1種基于鄰域相關(guān)性改進(jìn)的農(nóng)業(yè)圖像中值濾波算法

裴連群++高洪玉

摘要：實(shí)地采集的農(nóng)業(yè)圖像中常存在一些顆粒狀噪聲，針對(duì)此現(xiàn)狀適當(dāng)改進(jìn)經(jīng)典中值濾波算法，并提出1種改進(jìn)的農(nóng)業(yè)圖像中值濾波算法。首先檢測(cè)圖像中受到噪聲干擾的像素點(diǎn)，將其中灰度值為255或0的像素點(diǎn)標(biāo)記為疑似噪聲點(diǎn)。選取每個(gè)疑似噪聲點(diǎn)周?chē)?×5大小的鄰域，若鄰域中疑似噪聲點(diǎn)數(shù)目較多，則根據(jù)該鄰域中非疑似噪聲點(diǎn)與待濾波點(diǎn)的幾何距離進(jìn)行加權(quán)中值濾波；若鄰域中疑似噪聲點(diǎn)數(shù)目較少，則根據(jù)該鄰域中非疑似噪聲點(diǎn)與待濾波點(diǎn)的相關(guān)性進(jìn)行改進(jìn)的中值濾波。分別以該算法對(duì)采集的農(nóng)業(yè)圖像進(jìn)行測(cè)試，并引入峰值信噪比（peak signal noise to ratio，PSNR）、均方根誤差（mean square error，MSE）等指標(biāo)對(duì)測(cè)試結(jié)果進(jìn)行考察。將該算法與中值濾波、開(kāi)關(guān)中值濾波、加權(quán)中值濾波等同類(lèi)算法進(jìn)行比較，結(jié)果表明，與同類(lèi)型其他算法相比，該算法的效果較為突出。

關(guān)鍵詞：農(nóng)業(yè)圖像；顆粒狀噪聲；中值濾波；加權(quán)中值濾波；鄰域相關(guān)性

中圖分類(lèi)號(hào)： TP391；S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2015）09-0442-02

為了提高圖像對(duì)比度，并去除圖像中由于成像環(huán)境、成像設(shè)備固有缺陷等因素形成的各類(lèi)噪聲，采用圖像濾波、增強(qiáng)等算法對(duì)實(shí)地獲取的各類(lèi)農(nóng)業(yè)圖像進(jìn)行處理。雖然處理后的農(nóng)業(yè)圖像直接應(yīng)用價(jià)值有限，但對(duì)于后續(xù)圖像判讀、目標(biāo)識(shí)別[1]、目標(biāo)檢測(cè)[2]等結(jié)果的準(zhǔn)確度有重要影響。近年來(lái)，隨著計(jì)算機(jī)圖像處理技術(shù)的快速發(fā)展，一些較為實(shí)用的圖像濾波算法被應(yīng)用于農(nóng)業(yè)圖像的處理，并取得了一定成果，但仍普遍存在一些不足之處。采用小波變換[3]、Contourlet變換[4]等多尺度方法對(duì)圖像進(jìn)行分析，不僅算法復(fù)雜度較大，且圖像被反復(fù)分解、重構(gòu)的過(guò)程中丟失了大量信息。濾波后的圖像總體對(duì)比度有所提高，但植物根莖、葉片等目標(biāo)邊緣信息的連續(xù)性不強(qiáng)，甚至?xí)G失部分信息。中值濾波是一種經(jīng)典的計(jì)算機(jī)圖像濾波算法，對(duì)于一般的數(shù)字圖像處理效果較好，但無(wú)法勝任處理細(xì)節(jié)信息較多的農(nóng)業(yè)圖像[5]。為此，本研究對(duì)中值濾波算法進(jìn)行2點(diǎn)改進(jìn)：首先引入檢測(cè)方法對(duì)圖像中的噪聲進(jìn)行初步檢測(cè)，標(biāo)記出疑似噪聲點(diǎn)；根據(jù)每個(gè)疑似噪聲點(diǎn)周?chē)欢ㄠ徲騼?nèi)噪聲的強(qiáng)度，自動(dòng)采取不同的改進(jìn)型中值濾波算法進(jìn)行處理。

