李旭茹，李富忠*，韓冬，徐曉宇

(1.山西農(nóng)業(yè)大學(xué) 軟件學(xué)院，山西 太谷 030801； 2.山西師范大學(xué) 物理信息與工程學(xué)院，山西 臨汾 041000)

?

基于視覺濾波算子的農(nóng)業(yè)圖像去噪研究

李旭茹1，李富忠1*，韓冬2，徐曉宇1

(1.山西農(nóng)業(yè)大學(xué) 軟件學(xué)院，山西 太谷 030801； 2.山西師范大學(xué) 物理信息與工程學(xué)院，山西 臨汾 041000)

[目的]農(nóng)業(yè)圖像中難免存在噪聲，噪聲會干擾有用目標(biāo)的識別。為了準(zhǔn)確提取農(nóng)業(yè)圖像中的有用信息，拓展圖像處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用，有必要去除農(nóng)業(yè)圖像中的噪聲。[方法]本文將一種改進(jìn)的中值濾波與視覺濾波LOG算子結(jié)合起來，用于對農(nóng)業(yè)圖像進(jìn)行去噪。首先，通過LOG算子將圖像分為邊緣圖像和非邊緣圖像，然后采用一種改進(jìn)的加權(quán)中值濾波處理非邊緣圖像，邊緣圖像與處理后的非邊緣圖像融合為最終的去噪圖像。[結(jié)果]利用本算法對農(nóng)業(yè)圖像進(jìn)行測試，與傳統(tǒng)的中值濾波算法進(jìn)行對比，并采用峰值信噪比作為濾波算法性能的客觀評價指標(biāo)，本算法的峰值信噪比高于傳統(tǒng)中值濾波算法8.15%，有更好的降噪效果。[結(jié)論]因此，該算法的濾波效果優(yōu)于傳統(tǒng)中值濾波算法，可有效去除農(nóng)業(yè)圖像中諸多因素產(chǎn)生的噪聲。

農(nóng)業(yè)圖像； LOG； 濾波； 去噪

圖像處理技術(shù)在農(nóng)業(yè)中的應(yīng)用為農(nóng)作物生長、病蟲害監(jiān)測提供了可靠的技術(shù)保障，但是在實際的操作過程中受到農(nóng)作物生長環(huán)境、拍攝硬件、光照等因素的影響[1]，導(dǎo)致獲取的圖像存在失真現(xiàn)象或摻雜著噪聲，圖像的失真勢必會對后期的圖像分割[2]、目標(biāo)識別[3]帶來困難。為了盡可能地提高圖像質(zhì)量，挖掘圖像中的信息，事先對圖像進(jìn)行濾波很有必要。

傳統(tǒng)的中值濾波算法由于對線、尖頂?shù)葓D像的細(xì)節(jié)處理效果不明顯，在去除噪聲的同時易使邊緣信息丟失。根據(jù)人眼視覺理論，人眼對于細(xì)節(jié)變化非常敏感，尤其是邊緣、紋理等，邊緣信息的丟失使得人眼對于圖像的視覺感知下降[4,5]，進(jìn)而判斷圖像質(zhì)量下降。

為此，本文在傳統(tǒng)中值濾波的基礎(chǔ)上提出了一種新的的農(nóng)業(yè)圖像去噪算法。首先，采用最符合人類視覺感知的LOG邊緣檢測算子將圖像分為邊緣圖像和非邊緣圖像，然后將一種改進(jìn)的加權(quán)中值濾波算法用于處理非邊緣圖像，再將邊緣圖像與非邊緣圖像融合為最終的去噪圖像。該算法能夠較好地保留圖像的邊緣特征，提高去噪圖像質(zhì)量。

1 傳統(tǒng)中值濾波方法

傳統(tǒng)的圖像濾波算法就是將帶噪圖像輸入濾波器中，經(jīng)濾波器處理后輸出最后得到的去噪圖像。流程可以描述如圖1所示。

圖1 傳統(tǒng)濾波流程
Fig.1 Traditional filtering process

圖1中的濾波器采用中值濾波器時，就是傳統(tǒng)的中值濾波算法[6,7]。其基本原理是當(dāng)圖像中的某些像素點受到噪聲污染時，以一個像素點為例，將這個像素點選取一定大小的鄰域，對這個鄰域內(nèi)的像素點灰度值進(jìn)行排序，挑出中間的灰度值替換受到污染的像素點，對其余像素點采取類似操作，達(dá)到去除噪聲的目的。假定采用3*3的鄰域模板對圖像進(jìn)行濾波，則對于一幅農(nóng)業(yè)圖像而言，其局部區(qū)域可以抽象的表示成如圖2所示的形式。

