基于自適應(yīng)改進小波閾值模型的農(nóng)業(yè)圖像去噪

潘玫玫

摘要：計算機圖像處理技術(shù)的應(yīng)用為農(nóng)產(chǎn)品檢測、農(nóng)作物長勢及病蟲害監(jiān)測工作提供了較為可靠的依據(jù)，但是該類圖像的獲取受到了拍攝系統(tǒng)硬件、農(nóng)作物生長環(huán)境、農(nóng)作物復(fù)雜的邊緣輪廓等因素的影響，導(dǎo)致獲取的圖像或多或少存在一定程度的失真現(xiàn)象，并摻雜一些隨機噪聲。對此，提出了1種針對該類圖像的去噪方法，首先對圖像進行3層小波分解，獲得大量的低頻分解系數(shù)和高頻分解系數(shù)；然后對于分解獲得的高頻系數(shù)采用改進的小波閾值模型進行去噪；最后將去噪后的高頻分解系數(shù)與原始低頻分解系數(shù)進行系數(shù)精確重構(gòu)。采用MATLAB語言對該去噪方法進行編程并對其去噪效果進行測試，結(jié)果表明，該算法對于農(nóng)業(yè)圖像的處理效果優(yōu)于傳統(tǒng)的小波閾值去噪模型以及部分已有的小波閾值去噪模型，具有一定的實用性。

關(guān)鍵詞：農(nóng)業(yè)圖像；自適應(yīng)；小波閾值去噪模型；MATLAB語言

中圖分類號： S126；TP391 文獻標志碼： A 文章編號：1002-1302（2015）10-0504-03

近年來，隨著計算機圖像處理技術(shù)的發(fā)展，大量成熟而實用的圖像處理方法相繼被應(yīng)用于處理各類農(nóng)業(yè)圖像，在農(nóng)業(yè)圖像增強[1]、分割[2-3]、融合[4]、目標識別[5-6]、農(nóng)產(chǎn)品檢測[7]等方面誕生了一系列成果，對于提高農(nóng)業(yè)智能化水平具有較大意義。但是，上述研究的前提是基于高清晰的農(nóng)業(yè)圖像，事實上，高清晰度的圖像往往難以獲得，在很多情況下，由于成像系統(tǒng)等硬件所存在的缺陷及拍攝環(huán)境的復(fù)雜性，導(dǎo)致獲取的圖像存在一定程度的噪聲。如果對該類圖像不進行預(yù)處理而直接進行圖像分析，勢必會大大降低分析結(jié)果的可靠性，因此圖像預(yù)處理工作是十分必要的。在這方面，趙輝等將小波閾值去噪方法與中值濾波算法相結(jié)合來處理農(nóng)業(yè)圖像，即先對圖像進行中值濾波，再對濾波后的圖像進行小波閾值去噪處理[8]，該方法去噪效果較好，但是存在幾點不足：（1）對圖像采用2次濾波的方法，圖像中的相當一部分信息會在反復(fù)濾波過程中丟失；（2）對圖像進行小波閾值去噪過程中，采用簡單的原始小波閾值進行處理，沒有充分顧及農(nóng)業(yè)圖像本身細節(jié)信息的復(fù)雜性，去噪效果仍存在著一定的提升空間。

本研究在對小波閾值去噪基本原理分析的基礎(chǔ)上，充分分析了經(jīng)典小波硬、軟閾值去噪模型[9-10]、部分已有的改進型小波閾值去噪模型特點，提出了1種自適應(yīng)改進小波閾值模型。該模型通過設(shè)置2個閾值，能夠根據(jù)不同的小波分解層數(shù)分別對不同幅值的小波高頻分解系數(shù)進行自適應(yīng)處理。