1算法原理

1.1圖像中疑似噪聲點(diǎn)的檢測(cè)

疑似噪聲點(diǎn)即為圖像中灰度值異常的像素點(diǎn)，該類(lèi)像素點(diǎn)可能由于自身信息而導(dǎo)致灰度值相對(duì)于鄰域像素點(diǎn)突然變大或變小（如圖像中果實(shí)表面的斑點(diǎn)、果實(shí)邊緣等信息），也可能因噪聲的干擾而產(chǎn)生。檢測(cè)受噪聲干擾的像素點(diǎn)最為有效的方法，是根據(jù)其灰度值特征進(jìn)行鑒別，而僅根據(jù)灰度值信息鑒別出的像素點(diǎn)未必均為噪聲點(diǎn)，因此該類(lèi)像素點(diǎn)僅能稱(chēng)為疑似噪聲點(diǎn)。對(duì)于大小為X·Y的農(nóng)業(yè)圖像，疑似噪聲點(diǎn)檢測(cè)方法如下：

在式（4）的基礎(chǔ)上，分別計(jì)算該鄰域內(nèi)除中心點(diǎn)外其余所有疑似噪聲點(diǎn)的灰度值與f-（x，y）之差，若該差值小于 fSTD（x，y） ，則認(rèn)為此像素點(diǎn)未受到噪聲干擾；反之則為噪聲點(diǎn)。

將該鄰域中所有非疑似噪聲點(diǎn)，以及經(jīng)上述計(jì)算比較后被鑒別為非噪聲點(diǎn)的像素點(diǎn)進(jìn)行大小排序，將其中間值賦值給鄰域的中心點(diǎn)，作為濾波值輸出。

1.3算法實(shí)現(xiàn)思路

（1）按照“1.2”節(jié)的方法，在圖像中以一定順序獲取疑似噪聲點(diǎn)周?chē)?×5大小的鄰域。（2）分別統(tǒng)計(jì)該區(qū)域內(nèi)疑似噪聲點(diǎn)的數(shù)目 。（3）若N=24或N=0，則認(rèn)為該鄰域內(nèi)原本圖像便為全黑或全白區(qū)域，沒(méi)有受到噪聲干擾，可不作處理。（4）若12

2算法試驗(yàn)

采用Visual Basic（VB）語(yǔ)言編寫(xiě)本研究的算法程序，對(duì)1幅蘋(píng)果圖像進(jìn)行試驗(yàn)。將本算法的試驗(yàn)結(jié)果分別與中值濾波、開(kāi)關(guān)中值濾波[6]、加權(quán)中值濾波[7]進(jìn)行比較，對(duì)試驗(yàn)結(jié)果進(jìn)行主觀評(píng)價(jià)的同時(shí)，定義峰值信噪比（PSNR）、均方根誤差（MSE）[8]對(duì)各算法的試驗(yàn)效果進(jìn)行考察。PSNR值越大則濾波后圖像與原始圖像越接近，表明濾波后圖像質(zhì)量較好；MSE值越小則濾波后圖像與原始圖像差異越小，表明濾波后圖像質(zhì)量較好。試驗(yàn)結(jié)果分別見(jiàn)圖1、表1。

表1不同算法試驗(yàn)效果的考查結(jié)果

添加噪聲

的強(qiáng)度（%）PSNR（dB）MSE（dB）中值濾波開(kāi)關(guān)中值濾波加權(quán)中值濾波本研究算法中值濾波開(kāi)關(guān)中值濾波加權(quán)中值濾波本研究算法1023.00224.43124.47726.59155.67748.89742.24326.6032021.17622.30023.17525.31873.63669.99060.87431.1363019.39820.09722.03424.514103.19397.76270.07640.711