圖2 圖像的局部區(qū)域Fig.2 The local area of the image

設(shè)輸入圖像為fij，輸出圖像為gij，則二維中值濾波器的運算式為

gij=medA{fij}

(1)

式中，A為窗口；fij為圖像的二維數(shù)據(jù)序列。假定位于f(i,j)的像素點受到噪聲污染，則將其3*3鄰域內(nèi)的像素點灰度值排序，然后取出中間值代替原來的灰度值，可得到濾波后的輸出值。

該算法的主要特點如下：

(1)計算速度快。對于圖像中受到噪聲污染的像素點，只需要選擇一定大小的濾波模版，在這個模版的鄰域內(nèi)，對這些像素點的灰度值進(jìn)行排序，然后取中間值，沒有過多的復(fù)雜計算，只是簡單的排序和取中間值，因而計算速度更快，濾波的速度也更快。

(2)對孤立噪聲濾波效果好。對于圖像中已受噪聲污染的像素點，尤其是一些孤立分布的噪聲點，在一定的鄰域內(nèi)，與其它像素點的灰度值相差很大，直接采用其它像素點灰度值來取代，從而可以更有效地消除孤立分布的噪聲。

但該中值濾波算法缺乏自適應(yīng)檢測能力，而且對于細(xì)節(jié)較多的圖像，其去噪效果不明顯，且易造成圖像邊緣信息丟失，所以中值濾波結(jié)果存在不確定性，必須對其進(jìn)行改進(jìn)。

2 基于視覺濾波算子的農(nóng)業(yè)圖像去噪算法

本節(jié)所研究的算法就是將一種改進(jìn)的中值濾波與最符合人類視覺感知的邊緣檢測算子LOG結(jié)合起來，用于農(nóng)業(yè)圖像去噪。改進(jìn)的濾波流程圖如圖3所示，首先將加噪圖像通過邊緣檢測后分為邊緣圖像和非邊緣圖像，然后對非邊緣部分濾波，最后邊緣圖像與處理后的非邊緣圖像融合為最終結(jié)果。

圖3 改進(jìn)的濾波流程Fig.3 Improved filtering process

2.1 LOG算子邊緣檢測

由圖3可知，精確區(qū)分邊緣圖像和非邊緣圖像是對加噪圖像進(jìn)行改進(jìn)濾波的前提。利用成熟的算子檢測圖像邊緣，進(jìn)而獲得突出邊緣信息的圖像是目前最便捷和易使用的邊緣檢測方法，如Sobel算子、Prewitt算子、Canny算子和Roberts算子等[8,9]。這些算子目前使用頻率較高，邊緣檢測效果良好，但它們忽視了在選取的圖像封閉輪廓內(nèi)也存在信息，有可能造成圖像部分邊緣信息丟失。與其相比，LOG算子是無方向的，它結(jié)合了拉普拉斯銳化濾波器和高斯平滑濾波器的優(yōu)點，最符合人類的視覺感知。首先對目標(biāo)圖像做先期平滑處理，使噪聲得到抑制，然后再對目標(biāo)圖像進(jìn)行邊緣檢測，使邊緣更加精細(xì)。具體過程為：

(1)假設(shè)原始圖像為f(x,y)，在對原始圖像平滑濾波后獲得圖像g(x,y)：

(2)

其中：h(x,y)為平滑濾波函數(shù)：

(3)

(2)與原始的圖像f(x,y)相比，平滑濾波后的圖像g(x,y)變的模糊，標(biāo)準(zhǔn)差δ的大小影響圖像的模糊程度。

采用拉普拉斯算子對g(x,y)進(jìn)行邊緣檢測，即：

(4)

(5)

2.2 改進(jìn)的加權(quán)中值濾波算法

針對前文提出的中值濾波算法的不足，提出一種改進(jìn)的加權(quán)中值濾波算法。先將彩色圖像進(jìn)行灰度化處理，再通過一組不等式自適應(yīng)檢測圖像中的像素點是否受到噪聲污染；然后將存在噪聲的像素點剔除掉，最后將沒有噪聲的像素點與受到噪聲污染的像素點的歐式距離進(jìn)行加權(quán)濾波。以圖2所示圖像結(jié)構(gòu)為例，采用改進(jìn)后的算法進(jìn)行濾波，方法如下。

