農(nóng)產(chǎn)品檢測(cè)圖像智能化預(yù)處理方法研究

摘要：目前對(duì)農(nóng)產(chǎn)品圖像的智能化檢測(cè)主要是通過對(duì)獲得的高質(zhì)量檢測(cè)圖像進(jìn)行人工識(shí)別的方法進(jìn)行，但由于農(nóng)產(chǎn)品檢測(cè)圖像在獲取過程中受到氣候、圖像傳輸解碼等軟硬件因素的影響，通常獲取的檢測(cè)圖像基本上是降質(zhì)圖像。因此，提出了一種基于脊波變換的農(nóng)產(chǎn)品檢測(cè)圖像智能化預(yù)處理方法。該方法首先對(duì)降質(zhì)圖像進(jìn)行多尺度脊波變換，以獲得低頻和高頻分解系數(shù)；其次對(duì)低頻分解系數(shù)采用自適應(yīng)同態(tài)濾波方法進(jìn)行處理；然后針對(duì)高頻系數(shù)中收到噪聲污染的情形，引入一個(gè)閾值T，將所有高頻系數(shù)幅與其比較，小于該閾值則認(rèn)為是受到噪聲的污染，進(jìn)行中值濾波處理，其余系數(shù)則采用局部直方圖均衡化算法進(jìn)行動(dòng)態(tài)范圍的改善；最后進(jìn)行分解系數(shù)的重構(gòu)。仿真試驗(yàn)結(jié)果表明，該算法計(jì)算復(fù)雜度低，且性能優(yōu)于中值濾波算法和直方圖均衡化算法，對(duì)于該類圖像的預(yù)處理能取得不錯(cuò)的效果。

關(guān)鍵詞：智能化檢測(cè)；農(nóng)產(chǎn)品圖像；脊波變換；中值濾波；自適應(yīng)同態(tài)濾波；直方圖均衡化算法

中圖分類號(hào)： S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）06-0384-03

收稿日期：2013-10-03

作者簡(jiǎn)介：成敦杰（1963—），男，江蘇鹽城人，碩士，副教授，主要研究方向?yàn)檗r(nóng)業(yè)信息處理、農(nóng)業(yè)經(jīng)濟(jì)管理、人力資源管理。E-mail：chengdunjie@126.com。在現(xiàn)階段，農(nóng)產(chǎn)品的病蟲害、質(zhì)量、分級(jí)等方面檢測(cè)的主流方法是對(duì)獲取的視覺圖像進(jìn)行人工識(shí)別。近年來，機(jī)器視覺技術(shù)的發(fā)展為該領(lǐng)域的研究提供了一個(gè)很好的思路。將機(jī)器視覺領(lǐng)域的計(jì)算機(jī)圖像處理技術(shù)引入到農(nóng)產(chǎn)品檢測(cè)方面，對(duì)獲取的視覺圖像進(jìn)行圖像特征提取、目標(biāo)分割、去噪、增強(qiáng)等一系列處理，為后續(xù)的人工識(shí)別提供了高質(zhì)量的圖像，提高了識(shí)別的準(zhǔn)確性和效率。農(nóng)產(chǎn)品檢測(cè)圖像受到氣候、成像環(huán)境、圖像拍攝設(shè)備本身的缺陷以及圖像傳輸?shù)纫蛩氐挠绊?，?dǎo)致在很多時(shí)候所獲取的圖像為降質(zhì)圖像，若不進(jìn)行預(yù)處理，則提高了后續(xù)的誤識(shí)別率或者識(shí)別工作無法進(jìn)行。圖1-a為一幅梨的視覺圖像，圖1-b為受到噪聲干擾的圖像，由于梨本身存在一些斑點(diǎn)，若受到噪聲干擾，與噪聲斑點(diǎn)累加，則對(duì)圖1-b中目標(biāo)物的質(zhì)量、大小、成熟度等無法進(jìn)行準(zhǔn)確辨認(rèn)。因此，研究該類圖像的預(yù)處理方法，具有一定的實(shí)用意義。

在小波變換[1-2]基礎(chǔ)上發(fā)展起來的脊波變換能更好地刻畫圖像的細(xì)節(jié)信息，尤其對(duì)于信息豐富的農(nóng)產(chǎn)品圖像能更好地進(jìn)行刻畫。因此，本研究在脊波變換框架下，將濾波與增強(qiáng)技術(shù)相結(jié)合，對(duì)脊波變換所獲得的不同頻率的系數(shù)有選擇性地進(jìn)行中值濾波[3]和直方圖均衡化[4]、自適應(yīng)同態(tài)濾波[5]處理。

