基于小波域局部能量最大化的農產品圖像濾波算法

羅勇勝

摘要：提出一種農產品圖像自適應濾波方法。首先，對原始圖像進行單層小波分解，對于得到的背景圖像采用直方圖均衡化算法進行灰度拉伸處理，對于得到的細節圖像采用一種基于局部圖像塊的改進加權均值濾波算法進行去噪，分別將處理后的背景、細節圖像進行逆小波變換得到去噪圖像，記為圖像1。其次，對原始圖像進行經典均值濾波，將濾波后圖像記為圖像2。最后，將圖像1和圖像2劃分成規則尺寸的圖像塊，對2幅圖像中處于相對應位置的圖像塊按照局部能量最大化原則進行融合。結果表明，該算法對于農產品圖像的處理效果優于小波閾值去噪和均值濾波算法。

關鍵詞：農產品圖像；細節信息；小波變換；均值濾波；局部能量最大化

中圖分類號： TP391文獻標志碼： A文章編號：1002-1302（2016）05-0408-02

隨著農業信息化水平的快速提高，農業圖像成為現代各類農業信息的重要載體之一，實時獲取的各類農業圖像為雜草識別[1]、農業估產[2]、病蟲害監測[3]等應用提供了大量可靠的基礎信息。近年來，各類成像系統的分辨率盡管得到了較大提高，但圖像的清晰度仍然受到諸如成像天氣、溫度的多變性以及成像系統電壓的不穩定等不確定性因素的影響，在很多情況下，實時獲取的各類農業圖像存在不同程度的模糊。因此，對于所獲取的農業圖像進行預處理，有助于提高圖像所承載的各類信息的準確性。對于該類圖像的處理，艾劍鋒等采用MATLAB軟件對蘋果圖像的處理方法進行系統研究[4]；劉炳良對經典雙邊濾波算法進行改進，并結合小波變換用于抑制水果圖像中的噪聲[5]；衛娟等在提升小波變換域中改進了非局部均值濾波，用于處理農產品圖像[6]；針對水果檢測圖像，毛麗民等提出了一種基于FPGA的圖像增強方案[7]。為有效處理細節信息豐富的農產品圖像，借鑒上述研究成果的思路，對均值濾波算法進行改進，并與基于圖像局部能力最大化原則的融合方法相結合，提出一種小波域農作物圖像濾波算法。

1基于局部圖像塊的改進加權均值濾波

均值濾波應用過程中存在一些問題，第一，濾波的前提是設定一定大小的鄰域，那么該鄰域大小如何設定，如果設定過大則增加了濾波過程中計算的復雜性，設定過小則無法去除噪聲。第二，當受到噪聲污染的像素點位于圖像中諸如“葉片邊緣、果實邊緣”等區域時，通過簡單的均值濾波，容易導致圖像濾波后“葉片邊緣、果實邊緣”等細節信息出現丟失，增加了圖像判讀和分析的難度。為此，提出了一種基于局部圖像塊的改進加權均值濾波算法，首先，該算法以圖像中任意待濾波點為中心，取1較大的濾波窗口（鄰域）。其次，將該窗口（鄰域）劃分成多個規則的子窗口（子鄰域），通過在各子窗口（子鄰域）內分別進行均值濾波，得到多個濾波值。最后，對各濾波值進行加權均值濾波。具體步驟如下：

步驟1，對于圖像中處于i，j位置灰度值為f（i，j）的像素點而言，以該像素點為中心，取大小為21×21濾波窗口（鄰域）作為濾波區域。

步驟2，將尺寸為21×21濾波窗口（鄰域）劃分成49個互不重疊的尺寸為3×3濾波子窗口（子鄰域），各子窗口（鄰域）分別記為Cx（x∈[1，49]），并且各子窗口（子鄰域）的中心點的灰度值分別為fx′（x∈[1，49]）。

步驟3，在C1中，對其中心點進行均值濾波得到中心點的濾波后的灰度值f1′，以此類推，分別對其余子窗口（鄰域）進行均值濾波，得到各子窗口（子鄰域）中心像素點濾波后的像素值集合：{ f1′，f2′，f3′，…，fx′}（x∈[1，49]）。

式中：f25′為f（i，j）所在子窗口（子鄰域）的均值濾波結果。

步驟4，步驟2所得到的49個子窗口（子鄰域）中，除C25外，按照其余48個子窗口（子鄰域）的中心點與待濾波點的幾何距離，進行如下加權濾波：

f′（i，j）=f1′·L1+f2′·L2+…+f24′·L24+f26′·L26+…+f49′·L49L1+L2+…+L24+L26+…+L49。（1）

式中：f′（i，j）為尺寸21×21濾波窗口（鄰域）中心像素點（待濾波點）的加權濾波結果；L1，L2，…，L24，L26，…，L49分別為48個子窗口（子鄰域）的中心像素點至待濾波點的幾何距離。