(1)將彩色圖像灰度化處理，并計算區(qū)域內(nèi)像素點灰度值的平均值。

(2)自適應(yīng)檢測噪聲。通過一組不等式判斷哪些像素點是噪聲點。

(6)

(3)將3*3區(qū)域內(nèi)的像素點根據(jù)公式(6)檢測完成后，將噪聲點刪除。其余像素點被組成一個集合，并分別根據(jù)公式(7)求取參數(shù)：

(7)

其中：fmed是計算集合M*中像素點灰度值的平均值，faverage是計算像素點灰度值的平均值。

(4)分別計算出圖2所示圖像中中心點像素與集合M*中各像素點的歐式距離，分別為l1,l2,l3,…,ln(0

(5)按下列公式進(jìn)行加權(quán)濾波

(8)

其中，f*為圖2中心點濾波值；f1,f2,f3,…,fn為集合M*中像素點灰度值。

(6)最終噪聲點濾波值計算

(9)

(7)重復(fù)上述6個步驟，直到圖像中所有區(qū)域都濾波完畢。

2.3 算法思路

整個濾波算法可分為如下幾步：

步驟1：通過LOG算子對獲取到的農(nóng)業(yè)圖像的邊緣進(jìn)行檢測，就能夠獲得邊緣和非邊緣圖像。因為在獲取到的圖像中存在程度不同的噪聲，因此檢測后得到的邊緣圖像也會存在不同程度的噪聲點。采用LOG算子提取邊緣首先要做圖像的平滑處理，會在一定程度上抑制噪聲。

步驟2：運用改進(jìn)的加權(quán)中值濾波處理非邊緣圖像，根據(jù)未受到噪聲污染的像素點與受到噪聲污染的像素點幾何距離的遠(yuǎn)近做加權(quán)濾波，以達(dá)到對非邊緣圖二次去噪的目的。

步驟3：將邊緣圖像與去噪后的非邊緣圖像結(jié)合，就能得到最終濾波后農(nóng)業(yè)圖像。

3 試驗結(jié)果與分析

采用MATLABR2015b軟件對圖像進(jìn)行處理。本文采用如圖4所示的圖像進(jìn)一步測試算法的去噪性能，并與傳統(tǒng)中值濾波算法進(jìn)行去噪結(jié)果比對。為了更直觀的判別去噪效果，引用了峰值信噪比PSNR(Peak Signal Noise Ratio)[10～12]進(jìn)行客觀評估，PSNR值越大，說明去噪后圖像的質(zhì)量越好，算法的性能越高。原始圖像如圖4所示。

圖4 原始圖像Fig.4 The original images

為了模擬實際中農(nóng)業(yè)圖像受噪聲污染的情形，更客觀的測試本算法的去噪性能，在試驗中，人為地對原始圖像添加一定程度的隨機噪聲(密度為10%，方差為10%)，加噪后的圖像如圖5所示。

圖5 加噪后的圖像Fig.5 Images after noising

將加噪后的圖像分別用傳統(tǒng)中值算法濾波和本文所述算法處理比較，結(jié)果如圖6所示。

圖6 濾波結(jié)果對比Fig.6 Comparison of filter results

由圖6可知，用本文所述算法濾波后圖像的清晰度明顯優(yōu)于傳統(tǒng)算法，且果實邊緣連續(xù)性較強。通過傳統(tǒng)濾波算法獲得的圖像表面仍有噪點，圖像清晰度低，與原圖相比，經(jīng)過濾波后邊緣反而變得模糊。

本文用PSNR(峰值信噪比)進(jìn)行評估，驗證過程如表1所示。

表1 算法的PSNR對比

由表1可知，當(dāng)噪聲方差相等時，對每幅圖像，通過本算法得到的PSNR值高于傳統(tǒng)中值濾波算法。當(dāng)隨機噪聲方差不同時，在濾波過程中，各自的PSNR值下降幅度也不同，中值濾波下降了約2 dB。經(jīng)過比對，本算法的PSNR值僅下降了約1 dB。因此，本文研究的算法不僅在去噪效果上優(yōu)于傳統(tǒng)中值濾波算法，而且對含有高強度噪聲的農(nóng)業(yè)圖像同樣有較強的去噪性能。