1直方圖均衡化算法

直方圖均衡化算法通過對(duì)圖像的像素進(jìn)行一定程度的調(diào)整，使其大致呈現(xiàn)均勻分布，對(duì)于灰度相似的信息能夠加以區(qū)分，提高圖像的對(duì)比度，達(dá)到增強(qiáng)圖像細(xì)節(jié)信息的目的。按照處理對(duì)象是整幅圖像還是圖像的局部區(qū)域來劃分，該算法可分為全局直方圖算法（global histogram equalization，GHE）和局部直方圖算法（local histogram equalization，LHE）。

1.1全局直方圖均衡化算法（GHE）

GHE算法[6]依據(jù)一幅圖像的整體灰度概率分布情況來改變圖像的動(dòng)態(tài)范圍，實(shí)現(xiàn)對(duì)圖像信息的拉伸。若對(duì)灰度級(jí)為[0，L-1]的圖像進(jìn)行GHE操作，則主要步驟有：

步驟1，圖像像素歸一化處理。記f（x，y）為圖像中i級(jí)灰度級(jí)像素灰度值，Ni為該灰度級(jí)中對(duì)應(yīng)像素?cái)?shù)目，N為圖像像素總數(shù)目，則對(duì)圖像中的灰度進(jìn)行統(tǒng)計(jì)，在此基礎(chǔ)上進(jìn)行歸一化處理，

Pf（x，y）[f（x，y）i]=Ni/N0≤i≤L-1。（1）

式中：Pf（x，y）[f（x，y）i]為像素灰度值為f（x，y）所對(duì)應(yīng)的概率值。

步驟2，直方圖累積化處理。對(duì)步驟1所獲得的直方圖進(jìn)行累加，可得

P（Rj）=∑ji=0Pf（x，y）[f（x，y）i]-∑ji=0Ni/N。（2）

式中：P（Rj）為灰度值Rj所對(duì)應(yīng)的累積概率。

步驟3，取整擴(kuò)展處理。對(duì)步驟2所獲得的直方圖累積概率進(jìn)行取整擴(kuò)展后的灰度值可為

f′（x，y）j=INT[（L-1）P（Rj）+1/2]。（3）

式中：f′（x，y）j為擴(kuò)展后的第j級(jí)圖像灰度值。

步驟4，確定圖像像素灰度值的映射關(guān)系式。

f（x，y）i→f′（x，y）j。（4）

步驟5，圖像整體均衡化處理。根據(jù)步驟4所確定的映射關(guān)系，計(jì)算圖像均衡化后的直方圖，

P[f′（x，y）j]=∑Pf（x，y）[f（x，y）i]。

式中：P[f′（x，y）j]為按照步驟4確定的映射關(guān)系計(jì)算得到的均衡化后灰度值為f′（x，y）所對(duì)應(yīng)的概率值，即完成了像素的直方圖均衡化處理。

1.2局部直方圖均衡化算法（LHE）

對(duì)應(yīng)于GHE算法，LHE算法[7]針對(duì)圖像的一定區(qū)域進(jìn)行處理，因而圖像被分成若干個(gè)區(qū)域，在各個(gè)區(qū)域中分別進(jìn)行直方圖均衡化。那么，依據(jù)各個(gè)區(qū)域邊緣是否出現(xiàn)重疊，可將LHE算法分為區(qū)域不重疊和重疊2種類型。區(qū)域不重疊的LHE算法由于是對(duì)各個(gè)圖像區(qū)域獨(dú)立進(jìn)行直方圖均衡化處理，整幅圖像勢(shì)必會(huì)出現(xiàn)不連續(xù)，即會(huì)出現(xiàn)所謂的“塊效應(yīng)”的情形?；趨^(qū)域重疊的LHE算法則只定義一個(gè)固定大小的區(qū)域（也稱之為滑動(dòng)窗口），通過將其在圖像中按照某種固定方向進(jìn)行滑動(dòng)，滑動(dòng)過程中進(jìn)行直方圖均衡化處理，能夠消除“塊效應(yīng)”。這2類LHE算法中的直方圖均衡化處理流程與“1.1”節(jié)中的步驟1至步驟5類似。

