劉春茂+郝倩

摘要： 針對農(nóng)業(yè)圖像的獲取受到拍攝設(shè)備電壓不穩(wěn)定、成像天氣等不確定性因素的影響從而存在一定程度的噪聲、圖像視覺效果差這一問題，提出了一種新型農(nóng)業(yè)圖像自適應(yīng)混合濾波算法。該算法首先采用改進型中值濾波算法進行預(yù)處理，以對圖像中的噪聲進行初步抑制；然后對經(jīng)過預(yù)處理后的圖像采用自適應(yīng)維納濾波算法進行處理，以進一步提高圖像的清晰度，最大限度地恢復(fù)圖像的本來面貌。分別將本研究算法、中值濾波算法、自適應(yīng)維納濾波算法、非局部均值濾波算法進行Matlab編程實現(xiàn)，并應(yīng)用于處理農(nóng)業(yè)圖像。結(jié)果表明，本研究提出的算法對農(nóng)業(yè)圖像的濾波效果明顯優(yōu)于其余算法，這說明本研究提出的農(nóng)業(yè)圖像濾波算法具有一定的實用性。

關(guān)鍵詞： 農(nóng)業(yè)圖像；自適應(yīng)維納濾波算法；中值濾波算法；非局部均值濾波算法；噪聲；清晰度

中圖分類號：S126；TP391 文獻標(biāo)志碼： A

文章編號：1002-1302（2015）08-0424-02

隨著農(nóng)業(yè)智能化水平的快速發(fā)展，各類農(nóng)業(yè)圖像提供的大量信息已經(jīng)成為農(nóng)產(chǎn)品果實自動采摘 [1]、農(nóng)作物長勢、病害分析 [2]、農(nóng)作物產(chǎn)量估算 [3]的重要依據(jù)，因此農(nóng)業(yè)圖像的處理和分析已經(jīng)成為農(nóng)業(yè)智能化發(fā)展的一個重要研究方向。近年來，小波變換 [4-5]、輪廓波變換 [6]、中值濾波 [7]、自適應(yīng)維納濾波 [8]、非局部均值濾波 [9-10]等算法相繼被用于圖像去噪處理，并取得了較好的效果；但對于細節(jié)信息復(fù)雜的農(nóng)業(yè)圖像而言，去噪效果往往不盡如人意。筆者在對該領(lǐng)域已有成果充分分析的基礎(chǔ)上提出了一種農(nóng)業(yè)圖像自適應(yīng)混合濾波算法，該算法對質(zhì)量不高的農(nóng)業(yè)圖像采用改進型中值濾波算法和自適應(yīng)維納濾波算法進行處理，充分發(fā)揮2類算法的濾波優(yōu)勢，從而獲得高質(zhì)量的農(nóng)業(yè)圖像。

1 改進型中值濾波算法

中值濾波算法在對圖像進行處理時，通過預(yù)先設(shè)定一定大小的窗口，這樣的窗口尺寸可以是3×3或者5×5，將該類窗口在圖像上按照一定的順序進行滑動，當(dāng)窗口中心點處于圖像中某一像素點時，如果窗口尺寸為3×3，那么該像素點的濾波值可以表示成：

f=Median{f1，f2，f3，…，f8}。 （1）

其中：f為窗口中心點像素濾波后的灰度值；f1～f8為窗口中除中心點外的其余8個像素點的灰度值；Median{}為取中間值計算方式。大量試驗結(jié)果表明，該算法對于普通的數(shù)字圖像濾波效果較好；但一般來說農(nóng)業(yè)圖像細節(jié)信息比較多，因此為了將該算法應(yīng)用于處理農(nóng)業(yè)圖像，有必要對其進行適當(dāng)改進。其步驟如下：步驟1，統(tǒng)計（1）式中的最大值fmax和最小值 fmin；步驟2，在尺寸為3×3窗口中提出fmax和fmin，組成集合Q= {f1，f2，f3，…，f6}；步驟3，求取集合Q={f1，f2，f3，…，f6}的平均值faverage；步驟4，將fmax、fmin以及faverage組成一新的集合Q′={fmax，fmin，faverage}；步驟5，求取集合Q′的中間值f′=Median{Q′}，從而獲得窗口中心點濾波后的灰度值。

2 自適應(yīng)維納濾波算法

3 試驗仿真與結(jié)果分析

本研究算法基本思路是：（1）采用“1”節(jié)中提出的改進中值濾波算法對含有噪聲的農(nóng)業(yè)圖像進行預(yù)處理；（2）采用“2”節(jié)所描述的自適應(yīng)維納濾波算法對經(jīng)過改進中值濾波算法處理后的圖像進一步進行噪聲抑制。

