1種離散小波域荔枝圖像處理模型

楊永

摘要：利用機器人采摘荔枝的過程實質(zhì)上是分析和識別所獲取圖像的過程，但由于荔枝生長環(huán)境復(fù)雜、成像系統(tǒng)電壓不穩(wěn)定，導(dǎo)致在模/數(shù)轉(zhuǎn)換、圖像解碼等環(huán)節(jié)中圖像清晰度降低，最直觀的體現(xiàn)是圖像中存在不同程度的斑點噪聲。針對該情況并結(jié)合離散小波變換這一圖像分析框架，提出一種荔枝圖像高效處理模型。首先，該模型對圖像進行多尺度離散小波變換，以獲得低頻分解系數(shù)和各方向分布的高頻分解系數(shù)；然后提出一種二維多方向加權(quán)中值濾波算法，實現(xiàn)對高頻分解系數(shù)的自適應(yīng)處理；最后對低頻分解系數(shù)和濾波后的多方向分布高頻分解系數(shù)進行重構(gòu)。采用MATLAB軟件編寫程序進行算法實現(xiàn)，并與經(jīng)典中值濾波算法、二維多方向中值濾波算法進行性能對比。結(jié)果表明，本研究提出的圖像處理模型對該類圖像的處理效果明顯優(yōu)于其余2類算法且模型耗時更短。

關(guān)鍵詞：荔枝圖像；離散小波變換；斑點噪聲；二維多方向中值濾波

中圖分類號： TP391；S126 文獻標(biāo)志碼： A

文章編號：1002-1302（2015）03-0385-03

隨著農(nóng)業(yè)自動化水平的逐漸提高，使用機器人自動化采摘荔枝對于提高工作效率、降低生產(chǎn)成本最有重要意義。對所獲取的荔枝成熟果實圖像進行顏色、輪廓等信息分析和識別是實現(xiàn)機器人采摘的前提。圖像在獲取過程中會受到機器人成像系統(tǒng)電壓不穩(wěn)定、拍攝光照不均勻等因素的限制，在模/數(shù)轉(zhuǎn)換、傳輸、解碼等環(huán)節(jié)中亦會受到噪聲干擾，并且對比度有所降低。因此，有必要對機器人視覺系統(tǒng)獲取的圖像進行高質(zhì)量處理，以提高采摘對象識別的準(zhǔn)確性。目前，計算機圖像處理算法被大量應(yīng)用于農(nóng)業(yè)圖像處理領(lǐng)域，如陳科尹等提出一種改進模糊聚類算法應(yīng)用于水果圖像分割[1]；陳麗娟等采用改進的BP算法識別玉米圖像葉部病害特征[2]；楊福增等提出一種基于雜交小波變換的去噪模型并應(yīng)用于農(nóng)產(chǎn)品圖像噪聲去除[3]；趙輝等構(gòu)建了小波域中值濾波模型并成功濾除農(nóng)作物圖像中的噪聲[4]；劉立波等將數(shù)學(xué)形態(tài)學(xué)理論應(yīng)用于農(nóng)作物圖像的處理，有效地分析農(nóng)作物病蟲害程度[5]；形航等研究了薯類圖像的小波閾值去噪算法[6]。本研究分析了二維多方向中值濾波算法[7]的原理，在此基礎(chǔ)上對其適當(dāng)改進并結(jié)合離散小波變換[8-9]，構(gòu)建荔枝圖像高質(zhì)量處理模型，以實現(xiàn)對該類圖像的有效處理。

1 離散小波域圖像分析原理

2 二維多方向加權(quán)中值濾波算法

圖像中一部分信息（如河流、倒流、建筑物輪廓等）呈方向性分布，若將經(jīng)典中值濾波窗口進行適當(dāng)拆分，設(shè)計出符合圖像信息分布特征的濾波窗口，那么在濾波噪聲的同時必能保持圖像信息的完整性，這便是二維多方向中值濾波算法（two-dimensional multi-direction median filtering algorithm）的基本思想。該算法將對于中心點坐標(biāo)（m1，m2）的濾波分解為4個方向性窗口（見圖1），從而獲得1個方向性中值集合Q，求其最大值和最小值，并與該集合中的各數(shù)值組成新集合Q′，取Q′中各數(shù)值的中間值作為坐標(biāo)點（m1，m2）最終濾波結(jié)果。

圖4中荔枝葉片和果實模糊不清，無法識別。采用經(jīng)典中值濾波算法（濾波窗口大小為5×5）處理，結(jié)果如圖5所示，部分噪聲被濾除，但殘留噪聲被放大，表現(xiàn)為荔枝果實表面出現(xiàn)較多“黑點”。二維多方向中值濾波算法處理結(jié)果見圖6，圖中“黑點”基本不存在，且噪聲殘留程度較圖5有所降低，由此說明二維多方向中值濾波算法性能優(yōu)于經(jīng)典中值濾波算法。圖7為本研究模型處理后的結(jié)果，由圖7可見噪聲基本被去除，且圖像清晰度明顯優(yōu)于圖5和圖6。為了定量化描述本研究算法的性能，采用峰值信噪比、均方根差以及算法執(zhí)行時間3種指標(biāo)對以上試驗結(jié)果進行定量評價，結(jié)果見表1。

本研究提出的圖像處理模型PSNR值明顯高于另2類算法，對應(yīng)的RMSE值為3類算法中的最低值，由此說明本研究模型性能為3類算法中最優(yōu)。此外，本研究模型執(zhí)行時間介于經(jīng)典中值濾波算法以及二維多方向中值濾波算法之間。

4 結(jié)論

為了高質(zhì)量處理荔枝圖像，以提高自動化采摘識別的準(zhǔn)確性，提出1種基于離散小波變換的圖像高效處理模型。對現(xiàn)場采集的荔枝圖像疊加一定程度的隨機噪聲并進行模型性能測試，結(jié)果表明，本研究提出模型性能明顯優(yōu)于經(jīng)典中值濾波算法以及二維多方向中值濾波算法，且算法耗時較低。

參考文獻：[HJ1.4mm]

[1]陳科尹，鄒湘均，熊俊濤，等. 基于視覺顯著性改進的水果圖像模糊聚類分割算法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（6）：157-165.

[2]劉麗娟，劉仲鵬. 基于改進BP算法的玉米葉部病害圖像識別研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（11）：139-142.

[3]楊福增，田艷娜，楊亮亮，等. 基于雜交小波變換的農(nóng)產(chǎn)品圖像去噪算法[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（3）：172-178.

[4]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.

[5]劉立波，趙春江，吳華瑞，等. 數(shù)學(xué)形態(tài)學(xué)在作物病害圖像預(yù)處理中的應(yīng)用研究[J]. 農(nóng)機化研究，2013（8）：180-183.

[6]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)機化研究，2012（7）：43-47，52.

[7]王明常，邢立新，楊毅恒，等. 動態(tài)方向加權(quán)二維多級中值濾波的圖像處理[J]. 吉林大學(xué)學(xué)報：自然科學(xué)版，2006，24（1）：18-21.

[8]Matsuyama E，Tsai D Y，Lee Y B，et al. A modified undecimated discrete wavelet transform based approach to mammographic image denoising[J]. Journal of Digital Imaging，2013，26（4）：748-758.

[9]Zhang L，Qiu B C. Optical image compression based on adaptive directional prediction discrete wavelet transform[J]. Optical Revied，2013，20（6）：474-483.