相對(duì)于GHE算法，LHE算法計(jì)算量較小，可對(duì)圖像感興趣區(qū)域特別是對(duì)比度較低的區(qū)域進(jìn)行特定處理，而非對(duì)整幅圖像進(jìn)行操作，靈活性較強(qiáng)。因此，本研究也采用LHE算法處理，具體流程對(duì)應(yīng)于“1.1”節(jié)中的步驟1至步驟5。

2本研究算法

2.1本研究算法基本思路

脊波變換相對(duì)于小波變換而言能更好地刻畫圖像信息的點(diǎn)、線奇異特性，可以認(rèn)為，其多分辨特性優(yōu)于小波變換。本研究將脊波變換作為研究分析的基本框架，在該框架中，對(duì)脊波變換獲得的低頻和高頻分解系數(shù)分別進(jìn)行處理，在此基礎(chǔ)上實(shí)現(xiàn)處理后系數(shù)的重構(gòu)，從而實(shí)現(xiàn)對(duì)原始低質(zhì)量圖像的較好增強(qiáng)。技術(shù)路線如圖2所示。

2.2詳細(xì)實(shí)現(xiàn)步驟

步驟1，對(duì)低質(zhì)量的水果檢測(cè)圖像進(jìn)行多尺度脊波變換，從而獲得不同幅值的高頻和低頻分解系數(shù)，這些系數(shù)分別反映了圖像低頻和高頻信息。

步驟2，低頻脊波分解系數(shù)幅值較大，該部分系數(shù)主要反映了圖像的基本信息，對(duì)比度較低，因此，可采用自適應(yīng)同態(tài)濾波算法進(jìn)行對(duì)比度的拉伸處理。

步驟3，高頻系數(shù)就幅值而言小于低頻系數(shù)，該部分是圖像高頻信息的主要體現(xiàn)，而圖像中的降質(zhì)量因素——噪聲則主要集中于該部分系數(shù)中。受到噪聲污染的高頻系數(shù)幅度值明顯小于其他系數(shù)，如果對(duì)所有的高頻系數(shù)直接進(jìn)行濾波，則一方面增大了計(jì)算量，另一方面會(huì)丟失大量細(xì)節(jié)信息。反之，如果忽略噪聲，直接進(jìn)行增強(qiáng)處理，則會(huì)導(dǎo)致噪聲污染的區(qū)域被放大，增強(qiáng)后的圖像質(zhì)量無法提高。若從系數(shù)幅值角度分析，將幅值較大的系數(shù)與較小的系數(shù)分開，僅對(duì)較小幅值的系數(shù)進(jìn)行濾波，對(duì)其余的進(jìn)行增長(zhǎng)，那么最終的處理效果勢(shì)必比較理想。因此，本研究對(duì)高頻系數(shù)引入了一個(gè)判別閾值，

T=σ2lnL。（5）

式中：σ為系數(shù)噪聲信號(hào)標(biāo)準(zhǔn)差，L為系數(shù)長(zhǎng)度。通過將所有高頻系數(shù)幅值與該閾值進(jìn)行比較，可將全部系數(shù)分成2類，即受到噪聲污染的系數(shù)和尚未被噪聲污染的系數(shù)。

步驟4，對(duì)于受噪聲污染的系數(shù)，則引入中值濾波算法進(jìn)行處理，通過鄰域統(tǒng)計(jì)大小排序，剔除該部分噪聲，在一定程度上也起到圖像增強(qiáng)的作用。

步驟5，對(duì)于尚未被污染的系數(shù)，則可以理解成純粹的對(duì)比度不高的情況，可采用局部直方圖均衡化算法（LHE）進(jìn)行處理，具體對(duì)應(yīng)于“1.1”節(jié)中的步驟1至步驟5。

步驟6，對(duì)步驟2、步驟4、步驟5處理后的低頻系數(shù)和高頻系數(shù)進(jìn)行系數(shù)重構(gòu)，獲得最終增強(qiáng)后的圖像。

2.3仿真試驗(yàn)

