一種結(jié)合小波變換的豆類圖像增強算法

摘要：針對農(nóng)業(yè)視覺圖像時常受到噪聲的干擾，導致圖像質(zhì)量在很大程度降低的問題，以豆類圖像為例，提出了一種圖像自適應增強算法。該算法將小波變換與改進自適應中值濾波有機結(jié)合，首先對降質(zhì)豆類圖像實現(xiàn)2層小波分解，小波基函數(shù)取sym8，獲得小波高頻和低頻分解系數(shù)；然后從噪聲檢測、自適應濾波等2個環(huán)節(jié)中對自適應中值濾波加以改進，提出了一種改進自適應中值濾波算法用于對小波各方向高頻分解系數(shù)的自適應濾波；最后實現(xiàn)小波低頻和高頻系數(shù)的重構(gòu)。將本研究算法與小波軟閾值法、自適應中值濾波進行仿真試驗比較，結(jié)果表明，本研究算法效果最優(yōu)，能夠?qū)崿F(xiàn)對降質(zhì)的豆類圖像高質(zhì)量增強處理。

關(guān)鍵詞：豆類圖像；圖像增強；小波變換；小波軟閾值；改進自適應中值濾波

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2014）07-0433-03

收稿日期：2013-09-08

作者簡介：周仕友（1970—），男，貴州興仁人，碩士，實驗師，主要研究方向為計算機控制模型分析與設(shè)計、計算機圖像處理。E-mail：zhoushiyoumaster@126.com。實時化獲取高質(zhì)量的農(nóng)作物長勢圖像是實現(xiàn)對植物長勢、病蟲害自動化檢測以便對農(nóng)產(chǎn)品產(chǎn)量進行估算的前提。由于氣候、降水、土壤等自然因素以及圖像在拍攝、記錄、傳輸解碼等過程中不可避免會受到噪聲的干擾，導致所獲取的圖像一般為降質(zhì)圖像。因此，對該類圖像進行增強處理，以便從大量噪聲中高質(zhì)量地復原出來，對于后續(xù)的圖像判別意義重大。石永華等采用Contourlet變換對農(nóng)業(yè)圖像增強方法進行了研究[1]。印紅群等研究了木材缺陷圖像的小波域閾值去噪問題[2]。邵喬林等將鄰域直方圖方法引入到玉米圖像中，實現(xiàn)了玉米圖像的自適應分割[3]。夏政偉等將多重分形理論應用于玉米病害圖像的特征提取研究[4]。程玉柱等提出基于Bayes與SVM的玉米圖像分割方法[5]。以上研究主要是通過對降質(zhì)圖像進行特征提取、分割將感興趣的目標加以突出，但由于后續(xù)的研究目標、方法不同，導致感興趣的目標也有所不同，先期的特征提取結(jié)果未必適合后續(xù)研究。本研究針對受到高密度干擾的豆類圖像，將小波變換與改進自適應中值濾波有機結(jié)合，提出了一種針對該類圖像的自適應增強算法。

1.2豆類圖像小波變換基本實現(xiàn)流程

通過以上分析可知，小波變換通過對圖像進行多級分解，對獲得的多尺度分解系數(shù)進行適當處理，在此基礎(chǔ)上實現(xiàn)分解系數(shù)重構(gòu)。因此，通過這一框架實現(xiàn)對農(nóng)業(yè)豆類圖像的增強處理，理論上是可行的，基于小波變換的豆類圖像處理流程如圖1所示。具體步驟如下：步驟1：對降質(zhì)的豆類圖像實現(xiàn)多尺度小波分解。研究表明，小波分解層數(shù)并非越多越好。本研究實現(xiàn)2層分解，采用“Symlets”小波簇中的“sym8”小波函數(shù)作為小波分解的基函數(shù)，從而獲得分解后的低頻和水平、垂直、對角方向的高頻系數(shù)。步驟2：低頻分解系數(shù)主要是豆類圖像中植物邊緣輪廓等低頻信息的反映，降質(zhì)程度不是很嚴重，若不加以處理，對重構(gòu)后圖像質(zhì)量的提高也會有所影響。鑒于小波軟閾值函數(shù)的良好性能，因而將其引入，對該部分系數(shù)加以處理[7]。步驟3：小波分解對于圖像信號具有較好的集中性能，從而使得圖像信息大體呈現(xiàn)水平、垂直、對角分布，因此本研究詳細討論該部分系數(shù)的處理方法；步驟4：將步驟2、步驟3獲得的處理后的低頻、高頻分解系數(shù)重構(gòu)，獲得增強后的豆類圖像。

