基于小波域局部能量最大化的农产品图像滤波算法

罗勇胜

摘要：提出一种农产品图像自适应滤波方法。首先，对原始图像进行单层小波分解，对于得到的背景图像采用直方图均衡化算法进行灰度拉伸处理，对于得到的细节图像采用一种基于局部图像块的改进加权均值滤波算法进行去噪，分别将处理后的背景、细节图像进行逆小波变换得到去噪图像，记为图像1。其次，对原始图像进行经典均值滤波，将滤波后图像记为图像2。最后，将图像1和图像2划分成规则尺寸的图像块，对2幅图像中处于相对应位置的图像块按照局部能量最大化原则进行融合。结果表明，该算法对于农产品图像的处理效果优于小波阈值去噪和均值滤波算法。

关键词：农产品图像；细节信息；小波变换；均值滤波；局部能量最大化

中图分类号： TP391文献标志码： A文章编号：1002-1302（2016）05-0408-02

随着农业信息化水平的快速提高，农业图像成为现代各类农业信息的重要载体之一，实时获取的各类农业图像为杂草识别[1]、农业估产[2]、病虫害监测[3]等应用提供了大量可靠的基础信息。近年来，各类成像系统的分辨率尽管得到了较大提高，但图像的清晰度仍然受到诸如成像天气、温度的多变性以及成像系统电压的不稳定等不确定性因素的影响，在很多情况下，实时获取的各类农业图像存在不同程度的模糊。因此，对于所获取的农业图像进行预处理，有助于提高图像所承载的各类信息的准确性。对于该类图像的处理，艾剑锋等采用MATLAB软件对苹果图像的处理方法进行系统研究[4]；刘炳良对经典双边滤波算法进行改进，并结合小波变换用于抑制水果图像中的噪声[5]；卫娟等在提升小波变换域中改进了非局部均值滤波，用于处理农产品图像[6]；针对水果检测图像，毛丽民等提出了一种基于FPGA的图像增强方案[7]。为有效处理细节信息丰富的农产品图像，借鉴上述研究成果的思路，对均值滤波算法进行改进，并与基于图像局部能力最大化原则的融合方法相结合，提出一种小波域农作物图像滤波算法。

1基于局部图像块的改进加权均值滤波

均值滤波应用过程中存在一些问题，第一，滤波的前提是设定一定大小的邻域，那么该邻域大小如何设定，如果设定过大则增加了滤波过程中计算的复杂性，设定过小则无法去除噪声。第二，当受到噪声污染的像素点位于图像中诸如“叶片边缘、果实边缘”等区域时，通过简单的均值滤波，容易导致图像滤波后“叶片边缘、果实边缘”等细节信息出现丢失，增加了图像判读和分析的难度。为此，提出了一种基于局部图像块的改进加权均值滤波算法，首先，该算法以图像中任意待滤波点为中心，取1较大的滤波窗口（邻域）。其次，将该窗口（邻域）划分成多个规则的子窗口（子邻域），通过在各子窗口（子邻域）内分别进行均值滤波，得到多个滤波值。最后，对各滤波值进行加权均值滤波。具体步骤如下：

步骤1，对于图像中处于i，j位置灰度值为f（i，j）的像素点而言，以该像素点为中心，取大小为21×21滤波窗口（邻域）作为滤波区域。

步骤2，将尺寸为21×21滤波窗口（邻域）划分成49个互不重叠的尺寸为3×3滤波子窗口（子邻域），各子窗口（邻域）分别记为Cx（x∈[1，49]），并且各子窗口（子邻域）的中心点的灰度值分别为fx′（x∈[1，49]）。

步骤3，在C1中，对其中心点进行均值滤波得到中心点的滤波后的灰度值f1′，以此类推，分别对其余子窗口（邻域）进行均值滤波，得到各子窗口（子邻域）中心像素点滤波后的像素值集合：{ f1′，f2′，f3′，…，fx′}（x∈[1，49]）。

式中：f25′为f（i，j）所在子窗口（子邻域）的均值滤波结果。

步骤4，步骤2所得到的49个子窗口（子邻域）中，除C25外，按照其余48个子窗口（子邻域）的中心点与待滤波点的几何距离，进行如下加权滤波：

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

式中：f′（i，j）为尺寸21×21滤波窗口（邻域）中心像素点（待滤波点）的加权滤波结果；L1，L2，…，L24，L26，…，L49分别为48个子窗口（子邻域）的中心像素点至待滤波点的几何距离。