對(duì)上述算法采用圖1-a檢測(cè)圖像進(jìn)行試驗(yàn)驗(yàn)證，盡管圖像降質(zhì)量因素較多，但匯集一點(diǎn)，各類降質(zhì)因素最終導(dǎo)致圖像模糊不清，且含有噪聲。基于此，本研究通過對(duì)試驗(yàn)圖像中加入一定程度的隨機(jī)噪聲來模擬降質(zhì)圖像。每幅圖像降質(zhì)程度有所不同，為了從宏觀上對(duì)本研究算法的普適性進(jìn)行驗(yàn)證，對(duì)所有降質(zhì)因素加以抽象，構(gòu)建模擬降質(zhì)圖像進(jìn)行處理，其處理效果對(duì)于一類圖像基本具有說服力，截取該圖像的2個(gè)區(qū)域，分別添加不同密度的隨機(jī)噪聲進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果如圖3、圖4所示。

對(duì)圖3、圖4試驗(yàn)結(jié)果分析可知，全局直方圖均衡化算法（GHE）對(duì)降質(zhì)的水果圖像基本上無能為力，盡管圖像的對(duì)比度得到拉伸，但噪聲依然存在，并且在某種程度上得到放大，圖像質(zhì)量沒有得到有效提高。局部直方圖均衡化算法（LHE）處理結(jié)果與GHE類似。這進(jìn)一步說明對(duì)降質(zhì)圖像直接進(jìn)行增強(qiáng)處理，收效甚微。對(duì)降質(zhì)圖像直接進(jìn)行中值濾波（圖3-e、圖4-e）有一定效果，但圖像較原始圖像模糊，特別是圖中梨本身的斑點(diǎn)基本難以辨認(rèn)，且對(duì)高密度的噪聲濾波效果也不是很理想。通過對(duì)比可以發(fā)現(xiàn)，本研究算法處理結(jié)果（圖3-f、圖4-f））兼顧了濾波和增強(qiáng)，在改善圖像質(zhì)量的同時(shí)，也突出了圖像中的目標(biāo)物，弱化了背景信息，起到了目標(biāo)分割作用。

以上是從主觀角度對(duì)試驗(yàn)結(jié)果進(jìn)行分析評(píng)價(jià)，為了對(duì)本研究算法的性能進(jìn)行一個(gè)定量評(píng)價(jià)，使其更具有說服力，引入峰值信噪比（PSNR[8]）以及計(jì)算復(fù)雜度2個(gè)指標(biāo)來進(jìn)行評(píng)價(jià)（表1、表2）。

表1幾種算法的PSNR值比較

算法PSNR值（db）5%隨機(jī)噪聲15%隨機(jī)噪聲降質(zhì)圖像17.85415.338GHE18.76518.023LHE18.93718.362中值濾波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法計(jì)算時(shí)間與前三者相當(dāng)，說明本研究算法在基本不延長(zhǎng)處理時(shí)間的前

表2幾種算法的計(jì)算時(shí)間比較

算法運(yùn)算時(shí)間（s）GHE20.027LHE18.745中值濾波19.352本研究算法20.783

提下能夠大幅度提高圖像預(yù)處理質(zhì)量，在最短的時(shí)間內(nèi)將降質(zhì)圖像進(jìn)行高質(zhì)量的復(fù)原。

3結(jié)論

本研究對(duì)農(nóng)產(chǎn)品檢測(cè)圖像預(yù)處理算法進(jìn)行了研究，在脊波變換的框架下，將濾波與增強(qiáng)技術(shù)有機(jī)結(jié)合，提出了一種智能化處理算法。結(jié)果表明，該算法兼顧了圖像增強(qiáng)和濾波的特點(diǎn)，在消除不同程度降質(zhì)圖像的降質(zhì)因素的同時(shí)，能高質(zhì)量地增強(qiáng)圖像中的目標(biāo)信息，弱化背景信息，在一定程度上具備了圖像目標(biāo)分割的功能。通過將算法程序內(nèi)置于相關(guān)設(shè)備中，能夠?qū)崿F(xiàn)對(duì)該類圖像的智能化預(yù)處理。

參考文獻(xiàn)：

[1]印紅群，吳達(dá)勝. 5種小波閾值去噪法處理木材缺陷圖像的仿真比較[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（5）：288-290.

[2]邢航，張鐵民，漆海霞，等. 薯類農(nóng)產(chǎn)品視覺圖像的去噪方法[J]. 農(nóng)機(jī)化研究，2012，34（7）：43-47，52.

[3]郭承湘，高華玲，陽建中，等. 一種基于噪聲檢測(cè)的圖像去噪算法[J]. 計(jì)算機(jī)工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對(duì)比度增強(qiáng)[J]. 計(jì)算機(jī)應(yīng)用，2013，33（4）：1125-1127.

