一種非下采樣輪廓波變換域水果圖像預(yù)處理方法

摘要：水果圖像在獲取過(guò)程中受到拍攝系統(tǒng)自身的缺陷、復(fù)雜多變的成像環(huán)境等多重因素的限制，導(dǎo)致圖像被摻雜進(jìn)一些噪聲，降低了圖像的清晰度。結(jié)合非下采樣輪廓波變換（nonsubsampled contourlet transform，NSCT），提出了該類(lèi)圖像的有效預(yù)處理方法。該方法首先對(duì)圖像進(jìn)行多尺度NSCT分解，獲得低頻分解系數(shù)和高頻分解系數(shù)；然后對(duì)低頻分解系數(shù)進(jìn)行模糊增強(qiáng)處理，對(duì)高頻系數(shù)采用二維多級(jí)中值濾波算法（two-dimensional multi-stage median filtering algorithm）進(jìn)行處理；最后進(jìn)行分解系數(shù)重構(gòu)，獲得清晰度較高的水果圖像。分別將此算法與已有的幾類(lèi)同類(lèi)型算法對(duì)水果圖像進(jìn)行去噪處理，并引入峰值信噪比（peak signal noise to ratio，PSNR）作為處理效果評(píng)價(jià)指標(biāo)，結(jié)果表明，此算法性能明顯優(yōu)于已有的同類(lèi)型算法。

關(guān)鍵詞：水果圖像；隨機(jī)噪聲；非下采樣輪廓波變換；二維多級(jí)中值濾波算法

中圖分類(lèi)號(hào)： S126；TP391文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2015）11-0499-03

收稿日期：2014-11-25

基金項(xiàng)目：廣州市科技和信息化局應(yīng)用基礎(chǔ)研究專(zhuān)項(xiàng)（編號(hào)：2013J410007）

作者簡(jiǎn)介：許健才（1978—），男，廣東清遠(yuǎn)人，碩士，講師，研究方向?yàn)橐苿?dòng)互聯(lián)網(wǎng)技術(shù)、計(jì)算機(jī)圖像處理。 E-mail：xujiancaimaster@126.com。近年來(lái)，關(guān)于圖像去噪的研究成果大體上可以分為2類(lèi)：一類(lèi)為變換域去噪算法，該類(lèi)算法通過(guò)對(duì)噪聲圖像進(jìn)行多尺度變換，通過(guò)多層變換實(shí)現(xiàn)對(duì)圖像中噪聲與信號(hào)的分離，如小波變換[1]、輪廓波變換[2]、曲波變換[3]等；另一類(lèi)為空間域去噪算法，該類(lèi)算法直接對(duì)噪聲圖像進(jìn)行處理，如中值濾波[4]、均值濾波[5]、二維多級(jí)中值濾波[6]等。對(duì)于水果圖像的處理，一方面要求提高圖像的對(duì)比度，突出圖像中果實(shí)邊緣等信息；另一方面要去除圖像中由成像系統(tǒng)固有的缺陷以及復(fù)雜的成像環(huán)境等因素導(dǎo)致的隨機(jī)噪聲。本研究借助非下采樣輪廓波變換（NSCT）圖像分析方法，提出了一種水果圖像有效預(yù)處理方法，對(duì)NSCT分解系數(shù)分別進(jìn)行增強(qiáng)和濾波處理，通過(guò)系數(shù)重構(gòu)獲得較為清晰的圖像，旨在為開(kāi)展圖像去噪研究提供依據(jù)。

1方法理論基礎(chǔ)