2改進自適應中值濾波算法

自適應中值濾波通過采用固定大小的模板在待處理圖像上滑動，對于任一噪聲點而言，取該點模板尺寸大小的鄰域中所有像素點灰度值的中間值賦值作為噪聲點像素值的修正值輸出。該算法的不足之處在于：（1）圖像中像素值出現(xiàn)極值的像素點未必全部是噪聲點，對圖像所有像素點全部進行排序取中間值計算，會將圖像中有用信息濾除；（2）對圖像反復進行排序取中間值，會增加計算量，事實上，圖像中相當一部分像素點不需要進行濾波處理，“強行”濾波一方面使得計算量呈現(xiàn)幾何級數(shù)增長，另一方面也降低了圖像質(zhì)量。

2.1噪聲預判別策略

3仿真試驗

3.1試驗方案

隨機拍攝2幅豆類長勢圖像作為試驗數(shù)據(jù)，通過對其分別加入不同強度的噪聲來模擬降質(zhì)圖像。事實上，現(xiàn)實中的豆類圖像的降質(zhì)程度不及本研究的降質(zhì)程度，之所以采用模擬降質(zhì)圖像作為試驗數(shù)據(jù)，一方面是可通過對其中的降質(zhì)量源進行定量控制從而便于衡量算法的優(yōu)劣；另一方面是因為算法若能對高降質(zhì)量模擬圖像進行處理，那么對于現(xiàn)實中的豆類降質(zhì)量圖像處理必定能取得理想效果。為了便于橫向比較，將本研究算法處理結(jié)果與小波軟閾值、自適應中值濾波算法進行比較，引入均方根誤差（MSE）[8]作為算法效果定量計算指標（表1）。

4結(jié)論

為了改善豆類圖像視覺對比度，將小波變換與自適應中值濾波相結(jié)合，提出了一種該類圖像增強算法。結(jié)果表明，本研究算法相對于小波軟閾值、自適應中值濾波而言，效果較為明顯，適合該類圖像的自適應處理。

參考文獻：

[1]石永華，王波，王阿珍，等. 基于Contourlet變換的農(nóng)業(yè)圖像增強方法研究[J]. 安徽農(nóng)業(yè)科學，2011，39（30）：18985-18986，19007.

[2]印紅群，吳達勝. 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，2013，41（5）：288-290.

[3]邵喬林，安秋. 基于鄰域直方圖的玉米田綠色植物圖像分割方法[J]. 江西農(nóng)業(yè)學報，2011，23（5）：126-128，135.

[4]夏政偉. 多重分形理論在玉米病害圖像特征提取中的應用[J]. 南方農(nóng)業(yè)學報，2013，44（5）：871-874.

[5]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農(nóng)業(yè)科學，2012，40（7）：355-358.

[6]王成剛. 基于小波變換和形態(tài)學的圖像去噪方法研究[D]. 西安：長安大學，2009.

[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[8]劉鉞. 小波模極大值在圖像消噪中的應用[J]. 計算機工程，2011，37（6）：200-202.endprint

摘要：針對農(nóng)業(yè)視覺圖像時常受到噪聲的干擾，導致圖像質(zhì)量在很大程度降低的問題，以豆類圖像為例，提出了一種圖像自適應增強算法。該算法將小波變換與改進自適應中值濾波有機結(jié)合，首先對降質(zhì)豆類圖像實現(xiàn)2層小波分解，小波基函數(shù)取sym8，獲得小波高頻和低頻分解系數(shù)；然后從噪聲檢測、自適應濾波等2個環(huán)節(jié)中對自適應中值濾波加以改進，提出了一種改進自適應中值濾波算法用于對小波各方向高頻分解系數(shù)的自適應濾波；最后實現(xiàn)小波低頻和高頻系數(shù)的重構(gòu)。將本研究算法與小波軟閾值法、自適應中值濾波進行仿真試驗比較，結(jié)果表明，本研究算法效果最優(yōu)，能夠?qū)崿F(xiàn)對降質(zhì)的豆類圖像高質(zhì)量增強處理。