[5]楊勇，薛東旭，蓋琦，等. 同態(tài)濾波法抑制離軸數(shù)字全息零級(jí)項(xiàng)[J]. 光學(xué)精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，F(xiàn)atemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

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

2本研究算法

2.1本研究算法基本思路

脊波變換相對(duì)于小波變換而言能更好地刻畫圖像信息的點(diǎn)、線奇異特性，可以認(rèn)為，其多分辨特性優(yōu)于小波變換。本研究將脊波變換作為研究分析的基本框架，在該框架中，對(duì)脊波變換獲得的低頻和高頻分解系數(shù)分別進(jìn)行處理，在此基礎(chǔ)上實(shí)現(xiàn)處理后系數(shù)的重構(gòu)，從而實(shí)現(xiàn)對(duì)原始低質(zhì)量圖像的較好增強(qiáng)。技術(shù)路線如圖2所示。

2.2詳細(xì)實(shí)現(xiàn)步驟

步驟1，對(duì)低質(zhì)量的水果檢測(cè)圖像進(jìn)行多尺度脊波變換，從而獲得不同幅值的高頻和低頻分解系數(shù)，這些系數(shù)分別反映了圖像低頻和高頻信息。

步驟2，低頻脊波分解系數(shù)幅值較大，該部分系數(shù)主要反映了圖像的基本信息，對(duì)比度較低，因此，可采用自適應(yīng)同態(tài)濾波算法進(jìn)行對(duì)比度的拉伸處理。

步驟3，高頻系數(shù)就幅值而言小于低頻系數(shù)，該部分是圖像高頻信息的主要體現(xiàn)，而圖像中的降質(zhì)量因素——噪聲則主要集中于該部分系數(shù)中。受到噪聲污染的高頻系數(shù)幅度值明顯小于其他系數(shù)，如果對(duì)所有的高頻系數(shù)直接進(jìn)行濾波，則一方面增大了計(jì)算量，另一方面會(huì)丟失大量細(xì)節(jié)信息。反之，如果忽略噪聲，直接進(jìn)行增強(qiáng)處理，則會(huì)導(dǎo)致噪聲污染的區(qū)域被放大，增強(qiáng)后的圖像質(zhì)量無法提高。若從系數(shù)幅值角度分析，將幅值較大的系數(shù)與較小的系數(shù)分開，僅對(duì)較小幅值的系數(shù)進(jìn)行濾波，對(duì)其余的進(jìn)行增長(zhǎng)，那么最終的處理效果勢(shì)必比較理想。因此，本研究對(duì)高頻系數(shù)引入了一個(gè)判別閾值，

T=σ2lnL。（5）

式中：σ為系數(shù)噪聲信號(hào)標(biāo)準(zhǔn)差，L為系數(shù)長(zhǎng)度。通過將所有高頻系數(shù)幅值與該閾值進(jìn)行比較，可將全部系數(shù)分成2類，即受到噪聲污染的系數(shù)和尚未被噪聲污染的系數(shù)。

步驟4，對(duì)于受噪聲污染的系數(shù)，則引入中值濾波算法進(jìn)行處理，通過鄰域統(tǒng)計(jì)大小排序，剔除該部分噪聲，在一定程度上也起到圖像增強(qiáng)的作用。

步驟5，對(duì)于尚未被污染的系數(shù)，則可以理解成純粹的對(duì)比度不高的情況，可采用局部直方圖均衡化算法（LHE）進(jìn)行處理，具體對(duì)應(yīng)于“1.1”節(jié)中的步驟1至步驟5。

步驟6，對(duì)步驟2、步驟4、步驟5處理后的低頻系數(shù)和高頻系數(shù)進(jìn)行系數(shù)重構(gòu)，獲得最終增強(qiáng)后的圖像。

2.3仿真試驗(yàn)

對(duì)上述算法采用圖1-a檢測(cè)圖像進(jìn)行試驗(yàn)驗(yàn)證，盡管圖像降質(zhì)量因素較多，但匯集一點(diǎn)，各類降質(zhì)因素最終導(dǎo)致圖像模糊不清，且含有噪聲。基于此，本研究通過對(duì)試驗(yàn)圖像中加入一定程度的隨機(jī)噪聲來模擬降質(zhì)圖像。每幅圖像降質(zhì)程度有所不同，為了從宏觀上對(duì)本研究算法的普適性進(jìn)行驗(yàn)證，對(duì)所有降質(zhì)因素加以抽象，構(gòu)建模擬降質(zhì)圖像進(jìn)行處理，其處理效果對(duì)于一類圖像基本具有說服力，截取該圖像的2個(gè)區(qū)域，分別添加不同密度的隨機(jī)噪聲進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果如圖3、圖4所示。