步驟5，尺寸21×21濾波窗口（鄰域）中心像素點（待濾波點）的最終濾波結果為[f′（i，j）+f25′]/2。

步驟6，反復執行step1～step5完成圖像中其余噪聲點的濾波工作。

2算法實現步驟

步驟1，對原始圖像進行單層小波變換（小波基函數為“db7”），將原始圖像分解為背景圖像和細節圖像2個部分。步驟2：由于背景圖像體現了圖像中的大部分信息，且該部分信息視覺對比度不強，因此，采用直方圖均衡化方法對其進行灰度拉伸，在一定程度上起到增強背景圖像的效果。步驟3，對于細節圖像，由于該部分包含了圖像中絕大部分的諸如葉片邊緣、果實邊緣等細節信息，并且包含了一定程度的噪聲，采用本研究第1節所提出的改進均值濾波算法進行處理，對應著基于局部圖像塊的改進加權均值濾波算法的步驟1至步驟6。步驟4，將步驟2和步驟3所得處理后的背景圖像、細節圖像進行逆小波變換，所得到圖像記為圖像1。步驟5，原始圖像采用均值濾波算法進行處理，所得到的圖像記為圖像2。步驟6，將圖像1和圖像2分別劃分成彼此不重疊的尺寸為矩形的區域，在每個區域內按照局部能量最大化原則對2幅圖像進行融合：

式中：（i′，j′）、（i″，j″）分別為同一目標信息在圖像1和圖像2中的坐標；f圖像1（i′，j′）為同一目標信息位于圖像1中（i′，j′）位置的像素點灰度值；f圖像2（i″，j″）為同一目標信息位于圖像2中（i″，j″）位置的像素點灰度值；D圖像1（i′，j′）、D圖像2（i″，j″）分別為同一目標信息在圖像1、圖像2中對應的5×5的矩形區域的能量值。

3結果與分析

為了驗證該算法的有效性，采用Visual Basic（VB）語言首先進行了算法程序編寫，將小波閾值去噪[8-10]、均值濾波以及本研究所提算法分別對一幅農產品圖像進行了測試，結果如圖1所示。

圖1-a為1幅處于成熟期的桃子果實圖像，為了測試本研究所提算法對于農產品圖像的處理效果，人工對其進行模糊化處理，即通過編寫VB程序對其添加了不同程度的隨機噪聲，圖1-b為添加了密度為15%隨機噪聲。由圖1-c和圖1-d可知，對圖1-b分別進行小波閾值去噪和均值濾波后，圖像清晰度有了一定的提高，但是“桃子”果實邊緣模糊程度沒有減輕，并且該果實周邊葉片的脈絡無法清晰地辨認出來，說明采用一般的數字圖像濾波方法直接進行農產品圖像處理，收效甚微。圖1-e為本研究所提算法的處理結果，可見圖中“桃子”果實不但邊緣清晰，而且與周邊葉片在視覺感受上有了一定的區分度，葉片脈絡可以明顯辨認出來。

對圖1-a分別加入不同密度的隨機噪聲，通過對含有不同密度隨機噪聲的模糊圖像進行處理，并采用文獻[6]所提出的峰值信噪比（peak signal noise to ratio，PSNR）來衡量文中各算法性能，若某種算法試驗結果的PSNR值越大，則越能說明該算法性能越好，結果如表1所示。

當圖像中的隨機噪聲密度較高，即圖像模糊程度較高時，小波閾值去噪和均值濾波的處理結果不太理想，而本研究算法的PSNR值明顯高于其余2種算法，表明該算法對于農產品圖像的處理有一定的效果。

4討論

為了實現對農產品圖像的有效濾波，提出了一種小波域局部能量最大化的圖像濾波算法。該算法分別對原始圖像進行均值濾波和小波變換，對均值濾波和小波域去噪后的圖像按照局部能量最大化原則進行融合，成功地實現了對圖像的濾波。試驗結果佐證了上述結論。

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]. 湖北農業科學，2014，53（13）：3163-3166.

[2]李飛，餳小平，毛暉. 基于MODIS-NDVI數據的甘肅臨夏州的春小麥遙感估產[J]. 陜西農業科學，2014，60（10）：74-77.

[3]傅坤亞，張文宇，曹宏鑫，等. 基于光譜的作物病蟲害監測研究進展[J]. 中國農業科技導報，2014（5）：90-98.

[4]艾劍鋒，章海亮. 基于MATLAB的蘋果圖像處理研究[J]. 湖北農業科學，2011，50（4）：840-841，844.

[5]劉炳良. 一種小波域改進雙邊濾波的水果圖像去噪算法[J]. 紅外技術，2014，36（3）：196-199，204.

[6]衛娟，孫冬. 基于提升小波變換的農產品圖像有效處理方法[J]. 江蘇農業科學，2014，42（6）：364-366.

[7]毛麗民，劉叔軍，浦宇歡，等. 基于FPGA的水果圖像增強方法研究[J]. 江蘇農業科學，2014，42（6）：395-398.

[8]楊青. 一種基于圖像分析的玉米病蟲害智能化識別方法[J]. 江蘇農業科學，2014，42（7）：128-130.

[9]李楠，張為. 基于提升小波變換的薯類視覺圖像濾波處理[J]. 江蘇農業科學，2014，42（1）：376-378.

[10]夏欣，李海標，沈蘭蘭，等. 一種改進的小波閾值裂紋圖像去噪法[J]. 電子設計工程，2013，12（18）：130-132，135.李子藝，王振錫，岳俊，等. 基于BP神經網絡的高光譜果樹樹種識別研究[J]. 江蘇農業科學，2016，44（5）：410-414.