论文部分内容阅读
摘要： 针对农业图像的获取受到拍摄设备电压不稳定、成像天气等不确定性因素的影响从而存在一定程度的噪声、图像视觉效果差这一问题，提出了一种新型农业图像自适应混合滤波算法。该算法首先采用改进型中值滤波算法进行预处理，以对图像中的噪声进行初步抑制；然后对经过预处理后的图像采用自适应维纳滤波算法进行处理，以进一步提高图像的清晰度，最大限度地恢复图像的本来面貌。分别将本研究算法、中值滤波算法、自适应维纳滤波算法、非局部均值滤波算法进行Matlab编程实现，并应用于处理农业图像。结果表明，本研究提出的算法对农业图像的滤波效果明显优于其余算法，这说明本研究提出的农业图像滤波算法具有一定的实用性。
关键词： 农业图像；自适应维纳滤波算法；中值滤波算法；非局部均值滤波算法；噪声；清晰度
中图分类号：S126；TP391 文献标志码： A
文章编号：1002-1302（2015）08-0424-02
随着农业智能化水平的快速发展，各类农业图像提供的大量信息已经成为农产品果实自动采摘 [1]、农作物长势、病害分析 [2]、农作物产量估算 [3]的重要依据，因此农业图像的处理和分析已经成为农业智能化发展的一个重要研究方向。近年来，小波变换 [4-5]、轮廓波变换 [6]、中值滤波 [7]、自适应维纳滤波 [8]、非局部均值滤波 [9-10]等算法相继被用于图像去噪处理，并取得了较好的效果；但对于细节信息复杂的农业图像而言，去噪效果往往不尽如人意。笔者在对该领域已有成果充分分析的基础上提出了一种农业图像自适应混合滤波算法，该算法对质量不高的农业图像采用改进型中值滤波算法和自适应维纳滤波算法进行处理，充分发挥2类算法的滤波优势，从而获得高质量的农业图像。
1 改进型中值滤波算法
中值滤波算法在对图像进行处理时，通过预先设定一定大小的窗口，这样的窗口尺寸可以是3×3或者5×5，将该类窗口在图像上按照一定的顺序进行滑动，当窗口中心点处于图像中某一像素点时，如果窗口尺寸为3×3，那么该像素点的滤波值可以表示成：
f=Median{f1，f2，f3，…，f8}。 （1）
其中：f为窗口中心点像素滤波后的灰度值；f1～f8为窗口中除中心点外的其余8个像素点的灰度值；Median{}为取中间值计算方式。大量试验结果表明，该算法对于普通的数字图像滤波效果较好；但一般来说农业图像细节信息比较多，因此为了将该算法应用于处理农业图像，有必要对其进行适当改进。其步骤如下：步骤1，统计（1）式中的最大值fmax和最小值 fmin；步骤2，在尺寸为3×3窗口中提出fmax和fmin，组成集合Q= {f1，f2，f3，…，f6}；步骤3，求取集合Q={f1，f2，f3，…，f6}的平均值faverage；步骤4，将fmax、fmin以及faverage组成一新的集合Q′={fmax，fmin，faverage}；步骤5，求取集合Q′的中间值f′=Median{Q′}，从而获得窗口中心点滤波后的灰度值。
2 自适应维纳滤波算法
3 试验仿真与结果分析
本研究算法基本思路是：（1）采用“1”节中提出的改进中值滤波算法对含有噪声的农业图像进行预处理；（2）采用“2”节所描述的自适应维纳滤波算法对经过改进中值滤波算法处理后的图像进一步进行噪声抑制。
对本研究算法采用Matlab软件进行编程，试验数据为一幅处于成熟期的桃子图像。为了对该算法的性能进行全面了解：一方面引入中值滤波算法、自适应维纳滤波算法、非局部均值滤波算法与本研究算法进行试验对比；另一方面对上述几类算法的试验结果采用峰值信噪比（peak signal noise to ratio，PSNR）进行定量分析与评估。相关试验结果分别如图1至图6所示，PSNR评价结果如表1所示。