步骤5，尺寸21×21滤波窗口（邻域）中心像素点（待滤波点）的最终滤波结果为[f′（i，j）+f25′]/2。

步骤6，反复执行step1～step5完成图像中其余噪声点的滤波工作。

2算法实现步骤

步骤1，对原始图像进行单层小波变换（小波基函数为“db7”），将原始图像分解为背景图像和细节图像2个部分。步骤2：由于背景图像体现了图像中的大部分信息，且该部分信息视觉对比度不强，因此，采用直方图均衡化方法对其进行灰度拉伸，在一定程度上起到增强背景图像的效果。步骤3，对于细节图像，由于该部分包含了图像中绝大部分的诸如叶片边缘、果实边缘等细节信息，并且包含了一定程度的噪声，采用本研究第1节所提出的改进均值滤波算法进行处理，对应着基于局部图像块的改进加权均值滤波算法的步骤1至步骤6。步骤4，将步骤2和步骤3所得处理后的背景图像、细节图像进行逆小波变换，所得到图像记为图像1。步骤5，原始图像采用均值滤波算法进行处理，所得到的图像记为图像2。步骤6，将图像1和图像2分别划分成彼此不重叠的尺寸为矩形的区域，在每个区域内按照局部能量最大化原则对2幅图像进行融合：

式中：（i′，j′）、（i″，j″）分别为同一目标信息在图像1和图像2中的坐标；f图像1（i′，j′）为同一目标信息位于图像1中（i′，j′）位置的像素点灰度值；f图像2（i″，j″）为同一目标信息位于图像2中（i″，j″）位置的像素点灰度值；D图像1（i′，j′）、D图像2（i″，j″）分别为同一目标信息在图像1、图像2中对应的5×5的矩形区域的能量值。

3结果与分析

为了验证该算法的有效性，采用Visual Basic（VB）语言首先进行了算法程序编写，将小波阈值去噪[8-10]、均值滤波以及本研究所提算法分别对一幅农产品图像进行了测试，结果如图1所示。

图1-a为1幅处于成熟期的桃子果实图像，为了测试本研究所提算法对于农产品图像的处理效果，人工对其进行模糊化处理，即通过编写VB程序对其添加了不同程度的随机噪声，图1-b为添加了密度为15%随机噪声。由图1-c和图1-d可知，对图1-b分别进行小波阈值去噪和均值滤波后，图像清晰度有了一定的提高，但是“桃子”果实边缘模糊程度没有减轻，并且该果实周边叶片的脉络无法清晰地辨认出来，说明采用一般的数字图像滤波方法直接进行农产品图像处理，收效甚微。图1-e为本研究所提算法的处理结果，可见图中“桃子”果实不但边缘清晰，而且与周边叶片在视觉感受上有了一定的区分度，叶片脉络可以明显辨认出来。

对图1-a分别加入不同密度的随机噪声，通过对含有不同密度随机噪声的模糊图像进行处理，并采用文献[6]所提出的峰值信噪比（peak signal noise to ratio，PSNR）来衡量文中各算法性能，若某种算法试验结果的PSNR值越大，则越能说明该算法性能越好，结果如表1所示。

当图像中的随机噪声密度较高，即图像模糊程度较高时，小波阈值去噪和均值滤波的处理结果不太理想，而本研究算法的PSNR值明显高于其余2种算法，表明该算法对于农产品图像的处理有一定的效果。

4讨论

为了实现对农产品图像的有效滤波，提出了一种小波域局部能量最大化的图像滤波算法。该算法分别对原始图像进行均值滤波和小波变换，对均值滤波和小波域去噪后的图像按照局部能量最大化原则进行融合，成功地实现了对图像的滤波。试验结果佐证了上述结论。

参考文献：

[1]王宏艳，吕继兴. 基于纹理特征与改进SVM算法的玉米田间杂草识别[J]. 湖北农业科学，2014，53（13）：3163-3166.

[2]李飞，饧小平，毛晖. 基于MODIS-NDVI数据的甘肃临夏州的春小麦遥感估产[J]. 陕西农业科学，2014，60（10）：74-77.

[3]傅坤亚，张文宇，曹宏鑫，等. 基于光谱的作物病虫害监测研究进展[J]. 中国农业科技导报，2014（5）：90-98.

[4]艾剑锋，章海亮. 基于MATLAB的苹果图像处理研究[J]. 湖北农业科学，2011，50（4）：840-841，844.

[5]刘炳良. 一种小波域改进双边滤波的水果图像去噪算法[J]. 红外技术，2014，36（3）：196-199，204.

[6]卫娟，孙冬. 基于提升小波变换的农产品图像有效处理方法[J]. 江苏农业科学，2014，42（6）：364-366.

[7]毛丽民，刘叔军，浦宇欢，等. 基于FPGA的水果图像增强方法研究[J]. 江苏农业科学，2014，42（6）：395-398.

[8]杨青. 一种基于图像分析的玉米病虫害智能化识别方法[J]. 江苏农业科学，2014，42（7）：128-130.

[9]李楠，张为. 基于提升小波变换的薯类视觉图像滤波处理[J]. 江苏农业科学，2014，42（1）：376-378.

[10]夏欣，李海标，沈兰兰，等. 一种改进的小波阈值裂纹图像去噪法[J]. 电子设计工程，2013，12（18）：130-132，135.李子艺，王振锡，岳俊，等. 基于BP神经网络的高光谱果树树种识别研究[J]. 江苏农业科学，2016，44（5）：410-414.