感技術學報，2014，27（3）：351-354.endprint