4 結(jié)論

為了更好地處理農(nóng)業(yè)圖像，本文提出了一種改進(jìn)的、基于視覺濾波算子的農(nóng)業(yè)圖像去噪的濾波算法。試驗結(jié)果和算法實驗數(shù)據(jù)分析表明，采用本算法對蘋果圖像(噪聲方差為10%)進(jìn)行去噪處理，消噪后圖像與含噪圖像的PSNR值高于傳統(tǒng)算法8.15%，有更好的降噪效果。當(dāng)隨機噪聲方差不同時，在濾波過程中，本算法PSNR的下降幅度值也小于傳統(tǒng)中值濾波算法不同，這不但能提高農(nóng)業(yè)圖像的利用率，而且也能為其他圖像的去噪問題提供一定的借鑒和參考。

[1]劉海峰,張超,羅江,等.一種用于中值濾波的改進(jìn)均值劃分算法[J].計算機系統(tǒng)應(yīng)用,2017,26(3):162-168.

[2]周俊,王明軍,邵喬林.農(nóng)田圖像綠色植物自適應(yīng)分割方法[J].農(nóng)業(yè)工程報,2013,29(18):163-170.

[3]梁寅,張云偉,李軍營.基于支持向量機的云煙87煙葉成熟度高光譜遙感識別[J].西南農(nóng)業(yè)學(xué)報，2013,26(3):957-962.

[4]陳義如.基于人眼視覺特性的視頻質(zhì)量評價方法研究[D].西安:西安電子科技大學(xué),2014.

[5]張錚,倪紅霞,苑春苗,等.精通matlab數(shù)字圖像處理與識別[M].北京:人民郵電出版社,2013:354-378.

[6]劉華鋒,蘇艷剛.結(jié)合邊緣檢測的農(nóng)業(yè)圖像非局部均值濾波算法[J].江蘇農(nóng)業(yè)科學(xué),2015,43(6):402-403,447.

[7]徐欣,劉寶鍾.基于改進(jìn)Prewitt算子的農(nóng)業(yè)圖像去噪算法[J].江蘇農(nóng)業(yè)科學(xué),2016,44(1):406-408.

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

[9]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.

[10]潘玫玫.基于自適應(yīng)改進(jìn)小波閾值模型的農(nóng)業(yè)圖像去噪[J].江蘇農(nóng)業(yè)科學(xué),2015,43(10):504-506.

[11]王小兵,孫久運,湯海燕.基于小波變換的圖像混合噪聲自適應(yīng)濾波算法[J].微電子學(xué)與計算機,2012,29(6):91-95.

[12]田艷娜.基于雜交小波變換的農(nóng)業(yè)圖像去噪算法研究[D].楊凌：西北農(nóng)林科技大學(xué),2011.

(編輯：李曉斌)

Agricultural image denoising research based on visual filter operator

Li Xuru1, Li Fuzhong1*, Han Dong2, Xu Xiaoyu1

(1.CollegeofSoftware,ShanxiAgriculturalUniversity,Taigu030800,China; 2.CollegeofPhysicalInformationandEngineeingr,ShanxiNormalUniversity,Linfen041000,China)

[Objective]Agricultural images exist noise unavoidablyand noise can interfere with the identification of useful targets. In order to extract the useful information in agricultural images accurately and expand the application of image processing technology in agricultural engineering, it is necessary to remove the noise in agricultural images.[Methods]In this paper, the algorithm studied was to combine an improved median filter with the visual filter operator LOG for denoising agricultural images. Firstly, the image was divided into edge image and non-edge image by LOG operator. Then, an improved weighted median filter was used to deal with the non-edge image. Finally, the edge image was combined with the processed non-edge image as the final denoising image.[Result]Apply this algorithm to the agricultural images to test the performance of the filtering algorithm, compared with the traditional median filter algorithm, and use the peak signal to noise ratio as the objectivity evaluation, the proposed algorithm’s peak signal-to-noise ratio was 8.15%，Was higher than the traditional median filtering algorithm, and had better noise reduction effect.[Conclusion]The algorithm of thismethod was better than the traditional median filtering algorithm, and could remove the noise generated by many factors in agricultural image effectively.

Agricultural Images, LOG, Filter, Denoising

2017-05-22

2017-06-09

李旭茹(1990-)，女(漢)，山西呂梁人，助教，碩士，研究方向：圖像處理與識別

*通信作者：李富忠，教授，博士生導(dǎo)師，Tel:13734008985;E-mail:sxaulfz@126.com

國家自然科學(xué)基金(61503231)；山西農(nóng)業(yè)大學(xué)科技創(chuàng)新基金(2016009)

TP391.4

A

1671-8151(2017)09-0670-04