對(duì)圖3、圖4試驗(yàn)結(jié)果分析可知，全局直方圖均衡化算法（GHE）對(duì)降質(zhì)的水果圖像基本上無能為力，盡管圖像的對(duì)比度得到拉伸，但噪聲依然存在，并且在某種程度上得到放大，圖像質(zhì)量沒有得到有效提高。局部直方圖均衡化算法（LHE）處理結(jié)果與GHE類似。這進(jìn)一步說明對(duì)降質(zhì)圖像直接進(jìn)行增強(qiáng)處理，收效甚微。對(duì)降質(zhì)圖像直接進(jìn)行中值濾波（圖3-e、圖4-e）有一定效果，但圖像較原始圖像模糊，特別是圖中梨本身的斑點(diǎn)基本難以辨認(rèn)，且對(duì)高密度的噪聲濾波效果也不是很理想。通過對(duì)比可以發(fā)現(xiàn)，本研究算法處理結(jié)果（圖3-f、圖4-f））兼顧了濾波和增強(qiáng)，在改善圖像質(zhì)量的同時(shí)，也突出了圖像中的目標(biāo)物，弱化了背景信息，起到了目標(biāo)分割作用。

以上是從主觀角度對(duì)試驗(yàn)結(jié)果進(jìn)行分析評(píng)價(jià)，為了對(duì)本研究算法的性能進(jìn)行一個(gè)定量評(píng)價(jià)，使其更具有說服力，引入峰值信噪比（PSNR[8]）以及計(jì)算復(fù)雜度2個(gè)指標(biāo)來進(jìn)行評(píng)價(jià)（表1、表2）。

表1幾種算法的PSNR值比較

算法PSNR值（db）5%隨機(jī)噪聲15%隨機(jī)噪聲降質(zhì)圖像17.85415.338GHE18.76518.023LHE18.93718.362中值濾波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法計(jì)算時(shí)間與前三者相當(dāng)，說明本研究算法在基本不延長(zhǎng)處理時(shí)間的前

表2幾種算法的計(jì)算時(shí)間比較

算法運(yùn)算時(shí)間（s）GHE20.027LHE18.745中值濾波19.352本研究算法20.783

提下能夠大幅度提高圖像預(yù)處理質(zhì)量，在最短的時(shí)間內(nèi)將降質(zhì)圖像進(jìn)行高質(zhì)量的復(fù)原。

3結(jié)論

本研究對(duì)農(nóng)產(chǎn)品檢測(cè)圖像預(yù)處理算法進(jìn)行了研究，在脊波變換的框架下，將濾波與增強(qiáng)技術(shù)有機(jī)結(jié)合，提出了一種智能化處理算法。結(jié)果表明，該算法兼顧了圖像增強(qiáng)和濾波的特點(diǎn)，在消除不同程度降質(zhì)圖像的降質(zhì)因素的同時(shí)，能高質(zhì)量地增強(qiáng)圖像中的目標(biāo)信息，弱化背景信息，在一定程度上具備了圖像目標(biāo)分割的功能。通過將算法程序內(nèi)置于相關(guān)設(shè)備中，能夠?qū)崿F(xiàn)對(duì)該類圖像的智能化預(yù)處理。

參考文獻(xiàn)：

[1]印紅群，吳達(dá)勝. 5種小波閾值去噪法處理木材缺陷圖像的仿真比較[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（5）：288-290.

[2]邢航，張鐵民，漆海霞，等. 薯類農(nóng)產(chǎn)品視覺圖像的去噪方法[J]. 農(nóng)機(jī)化研究，2012，34（7）：43-47，52.

[3]郭承湘，高華玲，陽建中，等. 一種基于噪聲檢測(cè)的圖像去噪算法[J]. 計(jì)算機(jī)工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對(duì)比度增強(qiáng)[J]. 計(jì)算機(jī)應(yīng)用，2013，33（4）：1125-1127.