由图1至图6可知，对于受到方差为15%的高斯噪声污染的农业图像（图2）而言，采用中值滤波去噪后，结果如图3所示，由此可以看出，图中的果实边缘基本能辨认出来，但桃子果实表面噪声依然较大，这说明单纯采用该算法无法有效去除图像中的噪声。中值滤波算法处理后结果见图4，图中噪声被抑制的程度要高于图3，总体而言图4的清晰度与图5比较接近，这说明非局部均值滤波算对于受到高强度噪声污染的图像而言去噪效果并不理想，不适合处理农业图像。本研究算法处理结果如图6所示，图中的噪声基本得到消除，果实、叶片边缘基本从噪声中恢复出来，果实表面残留的噪声比较少，视觉效果整体上与图1最接近。由表1可知，4种算法对农业图像的去噪效果随着噪声强度的提高而降低，并且当噪声方差为15%时，本研究算法的PSNR值明显高于其余3种算法，这说明本研究算法对农业图像的处理是有效的。
4 结语
为了实现对农业图像的有效滤波，将改进中值滤波与自适应维纳滤波这2类算法有机结合提出了一种针对该类图像的自适应混合滤波算法。仿真试验结果表明，本研究提出的滤波算法基本适合于处理农业图像，其效果稍稍优于已有的同类型图像，对农业图像的处理具有一定的参考价值。
参考文献：
[1] 吕继东，赵德安，姬 伟 苹果采摘机器人目标果实快速跟踪识别方法[J] 农业机械学报，2014，45（1）：65-72
[2]彭占武，司秀丽，王 雪，等 基于计算机图像处理技术的黄瓜病害特征提取[J] 农机化研究，2014，36（2）：179-182，187
[3]李 红 基于CBERS-2卫星图像的石河子地区棉花产量遥感监测研究[J] 石河子科技，2007（6）：28-31
[4]王小兵，孙久运，汤海燕 一种基于数学形态学与小波域增强的滤波算法[J] 微电子学与计算机，2012，29（7）：64-67
[5]赵 辉，刘文明，岳有军，等 一种新的去噪算法在农作物图像处理中的应用[J] 江苏农业科学，2014，42（1）：371-373
[6]刘 悦，李一兵，李 骜 联合双重滤波的水下图像NSCT阈值去噪算法[J] 哈尔滨工程大学学报，2013，34（2）：251-255
[7]晏资余，罗 杨，杨 浩 图像椒盐噪声的分阶段中值滤波算法[J] 南华大学学报：自然科学版，2013，27（3）：66-70，77
[8]张 东，覃凤清，曹 磊，等 基于维纳滤波的高斯含噪图像去噪[J] 宜宾学院学报，2013，13（12）：60-63
[9]张 宇，王向阳 频域小波矩的非局部均值图像去噪[J] 小型微型计算机系统，2012，33（9）：2079-2082
[10] 张 权，桂志国，刘 祎，等 医学图像的自适应非局部均值去噪算法[J] 计算机工程，2012，38（7）：182-184，187
关键词： 农业图像；自适应维纳滤波算法；中值滤波算法；非局部均值滤波算法；噪声；清晰度
中图分类号：S126；TP391 文献标志码： A
文章编号：1002-1302（2015）08-0424-02
随着农业智能化水平的快速发展，各类农业图像提供的大量信息已经成为农产品果实自动采摘 [1]、农作物长势、病害分析 [2]、农作物产量估算 [3]的重要依据，因此农业图像的处理和分析已经成为农业智能化发展的一个重要研究方向。近年来，小波变换 [4-5]、轮廓波变换 [6]、中值滤波 [7]、自适应维纳滤波 [8]、非局部均值滤波 [9-10]等算法相继被用于图像去噪处理，并取得了较好的效果；但对于细节信息复杂的农业图像而言，去噪效果往往不尽如人意。笔者在对该领域已有成果充分分析的基础上提出了一种农业图像自适应混合滤波算法，该算法对质量不高的农业图像采用改进型中值滤波算法和自适应维纳滤波算法进行处理，充分发挥2类算法的滤波优势，从而获得高质量的农业图像。
1 改进型中值滤波算法
中值滤波算法在对图像进行处理时，通过预先设定一定大小的窗口，这样的窗口尺寸可以是3×3或者5×5，将该类窗口在图像上按照一定的顺序进行滑动，当窗口中心点处于图像中某一像素点时，如果窗口尺寸为3×3，那么该像素点的滤波值可以表示成：
f=Median{f1，f2，f3，…，f8}。 （1）