關(guān)鍵詞：豆類圖像；圖像增強；小波變換；小波軟閾值；改進自適應中值濾波

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2014）07-0433-03

收稿日期：2013-09-08

作者簡介：周仕友（1970—），男，貴州興仁人，碩士，實驗師，主要研究方向為計算機控制模型分析與設(shè)計、計算機圖像處理。E-mail：zhoushiyoumaster@126.com。實時化獲取高質(zhì)量的農(nóng)作物長勢圖像是實現(xiàn)對植物長勢、病蟲害自動化檢測以便對農(nóng)產(chǎn)品產(chǎn)量進行估算的前提。由于氣候、降水、土壤等自然因素以及圖像在拍攝、記錄、傳輸解碼等過程中不可避免會受到噪聲的干擾，導致所獲取的圖像一般為降質(zhì)圖像。因此，對該類圖像進行增強處理，以便從大量噪聲中高質(zhì)量地復原出來，對于后續(xù)的圖像判別意義重大。石永華等采用Contourlet變換對農(nóng)業(yè)圖像增強方法進行了研究[1]。印紅群等研究了木材缺陷圖像的小波域閾值去噪問題[2]。邵喬林等將鄰域直方圖方法引入到玉米圖像中，實現(xiàn)了玉米圖像的自適應分割[3]。夏政偉等將多重分形理論應用于玉米病害圖像的特征提取研究[4]。程玉柱等提出基于Bayes與SVM的玉米圖像分割方法[5]。以上研究主要是通過對降質(zhì)圖像進行特征提取、分割將感興趣的目標加以突出，但由于后續(xù)的研究目標、方法不同，導致感興趣的目標也有所不同，先期的特征提取結(jié)果未必適合后續(xù)研究。本研究針對受到高密度干擾的豆類圖像，將小波變換與改進自適應中值濾波有機結(jié)合，提出了一種針對該類圖像的自適應增強算法。

1.2豆類圖像小波變換基本實現(xiàn)流程

通過以上分析可知，小波變換通過對圖像進行多級分解，對獲得的多尺度分解系數(shù)進行適當處理，在此基礎(chǔ)上實現(xiàn)分解系數(shù)重構(gòu)。因此，通過這一框架實現(xiàn)對農(nóng)業(yè)豆類圖像的增強處理，理論上是可行的，基于小波變換的豆類圖像處理流程如圖1所示。具體步驟如下：步驟1：對降質(zhì)的豆類圖像實現(xiàn)多尺度小波分解。研究表明，小波分解層數(shù)并非越多越好。本研究實現(xiàn)2層分解，采用“Symlets”小波簇中的“sym8”小波函數(shù)作為小波分解的基函數(shù)，從而獲得分解后的低頻和水平、垂直、對角方向的高頻系數(shù)。步驟2：低頻分解系數(shù)主要是豆類圖像中植物邊緣輪廓等低頻信息的反映，降質(zhì)程度不是很嚴重，若不加以處理，對重構(gòu)后圖像質(zhì)量的提高也會有所影響。鑒于小波軟閾值函數(shù)的良好性能，因而將其引入，對該部分系數(shù)加以處理[7]。步驟3：小波分解對于圖像信號具有較好的集中性能，從而使得圖像信息大體呈現(xiàn)水平、垂直、對角分布，因此本研究詳細討論該部分系數(shù)的處理方法；步驟4：將步驟2、步驟3獲得的處理后的低頻、高頻分解系數(shù)重構(gòu)，獲得增強后的豆類圖像。

2改進自適應中值濾波算法

自適應中值濾波通過采用固定大小的模板在待處理圖像上滑動，對于任一噪聲點而言，取該點模板尺寸大小的鄰域中所有像素點灰度值的中間值賦值作為噪聲點像素值的修正值輸出。該算法的不足之處在于：（1）圖像中像素值出現(xiàn)極值的像素點未必全部是噪聲點，對圖像所有像素點全部進行排序取中間值計算，會將圖像中有用信息濾除；（2）對圖像反復進行排序取中間值，會增加計算量，事實上，圖像中相當一部分像素點不需要進行濾波處理，“強行”濾波一方面使得計算量呈現(xiàn)幾何級數(shù)增長，另一方面也降低了圖像質(zhì)量。

2.1噪聲預判別策略

3仿真試驗

3.1試驗方案

隨機拍攝2幅豆類長勢圖像作為試驗數(shù)據(jù)，通過對其分別加入不同強度的噪聲來模擬降質(zhì)圖像。事實上，現(xiàn)實中的豆類圖像的降質(zhì)程度不及本研究的降質(zhì)程度，之所以采用模擬降質(zhì)圖像作為試驗數(shù)據(jù)，一方面是可通過對其中的降質(zhì)量源進行定量控制從而便于衡量算法的優(yōu)劣；另一方面是因為算法若能對高降質(zhì)量模擬圖像進行處理，那么對于現(xiàn)實中的豆類降質(zhì)量圖像處理必定能取得理想效果。為了便于橫向比較，將本研究算法處理結(jié)果與小波軟閾值、自適應中值濾波算法進行比較，引入均方根誤差（MSE）[8]作為算法效果定量計算指標（表1）。