1.1圖像非下采樣輪廓波變換

非下采樣輪廓變換（NSCT）[7]作為一種新型的圖像分析框架，相對(duì)于小波變換而言，能夠更為有效地刻畫(huà)圖像中的線、面等信息，對(duì)于輪廓信息豐富的水果圖像而言較為適合。水果圖像NSCT分解步驟如下：（1）采用一種非下采樣塔形濾波器（nonsubsampled pyramid，NSP）對(duì)水果圖像進(jìn)行多尺度分解操作，得到一個(gè)低頻圖像、一個(gè)高頻圖像。低頻圖像主要包含了水果圖像中背景信息，高頻圖像則包含了水果圖像中圖像輪廓邊緣等細(xì)節(jié)信息以及絕大多數(shù)的噪聲信息，該環(huán)節(jié)即為圖像多尺度分解操作。（2）對(duì)步驟（1）中獲得的高頻圖像采用一種非下采樣多方向?yàn)V波器（nonsubsampled directional filter bank，NSDFB）進(jìn)行多方向的分解操作，獲得代表各個(gè)方向上的水果圖像高頻信息的方向帶通圖像序列，該環(huán)節(jié)即為圖像的多方向剖分操作。（3）對(duì)步驟（1）中的低頻圖像繼續(xù)執(zhí)行多尺度分解、多方向分解，達(dá)到對(duì)圖像多尺度分析的目的。

1.2模糊增強(qiáng)方法

模糊增強(qiáng)方法的基本思想是通過(guò)構(gòu)建模糊隸屬映射函數(shù)，將圖像由空間域變換至模糊域，在模糊域中采用非線性增強(qiáng)函數(shù)進(jìn)行處理，在此基礎(chǔ)上進(jìn)行逆變換獲得增強(qiáng)后的圖像[8]。為了更為有效地實(shí)現(xiàn)對(duì)水果圖像的增強(qiáng)處理，提高圖像的對(duì)比度，對(duì)經(jīng)典的Pal-King增強(qiáng)算法進(jìn)行改進(jìn)，改進(jìn)算法中的模糊映射函數(shù)如下：

1.3二維多級(jí)中值濾波算法

二維多級(jí)中值濾波算法[6]通過(guò)將噪聲點(diǎn)的一定鄰域劃分成4個(gè)不同方向的濾波模板（圖1），分別進(jìn)行中值濾波，然后將各模板中的濾波結(jié)果進(jìn)行適當(dāng)取舍從而獲得噪聲點(diǎn)的濾波值。

對(duì)于圖像中處于（i，j）處的噪聲點(diǎn)，鄰域大小為（2N+1）×（2N+1） （N為正整數(shù)）采用二維多級(jí)中值濾波算法濾波過(guò)程為：

2方法實(shí)現(xiàn)步驟

經(jīng)過(guò)以上分析，可以梳理出本研究水果圖像預(yù)處理方法的基本步驟：（1）采用非下采樣輪廓波變換（NSCT）對(duì)水果圖像進(jìn)行2層分解，對(duì)應(yīng)“1.1”節(jié)中的步驟（1）、步驟（2）、步驟（3），獲得了水果高頻系數(shù)、水果低頻系數(shù)；（2）對(duì)于水果低頻系數(shù)，由于其中包含了圖像的絕大多數(shù)背景信息，圖像對(duì)比度較低，為此，采用“1.2”節(jié)提出的模糊增強(qiáng)方法進(jìn)行處理；（3）對(duì)于水果高頻系數(shù)，采用“1.3”節(jié)中的二維多級(jí)中值濾波算法進(jìn)行處理，著重濾除其中的噪聲；（4）對(duì)步驟（2）、步驟（4）的處理結(jié)果進(jìn)行系數(shù)重構(gòu)，得到處理后的水果圖像。

3試驗(yàn)仿真及分析

在MATLAB平臺(tái)上編寫(xiě)相關(guān)程序?qū)?幅水果圖像進(jìn)行仿真試驗(yàn)并與經(jīng)典二維多級(jí)中值濾波算法、改進(jìn)二維多級(jí)中值濾波算法[6]進(jìn)行比較，同時(shí)引入峰值信噪比（PSNR）[9-10]（PSNR值越大，越能體現(xiàn)出對(duì)應(yīng)算法的性能）對(duì)上述幾類(lèi)算法的性能進(jìn)行客觀評(píng)估。為了有效測(cè)試本方法對(duì)較為模糊且含有大量噪聲圖像的處理效果，對(duì)其中加了一些隨機(jī)噪聲，相關(guān)試驗(yàn)結(jié)果見(jiàn)圖2、圖3、表1。