[5]楊勇，薛東旭，蓋琦，等. 同態(tài)濾波法抑制離軸數(shù)字全息零級(jí)項(xiàng)[J]. 光學(xué)精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，F(xiàn)atemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

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

2本研究算法

2.1本研究算法基本思路

脊波變換相對(duì)于小波變換而言能更好地刻畫圖像信息的點(diǎn)、線奇異特性，可以認(rèn)為，其多分辨特性優(yōu)于小波變換。本研究將脊波變換作為研究分析的基本框架，在該框架中，對(duì)脊波變換獲得的低頻和高頻分解系數(shù)分別進(jìn)行處理，在此基礎(chǔ)上實(shí)現(xiàn)處理后系數(shù)的重構(gòu)，從而實(shí)現(xiàn)對(duì)原始低質(zhì)量圖像的較好增強(qiáng)。技術(shù)路線如圖2所示。

2.2詳細(xì)實(shí)現(xiàn)步驟

步驟1，對(duì)低質(zhì)量的水果檢測(cè)圖像進(jìn)行多尺度脊波變換，從而獲得不同幅值的高頻和低頻分解系數(shù)，這些系數(shù)分別反映了圖像低頻和高頻信息。

步驟2，低頻脊波分解系數(shù)幅值較大，該部分系數(shù)主要反映了圖像的基本信息，對(duì)比度較低，因此，可采用自適應(yīng)同態(tài)濾波算法進(jìn)行對(duì)比度的拉伸處理。

步驟3，高頻系數(shù)就幅值而言小于低頻系數(shù)，該部分是圖像高頻信息的主要體現(xiàn)，而圖像中的降質(zhì)量因素——噪聲則主要集中于該部分系數(shù)中。受到噪聲污染的高頻系數(shù)幅度值明顯小于其他系數(shù)，如果對(duì)所有的高頻系數(shù)直接進(jìn)行濾波，則一方面增大了計(jì)算量，另一方面會(huì)丟失大量細(xì)節(jié)信息。反之，如果忽略噪聲，直接進(jìn)行增強(qiáng)處理，則會(huì)導(dǎo)致噪聲污染的區(qū)域被放大，增強(qiáng)后的圖像質(zhì)量無法提高。若從系數(shù)幅值角度分析，將幅值較大的系數(shù)與較小的系數(shù)分開，僅對(duì)較小幅值的系數(shù)進(jìn)行濾波，對(duì)其余的進(jìn)行增長(zhǎng)，那么最終的處理效果勢(shì)必比較理想。因此，本研究對(duì)高頻系數(shù)引入了一個(gè)判別閾值，

T=σ2lnL。（5）

式中：σ為系數(shù)噪聲信號(hào)標(biāo)準(zhǔn)差，L為系數(shù)長(zhǎng)度。通過將所有高頻系數(shù)幅值與該閾值進(jìn)行比較，可將全部系數(shù)分成2類，即受到噪聲污染的系數(shù)和尚未被噪聲污染的系數(shù)。

步驟4，對(duì)于受噪聲污染的系數(shù)，則引入中值濾波算法進(jìn)行處理，通過鄰域統(tǒng)計(jì)大小排序，剔除該部分噪聲，在一定程度上也起到圖像增強(qiáng)的作用。

步驟5，對(duì)于尚未被污染的系數(shù)，則可以理解成純粹的對(duì)比度不高的情況，可采用局部直方圖均衡化算法（LHE）進(jìn)行處理，具體對(duì)應(yīng)于“1.1”節(jié)中的步驟1至步驟5。

步驟6，對(duì)步驟2、步驟4、步驟5處理后的低頻系數(shù)和高頻系數(shù)進(jìn)行系數(shù)重構(gòu)，獲得最終增強(qiáng)后的圖像。

2.3仿真試驗(yàn)

對(duì)上述算法采用圖1-a檢測(cè)圖像進(jìn)行試驗(yàn)驗(yàn)證，盡管圖像降質(zhì)量因素較多，但匯集一點(diǎn)，各類降質(zhì)因素最終導(dǎo)致圖像模糊不清，且含有噪聲?；诖?，本研究通過對(duì)試驗(yàn)圖像中加入一定程度的隨機(jī)噪聲來模擬降質(zhì)圖像。每幅圖像降質(zhì)程度有所不同，為了從宏觀上對(duì)本研究算法的普適性進(jìn)行驗(yàn)證，對(duì)所有降質(zhì)因素加以抽象，構(gòu)建模擬降質(zhì)圖像進(jìn)行處理，其處理效果對(duì)于一類圖像基本具有說服力，截取該圖像的2個(gè)區(qū)域，分別添加不同密度的隨機(jī)噪聲進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果如圖3、圖4所示。