4結(jié)論

為了改善豆類圖像視覺對比度，將小波變換與自適應中值濾波相結(jié)合，提出了一種該類圖像增強算法。結(jié)果表明，本研究算法相對于小波軟閾值、自適應中值濾波而言，效果較為明顯，適合該類圖像的自適應處理。

參考文獻：

[1]石永華，王波，王阿珍，等. 基于Contourlet變換的農(nóng)業(yè)圖像增強方法研究[J]. 安徽農(nóng)業(yè)科學，2011，39（30）：18985-18986，19007.

[2]印紅群，吳達勝. 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，2013，41（5）：288-290.

[3]邵喬林，安秋. 基于鄰域直方圖的玉米田綠色植物圖像分割方法[J]. 江西農(nóng)業(yè)學報，2011，23（5）：126-128，135.

[4]夏政偉. 多重分形理論在玉米病害圖像特征提取中的應用[J]. 南方農(nóng)業(yè)學報，2013，44（5）：871-874.

[5]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農(nóng)業(yè)科學，2012，40（7）：355-358.

[6]王成剛. 基于小波變換和形態(tài)學的圖像去噪方法研究[D]. 西安：長安大學，2009.

[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[8]劉鉞. 小波模極大值在圖像消噪中的應用[J]. 計算機工程，2011，37（6）：200-202.endprint

摘要：針對農(nóng)業(yè)視覺圖像時常受到噪聲的干擾，導致圖像質(zhì)量在很大程度降低的問題，以豆類圖像為例，提出了一種圖像自適應增強算法。該算法將小波變換與改進自適應中值濾波有機結(jié)合，首先對降質(zhì)豆類圖像實現(xiàn)2層小波分解，小波基函數(shù)取sym8，獲得小波高頻和低頻分解系數(shù)；然后從噪聲檢測、自適應濾波等2個環(huán)節(jié)中對自適應中值濾波加以改進，提出了一種改進自適應中值濾波算法用于對小波各方向高頻分解系數(shù)的自適應濾波；最后實現(xiàn)小波低頻和高頻系數(shù)的重構(gòu)。將本研究算法與小波軟閾值法、自適應中值濾波進行仿真試驗比較，結(jié)果表明，本研究算法效果最優(yōu)，能夠?qū)崿F(xiàn)對降質(zhì)的豆類圖像高質(zhì)量增強處理。

關(guān)鍵詞：豆類圖像；圖像增強；小波變換；小波軟閾值；改進自適應中值濾波

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2014）07-0433-03

收稿日期：2013-09-08

作者簡介：周仕友（1970—），男，貴州興仁人，碩士，實驗師，主要研究方向為計算機控制模型分析與設(shè)計、計算機圖像處理。E-mail：zhoushiyoumaster@126.com。實時化獲取高質(zhì)量的農(nóng)作物長勢圖像是實現(xiàn)對植物長勢、病蟲害自動化檢測以便對農(nóng)產(chǎn)品產(chǎn)量進行估算的前提。由于氣候、降水、土壤等自然因素以及圖像在拍攝、記錄、傳輸解碼等過程中不可避免會受到噪聲的干擾，導致所獲取的圖像一般為降質(zhì)圖像。因此，對該類圖像進行增強處理，以便從大量噪聲中高質(zhì)量地復原出來，對于后續(xù)的圖像判別意義重大。石永華等采用Contourlet變換對農(nóng)業(yè)圖像增強方法進行了研究[1]。印紅群等研究了木材缺陷圖像的小波域閾值去噪問題[2]。邵喬林等將鄰域直方圖方法引入到玉米圖像中，實現(xiàn)了玉米圖像的自適應分割[3]。夏政偉等將多重分形理論應用于玉米病害圖像的特征提取研究[4]。程玉柱等提出基于Bayes與SVM的玉米圖像分割方法[5]。以上研究主要是通過對降質(zhì)圖像進行特征提取、分割將感興趣的目標加以突出，但由于后續(xù)的研究目標、方法不同，導致感興趣的目標也有所不同，先期的特征提取結(jié)果未必適合后續(xù)研究。本研究針對受到高密度干擾的豆類圖像，將小波變換與改進自適應中值濾波有機結(jié)合，提出了一種針對該類圖像的自適應增強算法。