圖2-a、圖3-a為2幅添加了20%隨機(jī)噪聲后形成的噪聲圖像，對(duì)圖2-a、圖3-a采用經(jīng)典二維多級(jí)中值濾波算法進(jìn)行處理，結(jié)果如圖2-b、圖3-b所示，圖像整體比較模糊，特別是圖3-b中存在一些黑色斑塊，說(shuō)明圖像中殘留噪聲密度較大，圖中草莓、山楂果實(shí)的輪廓比較模糊。圖2-c、圖3-c為參考文獻(xiàn)[6]中所提出的改進(jìn)二維多級(jí)中值濾波算法處理結(jié)果，圖像中噪聲殘留程度略低于圖2-b、圖3-b，圖中的草莓、山楂果實(shí)的輪廓模糊程度有所降低。相對(duì)于上述2類(lèi)算法，本研究算法基本去除了2幅圖像中的噪聲，圖像清晰度得到最大程度地恢復(fù)，如圖2-d、圖3-d所示，圖中草莓、山楂果實(shí)表面的細(xì)小斑點(diǎn)均能夠清晰地辨認(rèn)出來(lái)。由表1可知，經(jīng)典二維多級(jí)中值濾波與參考文獻(xiàn)[6]中的改進(jìn)二維多級(jí)中值濾波算法的PSNR值比較接近，說(shuō)明參考文獻(xiàn)[6]中的改進(jìn)二維多級(jí)中值濾波算法對(duì)細(xì)節(jié)信息較為豐富的水果圖像的處理效果整體不理想。本研究算法的PSNR值明顯高于其余2類(lèi)算法，說(shuō)明該算法去噪性能較優(yōu)。

4結(jié)論

本研究結(jié)合非下采樣輪廓波變換（NSCT），提出了一種水果圖像高效預(yù)處理方法。該方法分別對(duì)輪廓波變換的低頻系數(shù)、高頻系數(shù)進(jìn)行模糊增強(qiáng)和二維多級(jí)中值濾波處理，通過(guò)系數(shù)重構(gòu)獲得了高質(zhì)量的水果圖像。該方法適合于處理細(xì)節(jié)信息豐富的水果圖像，對(duì)于處理農(nóng)業(yè)圖像有一定的參考價(jià)值。

參考文獻(xiàn)：

[1]衛(wèi)娟，孫冬. 基于提升小波變換的農(nóng)產(chǎn)品圖像有效處理方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（6）：364-366.

[2]Shen X H，Wang K，Guo Q. Local thresholding with adaptive window shrinkage in the contourlet domain for image denoising[J]. Science China Information Sciences，2013，56（9）：1-9.

[3]Binh N T，Khare A. Multilevel threshold based image denoising in curvelet domain[J]. Journal of Computer Science and Technology，2010，25（3）：632-640.

[4]周大鵬，何遠(yuǎn)智，張自友，等. 一種改進(jìn)的變系數(shù)圖像去噪方法[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，44（3）：381-384.

[5]楊青. 基于農(nóng)業(yè)視覺(jué)圖像的高效濾波處理方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：361-362，363.

[6]王明常，邢立新，楊毅恒，等. 動(dòng)態(tài)方向加權(quán)二維多級(jí)中值濾波的圖像處理[J]. 吉林大學(xué)學(xué)報(bào)：信息科學(xué)版，2006，24（1）：18-21.

[7]Cunha A L，Zhou J，Do M N. The nonsubsample contourlet theory design and application[J]. Transaction Image Processing，2006，15（10）：1780-1792.

[8]劉習(xí)文，薛家祥. 紙幣接觸式傳感器圖像模糊增強(qiáng)與邊界檢測(cè)[J]. 科學(xué)技術(shù)與工程，2013，13（34）：10381-10385，10391.

[9]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(bào)，2012，28（8）：287-292.

[10]王小兵，孫久運(yùn)，湯海燕，等. 基于小波變換的圖像混合噪聲自適應(yīng)濾波算法[J]. 微電子學(xué)與計(jì)算機(jī)，2012，29（6）：91-95.郭華，王軍林，張立勇，等. 村鎮(zhèn)綠色建筑水系統(tǒng)規(guī)劃設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（11：502-504.