1 自適應(yīng)改進小波閾值去噪模型

小波閾值法去噪的基本原理是：通過對圖像進行多層次小波變換，保持其中低頻小波分解系數(shù)不變，而對高頻小波分解系數(shù)采用不同的閾值函數(shù)模型進行處理，對處理后的系數(shù)與原始低頻小波系數(shù)進行重構(gòu)。由此可見，該方法最關(guān)鍵的在于閾值函數(shù)模型的設(shè)計。目前最為經(jīng)典的2類模型分別是小波硬、軟閾去噪模型，這類模型通過將高頻小波分解系數(shù)的幅值與預(yù)先設(shè)定的閾值進行比較，對于大于該閾值的小波分解系數(shù)要么完全保留要么減去1個常數(shù)，而對其余的小波分解系數(shù)則用0值代替。計算簡便是這2類模型的最大優(yōu)點，對于圖像中的噪聲去除具有一定的效果，但其缺點也是較為明了的：（1）小波硬閾值去噪模型對于小于閾值的部分小波系數(shù)直接設(shè)定為0，而對于剩余部分的小波系數(shù)則全部予以保留，存在著對圖像信息“一刀切”的傾向；（2）小波軟閾值去噪模型雖然對大于閾值的小波系數(shù)減去某一恒定值，相對于硬閾值函數(shù)模型來說去噪效果有所改善，但是容易導(dǎo)致圖像出現(xiàn)不同程度的失真。針對上述問題，近年來學(xué)者們提出了一系列的改進型模型，大體上有以下2類思路。

（1）基于系數(shù)修正的改進思路。該類模型的代表參見文獻[11]中相關(guān)內(nèi)容：

式中：s為調(diào)節(jié)系數(shù)，s=[0.5，1]；w為小波系數(shù)幅值；t為小波閾值；wj，k為小波分解系數(shù)；j為分解層數(shù)；k為小波系數(shù)方向。

式（5）所定義的小波閾值去噪模型具有以下特點：（1）該模型充分融合了經(jīng)典小波硬、軟閾值去噪模型的特點，設(shè)計了2類閾值，通過將經(jīng)典小波全局閾值與改進的閾值作為閾值的上限、下限，從而將小波高頻分解系數(shù)劃分為3類：高于上限閾值（t2）的則進行自適應(yīng)放處理，低于下限閾值（t1）的則用0值代替，處于2類閾值之間的則進行自適應(yīng)處理。這樣能夠?qū)θ啃〔ǜ哳l分解系數(shù)進行分門別類地處理。（2）對于處于上限、下限閾值之間的小波分解高頻系數(shù)，借鑒了經(jīng)典小波閾值模型的處理思路，即將小波高頻分解系數(shù)減去1個常數(shù)，但本研究改進模型中是通過減去1個能夠隨著小波分解系數(shù)而自適應(yīng)變化的數(shù)值，這就有效避免了經(jīng)典小波軟閾值去噪模型所具有的缺陷。

2 結(jié)果與分析

前面從理論上分析了本研究去噪模型的特征與優(yōu)勢，為了進一步測試本研究模型的實際效果，利用MATLAB語言對該模型進行編程實現(xiàn)，采用2幅蘋果圖像進行去噪試驗。采用小波硬閾值去噪模型、小波軟閾值去噪模型以及文獻[11]、文獻[12]中提出的去噪模型進行去噪效果對比分析，結(jié)果如圖1、圖2所示。

圖1-a、圖2-a分別為2幅添加了高斯噪聲（方差為15%）的蘋果圖像，硬閾值去噪模型處理結(jié)果分別見圖1-b、圖2-b，可見圖像非常模糊，蘋果的輪廓、枝葉根本無法辨認；圖1-c、圖2-c中雖然噪聲強度有所降低，但是圖像整體上仍較模糊，說明小波硬、軟閾值去噪模型無法有效處理農(nóng)業(yè)圖像。相對而言，文獻[11]、文獻[12]中提出的去噪模型處理效果較好，從圖1-d、圖1-e、圖2-d、圖2-e中可以看出，蘋果的輪廓線較清晰；從圖1-d、圖1-e可見，蘋果葉片邊緣基本清晰。圖1-f、圖2-f為本研究模型處理結(jié)果，蘋果果實基本從噪聲中恢復(fù)出來，圖1-f中的蘋果葉片的紋路也能大體辨認，說明本研究模型能夠在剔除圖像中噪聲的同時，對于圖像中輪廓線、葉片紋路等細節(jié)信息的保持是很有效的。在上述試驗過程中，采用信噪比（signal noise ratio，SNR）對研究中各類模型的試驗結(jié)果進行了定量評價，各SNR值（SNR值越大說明模型的去噪效果越佳）統(tǒng)計結(jié)果見表1。endprint