對本研究算法采用Matlab軟件進行編程，試驗數(shù)據(jù)為一幅處于成熟期的桃子圖像。為了對該算法的性能進行全面了解：一方面引入中值濾波算法、自適應(yīng)維納濾波算法、非局部均值濾波算法與本研究算法進行試驗對比；另一方面對上述幾類算法的試驗結(jié)果采用峰值信噪比（peak signal noise to ratio，PSNR）進行定量分析與評估。相關(guān)試驗結(jié)果分別如圖1至圖6所示，PSNR評價結(jié)果如表1所示。

由圖1至圖6可知，對于受到方差為15%的高斯噪聲污染的農(nóng)業(yè)圖像（圖2）而言，采用中值濾波去噪后，結(jié)果如圖3所示，由此可以看出，圖中的果實邊緣基本能辨認出來，但桃子果實表面噪聲依然較大，這說明單純采用該算法無法有效去除圖像中的噪聲。中值濾波算法處理后結(jié)果見圖4，圖中噪聲被抑制的程度要高于圖3，總體而言圖4的清晰度與圖5比較接近，這說明非局部均值濾波算對于受到高強度噪聲污染的圖像而言去噪效果并不理想，不適合處理農(nóng)業(yè)圖像。本研究算法處理結(jié)果如圖6所示，圖中的噪聲基本得到消除，果實、葉片邊緣基本從噪聲中恢復(fù)出來，果實表面殘留的噪聲比較少，視覺效果整體上與圖1最接近。由表1可知，4種算法對農(nóng)業(yè)圖像的去噪效果隨著噪聲強度的提高而降低，并且當(dāng)噪聲方差為15%時，本研究算法的PSNR值明顯高于其余3種算法，這說明本研究算法對農(nóng)業(yè)圖像的處理是有效的。

4 結(jié)語

為了實現(xiàn)對農(nóng)業(yè)圖像的有效濾波，將改進中值濾波與自適應(yīng)維納濾波這2類算法有機結(jié)合提出了一種針對該類圖像的自適應(yīng)混合濾波算法。仿真試驗結(jié)果表明，本研究提出的濾波算法基本適合于處理農(nóng)業(yè)圖像，其效果稍稍優(yōu)于已有的同類型圖像，對農(nóng)業(yè)圖像的處理具有一定的參考價值。

參考文獻：

[1] 呂繼東，趙德安，姬 偉 蘋果采摘機器人目標(biāo)果實快速跟蹤識別方法[J] 農(nóng)業(yè)機械學(xué)報，2014，45（1）：65-72

[2]彭占武，司秀麗，王 雪，等 基于計算機圖像處理技術(shù)的黃瓜病害特征提取[J] 農(nóng)機化研究，2014，36（2）：179-182，187

[3]李 紅 基于CBERS-2衛(wèi)星圖像的石河子地區(qū)棉花產(chǎn)量遙感監(jiān)測研究[J] 石河子科技，2007（6）：28-31

[4]王小兵，孫久運，湯海燕 一種基于數(shù)學(xué)形態(tài)學(xué)與小波域增強的濾波算法[J] 微電子學(xué)與計算機，2012，29（7）：64-67

[5]趙 輝，劉文明，岳有軍，等 一種新的去噪算法在農(nóng)作物圖像處理中的應(yīng)用[J] 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：371-373

[6]劉 悅，李一兵，李 驁 聯(lián)合雙重濾波的水下圖像NSCT閾值去噪算法[J] 哈爾濱工程大學(xué)學(xué)報，2013，34（2）：251-255

[7]晏資余，羅 楊，楊 浩 圖像椒鹽噪聲的分階段中值濾波算法[J] 南華大學(xué)學(xué)報：自然科學(xué)版，2013，27（3）：66-70，77

[8]張 東，覃鳳清，曹 磊，等 基于維納濾波的高斯含噪圖像去噪[J] 宜賓學(xué)院學(xué)報，2013，13（12）：60-63

[9]張 宇，王向陽 頻域小波矩的非局部均值圖像去噪[J] 小型微型計算機系統(tǒng)，2012，33（9）：2079-2082

[10] 張 權(quán)，桂志國，劉 祎，等 醫(yī)學(xué)圖像的自適應(yīng)非局部均值去噪算法[J] 計算機工程，2012，38（7）：182-184，187endprint