對(duì)圖1-a添加強(qiáng)度為20%的顆粒噪聲得到圖1-b，圖1-c為圖1-b經(jīng)過(guò)中值濾波（濾波模板尺寸為 ）后的結(jié)果，圖中蘋(píng)果輪廓基本無(wú)法辨認(rèn)，圖像背景存在大量噪聲；圖1-d為經(jīng)過(guò)開(kāi)關(guān)中值濾波[6]后的結(jié)果，圖像背景的噪聲程度有

所降低，但蘋(píng)果邊緣仍較為模糊；圖1-e為經(jīng)過(guò)加權(quán)中值濾波[7]后的結(jié)果，相對(duì)于圖1-c、圖1-d而言，濾波后圖像的質(zhì)量得到一定程度的提高，可基本辨認(rèn)蘋(píng)果邊緣，圖像背景中的噪聲強(qiáng)度被進(jìn)一步降低；圖1-f為本研究算法的試驗(yàn)結(jié)果，圖中蘋(píng)果輪廓的清晰程度與圖1-a非常接近，但背景顏色比圖1-a淡化了許多，大量背景信息被當(dāng)作噪聲點(diǎn)得到了修正或?yàn)V除，從而在一定程度上突出了圖像的主要信息。

對(duì)于含有3種不同強(qiáng)度顆粒噪聲的農(nóng)業(yè)圖像，本研究算法的PSNR值明顯高于中值濾波、開(kāi)關(guān)中值濾波[6]、加權(quán)中值濾波[7]；而本研究算法的MSE值明顯低于中值濾波、開(kāi)關(guān)中值濾波、加權(quán)中值濾波（表1）?？梢?jiàn)本研究算法對(duì)農(nóng)業(yè)圖像的處理有一定效果，這與上述理論分析的結(jié)果基本一致。

3討論

為實(shí)現(xiàn)農(nóng)業(yè)圖像的有效濾波處理，在對(duì)中值濾波改進(jìn)的基礎(chǔ)上，提出1種基于鄰域相關(guān)性的中值濾波改進(jìn)算法。本算法在檢測(cè)圖像中疑似噪聲點(diǎn)的基礎(chǔ)上，以每個(gè)疑似噪聲點(diǎn)周?chē)欢ù笮〉泥徲驗(yàn)檠芯繉?duì)象，根據(jù)該鄰域內(nèi)疑似噪聲點(diǎn)的數(shù)目實(shí)現(xiàn)對(duì)疑似噪聲點(diǎn)的自適應(yīng)改進(jìn)中值濾波處理。本算法的有效性已在試驗(yàn)中得到初步驗(yàn)證。

參考文獻(xiàn)：

[1]王宏艷，呂繼興. 基于紋理特征與改進(jìn)SVM算法的玉米田間雜草識(shí)別[J]. 湖北農(nóng)業(yè)科學(xué)，2014，53（13）：3163-3166，3169.

[2]毛麗民，劉叔軍，朱培逸，等. 一種基于FPGA的水果分級(jí)檢測(cè)系統(tǒng)的設(shè)計(jì)[J]. 農(nóng)機(jī)化研究，2013，35（11）：120-123.

[3]李景福，趙進(jìn)輝，龍志軍，等. 基于離散小波變換的農(nóng)業(yè)圖像處理研究[J]. 安徽農(nóng)學(xué)通報(bào)，2007，13（3）：43-45.

[4]韓偉，劉強(qiáng). 一種NSCT域改進(jìn)閾值函數(shù)的雜草圖像去噪方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2013，41（11）：151-153.

[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]喬坤，郭朝勇，毛東. 一種去除椒鹽噪聲的自適應(yīng)開(kāi)關(guān)中值濾波算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2011，28（10）：253-256.

[7]王梅，黃華，應(yīng)大力. 基于隸屬度函數(shù)的自適應(yīng)加權(quán)中值濾波[J]. 電腦知識(shí)與技術(shù)，2012，8（31）：7565-7567.

[8]宋懷波，何東健，韓 韜. Contourlet變換為農(nóng)產(chǎn)品圖像去噪的有效方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（8）：287-292.