由表1可知，當圖像中的噪聲方差為0.05時，本研究中幾種去噪模型效果均較佳，特別是文獻[11]、文獻[12]中模型的SNR值與本研究去噪模型最為接近，說明對于含有少量噪聲的農(nóng)業(yè)圖像來說，本研究模型僅略占優(yōu)勢。當圖像中噪聲方差為0.10時，上述幾類模型的去噪效果的差別迅速顯現(xiàn)，本研究模型的SNR值遠高于小波硬、軟閾值去噪模型，對于文獻[11]、文獻[12]模型而言，優(yōu)勢也日漸明顯。當圖像中噪聲方差為0.15時， 小波硬、軟閾值去噪模型的SNR值已經(jīng)降低到較低的水平，可以認為對于農(nóng)業(yè)圖像來說基本失效；本研究模型的SNR值高于文獻[11]、文獻[12]模型約 2～3 dB。由此可以認為，本研究模型的去噪效果與其余4類模型相比，略勝一籌。

3 總結(jié)

為了有效處理農(nóng)業(yè)圖像，本研究提出了1種基于自適應(yīng)改進小波閾值模型的去噪方法。該方法充分融入了小波硬、軟閾值去噪模型以及部分已有的改進型小波閾值去噪模型的優(yōu)勢，能夠根據(jù)小波分解層數(shù)的變化而自適應(yīng)性去除圖像中的噪聲。試驗結(jié)果表明，該模型去噪效果較為理想，但是對于圖像中細節(jié)信息的保持效果仍然有待于進一步提高。

參考文獻：

[1]周仕友. 一種結(jié)合小波變換的豆類圖像增強算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（7）：433-435.

[2]姚立健，丁為民，趙三琴，等. 基于SOFM神經(jīng)網(wǎng)絡(luò)的茄子圖像分割方法[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報，2008，31（3）：140-144.

[3]田 杰，胡秋霞，馬孝義. 基于高斯分布改進C-V模型的植物病斑彩色圖像分割[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（16）：166-173.

[4]宋懷波，何東健，龔柳明. 不同光照條件下農(nóng)作物圖像Contourlet域融合方法[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（11）：173-179.

[5]馮 娟，曾立華，劉 剛，等. 融合多源圖像信息的果實識別方法[J]. 農(nóng)業(yè)機械學(xué)報，2014，45（2）：73-80.

[6]陳樹人，鄒華東，吳瑞梅，等. 基于高光譜圖像技術(shù)的稻田苗期雜草稻識別[J]. 農(nóng)業(yè)機械學(xué)報，2013，44（5）：253-257，163.

[7]李春霆. 基于圖像處理與改進神經(jīng)網(wǎng)絡(luò)的大豆品質(zhì)檢測研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（3）：263-266.

[8]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.

[9]Donoho D L，Johnstone I M. Ideal spatial adaption by wavelet shrinkage，Biometrika 81[J]. Biometrika，1994，81（3）：425-455.

[10]Donoho D L. De-noising by soft-thresholding[J]. Information Theory IEEE Transactions on，1995，41（3）：613-627.

[11]董 雪，林志賢，郭太良. 基于LoG算子改進的自適應(yīng)閾值小波去噪算法[J]. 液晶與顯示，2014，29（2）：275-280.

[12]紀 峰，李 翠，常 霞，等. 基于改進閾值函數(shù)的自適應(yīng)圖像去噪方法[J]. 傳感技術(shù)學(xué)報，2014，27（3）：351-354.endprint