其中：f为窗口中心点像素滤波后的灰度值；f1～f8为窗口中除中心点外的其余8个像素点的灰度值；Median{}为取中间值计算方式。大量试验结果表明，该算法对于普通的数字图像滤波效果较好；但一般来说农业图像细节信息比较多，因此为了将该算法应用于处理农业图像，有必要对其进行适当改进。其步骤如下：步骤1，统计（1）式中的最大值fmax和最小值 fmin；步骤2，在尺寸为3×3窗口中提出fmax和fmin，组成集合Q= {f1，f2，f3，…，f6}；步骤3，求取集合Q={f1，f2，f3，…，f6}的平均值faverage；步骤4，将fmax、fmin以及faverage组成一新的集合Q′={fmax，fmin，faverage}；步骤5，求取集合Q′的中间值f′=Median{Q′}，从而获得窗口中心点滤波后的灰度值。
2 自适应维纳滤波算法
3 试验仿真与结果分析
本研究算法基本思路是：（1）采用“1”节中提出的改进中值滤波算法对含有噪声的农业图像进行预处理；（2）采用“2”节所描述的自适应维纳滤波算法对经过改进中值滤波算法处理后的图像进一步进行噪声抑制。
对本研究算法采用Matlab软件进行编程，试验数据为一幅处于成熟期的桃子图像。为了对该算法的性能进行全面了解：一方面引入中值滤波算法、自适应维纳滤波算法、非局部均值滤波算法与本研究算法进行试验对比；另一方面对上述几类算法的试验结果采用峰值信噪比（peak signal noise to ratio，PSNR）进行定量分析与评估。相关试验结果分别如图1至图6所示，PSNR评价结果如表1所示。
由图1至图6可知，对于受到方差为15%的高斯噪声污染的农业图像（图2）而言，采用中值滤波去噪后，结果如图3所示，由此可以看出，图中的果实边缘基本能辨认出来，但桃子果实表面噪声依然较大，这说明单纯采用该算法无法有效去除图像中的噪声。中值滤波算法处理后结果见图4，图中噪声被抑制的程度要高于图3，总体而言图4的清晰度与图5比较接近，这说明非局部均值滤波算对于受到高强度噪声污染的图像而言去噪效果并不理想，不适合处理农业图像。本研究算法处理结果如图6所示，图中的噪声基本得到消除，果实、叶片边缘基本从噪声中恢复出来，果实表面残留的噪声比较少，视觉效果整体上与图1最接近。由表1可知，4种算法对农业图像的去噪效果随着噪声强度的提高而降低，并且当噪声方差为15%时，本研究算法的PSNR值明显高于其余3种算法，这说明本研究算法对农业图像的处理是有效的。
4 结语
为了实现对农业图像的有效滤波，将改进中值滤波与自适应维纳滤波这2类算法有机结合提出了一种针对该类图像的自适应混合滤波算法。仿真试验结果表明，本研究提出的滤波算法基本适合于处理农业图像，其效果稍稍优于已有的同类型图像，对农业图像的处理具有一定的参考价值。
参考文献：
[1] 吕继东，赵德安，姬 伟 苹果采摘机器人目标果实快速跟踪识别方法[J] 农业机械学报，2014，45（1）：65-72
[2]彭占武，司秀丽，王 雪，等 基于计算机图像处理技术的黄瓜病害特征提取[J] 农机化研究，2014，36（2）：179-182，187
[3]李 红 基于CBERS-2卫星图像的石河子地区棉花产量遥感监测研究[J] 石河子科技，2007（6）：28-31
[4]王小兵，孙久运，汤海燕 一种基于数学形态学与小波域增强的滤波算法[J] 微电子学与计算机，2012，29（7）：64-67
[5]赵 辉，刘文明，岳有军，等 一种新的去噪算法在农作物图像处理中的应用[J] 江苏农业科学，2014，42（1）：371-373
[6]刘 悦，李一兵，李 骜 联合双重滤波的水下图像NSCT阈值去噪算法[J] 哈尔滨工程大学学报，2013，34（2）：251-255
[7]晏资余，罗 杨，杨 浩 图像椒盐噪声的分阶段中值滤波算法[J] 南华大学学报：自然科学版，2013，27（3）：66-70，77
[8]张 东，覃凤清，曹 磊，等 基于维纳滤波的高斯含噪图像去噪[J] 宜宾学院学报，2013，13（12）：60-63
[9]张 宇，王向阳 频域小波矩的非局部均值图像去噪[J] 小型微型计算机系统，2012，33（9）：2079-2082
[10] 张 权，桂志国，刘 祎，等 医学图像的自适应非局部均值去噪算法[J] 计算机工程，2012，38（7）：182-184，187