1.2豆類圖像小波變換基本實現(xiàn)流程

通過以上分析可知，小波變換通過對圖像進行多級分解，對獲得的多尺度分解系數(shù)進行適當處理，在此基礎(chǔ)上實現(xiàn)分解系數(shù)重構(gòu)。因此，通過這一框架實現(xiàn)對農(nóng)業(yè)豆類圖像的增強處理，理論上是可行的，基于小波變換的豆類圖像處理流程如圖1所示。具體步驟如下：步驟1：對降質(zhì)的豆類圖像實現(xiàn)多尺度小波分解。研究表明，小波分解層數(shù)并非越多越好。本研究實現(xiàn)2層分解，采用“Symlets”小波簇中的“sym8”小波函數(shù)作為小波分解的基函數(shù)，從而獲得分解后的低頻和水平、垂直、對角方向的高頻系數(shù)。步驟2：低頻分解系數(shù)主要是豆類圖像中植物邊緣輪廓等低頻信息的反映，降質(zhì)程度不是很嚴重，若不加以處理，對重構(gòu)后圖像質(zhì)量的提高也會有所影響。鑒于小波軟閾值函數(shù)的良好性能，因而將其引入，對該部分系數(shù)加以處理[7]。步驟3：小波分解對于圖像信號具有較好的集中性能，從而使得圖像信息大體呈現(xiàn)水平、垂直、對角分布，因此本研究詳細討論該部分系數(shù)的處理方法；步驟4：將步驟2、步驟3獲得的處理后的低頻、高頻分解系數(shù)重構(gòu)，獲得增強后的豆類圖像。

2改進自適應中值濾波算法

自適應中值濾波通過采用固定大小的模板在待處理圖像上滑動，對于任一噪聲點而言，取該點模板尺寸大小的鄰域中所有像素點灰度值的中間值賦值作為噪聲點像素值的修正值輸出。該算法的不足之處在于：（1）圖像中像素值出現(xiàn)極值的像素點未必全部是噪聲點，對圖像所有像素點全部進行排序取中間值計算，會將圖像中有用信息濾除；（2）對圖像反復進行排序取中間值，會增加計算量，事實上，圖像中相當一部分像素點不需要進行濾波處理，“強行”濾波一方面使得計算量呈現(xiàn)幾何級數(shù)增長，另一方面也降低了圖像質(zhì)量。

2.1噪聲預判別策略

3仿真試驗

3.1試驗方案

隨機拍攝2幅豆類長勢圖像作為試驗數(shù)據(jù)，通過對其分別加入不同強度的噪聲來模擬降質(zhì)圖像。事實上，現(xiàn)實中的豆類圖像的降質(zhì)程度不及本研究的降質(zhì)程度，之所以采用模擬降質(zhì)圖像作為試驗數(shù)據(jù)，一方面是可通過對其中的降質(zhì)量源進行定量控制從而便于衡量算法的優(yōu)劣；另一方面是因為算法若能對高降質(zhì)量模擬圖像進行處理，那么對于現(xiàn)實中的豆類降質(zhì)量圖像處理必定能取得理想效果。為了便于橫向比較，將本研究算法處理結(jié)果與小波軟閾值、自適應中值濾波算法進行比較，引入均方根誤差（MSE）[8]作為算法效果定量計算指標（表1）。

4結(jié)論

為了改善豆類圖像視覺對比度，將小波變換與自適應中值濾波相結(jié)合，提出了一種該類圖像增強算法。結(jié)果表明，本研究算法相對于小波軟閾值、自適應中值濾波而言，效果較為明顯，適合該類圖像的自適應處理。

參考文獻：

[1]石永華，王波，王阿珍，等. 基于Contourlet變換的農(nóng)業(yè)圖像增強方法研究[J]. 安徽農(nóng)業(yè)科學，2011，39（30）：18985-18986，19007.

[2]印紅群，吳達勝. 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，2013，41（5）：288-290.

[3]邵喬林，安秋. 基于鄰域直方圖的玉米田綠色植物圖像分割方法[J]. 江西農(nóng)業(yè)學報，2011，23（5）：126-128，135.

[4]夏政偉. 多重分形理論在玉米病害圖像特征提取中的應用[J]. 南方農(nóng)業(yè)學報，2013，44（5）：871-874.

[5]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農(nóng)業(yè)科學，2012，40（7）：355-358.

[6]王成剛. 基于小波變換和形態(tài)學的圖像去噪方法研究[D]. 西安：長安大學，2009.

[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[8]劉鉞. 小波模極大值在圖像消噪中的應用[J]. 計算機工程，2011，37（6）：200-202.endprint