對(duì)圖3、圖4試驗(yàn)結(jié)果分析可知，全局直方圖均衡化算法（GHE）對(duì)降質(zhì)的水果圖像基本上無能為力，盡管圖像的對(duì)比度得到拉伸，但噪聲依然存在，并且在某種程度上得到放大，圖像質(zhì)量沒有得到有效提高。局部直方圖均衡化算法（LHE）處理結(jié)果與GHE類似。這進(jìn)一步說明對(duì)降質(zhì)圖像直接進(jìn)行增強(qiáng)處理，收效甚微。對(duì)降質(zhì)圖像直接進(jìn)行中值濾波（圖3-e、圖4-e）有一定效果，但圖像較原始圖像模糊，特別是圖中梨本身的斑點(diǎn)基本難以辨認(rèn)，且對(duì)高密度的噪聲濾波效果也不是很理想。通過對(duì)比可以發(fā)現(xiàn)，本研究算法處理結(jié)果（圖3-f、圖4-f））兼顧了濾波和增強(qiáng)，在改善圖像質(zhì)量的同時(shí)，也突出了圖像中的目標(biāo)物，弱化了背景信息，起到了目標(biāo)分割作用。

以上是從主觀角度對(duì)試驗(yàn)結(jié)果進(jìn)行分析評(píng)價(jià)，為了對(duì)本研究算法的性能進(jìn)行一個(gè)定量評(píng)價(jià)，使其更具有說服力，引入峰值信噪比（PSNR[8]）以及計(jì)算復(fù)雜度2個(gè)指標(biāo)來進(jìn)行評(píng)價(jià)（表1、表2）。

表1幾種算法的PSNR值比較

算法PSNR值（db）5%隨機(jī)噪聲15%隨機(jī)噪聲降質(zhì)圖像17.85415.338GHE18.76518.023LHE18.93718.362中值濾波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法計(jì)算時(shí)間與前三者相當(dāng)，說明本研究算法在基本不延長(zhǎng)處理時(shí)間的前

表2幾種算法的計(jì)算時(shí)間比較

算法運(yùn)算時(shí)間（s）GHE20.027LHE18.745中值濾波19.352本研究算法20.783

提下能夠大幅度提高圖像預(yù)處理質(zhì)量，在最短的時(shí)間內(nèi)將降質(zhì)圖像進(jìn)行高質(zhì)量的復(fù)原。

3結(jié)論

本研究對(duì)農(nóng)產(chǎn)品檢測(cè)圖像預(yù)處理算法進(jìn)行了研究，在脊波變換的框架下，將濾波與增強(qiáng)技術(shù)有機(jī)結(jié)合，提出了一種智能化處理算法。結(jié)果表明，該算法兼顧了圖像增強(qiáng)和濾波的特點(diǎn)，在消除不同程度降質(zhì)圖像的降質(zhì)因素的同時(shí)，能高質(zhì)量地增強(qiáng)圖像中的目標(biāo)信息，弱化背景信息，在一定程度上具備了圖像目標(biāo)分割的功能。通過將算法程序內(nèi)置于相關(guān)設(shè)備中，能夠?qū)崿F(xiàn)對(duì)該類圖像的智能化預(yù)處理。

參考文獻(xiàn)：

[1]印紅群，吳達(dá)勝. 5種小波閾值去噪法處理木材缺陷圖像的仿真比較[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（5）：288-290.

[2]邢航，張鐵民，漆海霞，等. 薯類農(nóng)產(chǎn)品視覺圖像的去噪方法[J]. 農(nóng)機(jī)化研究，2012，34（7）：43-47，52.

[3]郭承湘，高華玲，陽建中，等. 一種基于噪聲檢測(cè)的圖像去噪算法[J]. 計(jì)算機(jī)工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方圖均衡化的手背靜脈圖像對(duì)比度增強(qiáng)[J]. 計(jì)算機(jī)應(yīng)用，2013，33（4）：1125-1127.

[5]楊勇，薛東旭，蓋琦，等. 同態(tài)濾波法抑制離軸數(shù)字全息零級(jí)項(xiàng)[J]. 光學(xué)精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，F(xiàn)atemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

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