基于脊波变换域bdnd的农作物图像改进中值滤波算法

1/7基于脊波变换域BDND的农作物图像改进中值滤波算法基于脊波变换域BDND的农作物图像改进中值滤波算法各类农作物图像因成像光照不足，而出现图像对比度较低的现象，图像中感兴趣的目标信息不明显；此外，图像拍摄后在传输、解码过程中也不可避免地会混入一些随机噪声。上述因素决定了对于实地获取的各类农业图像进行预处理十分必要。近年来，学者们借鉴已有的大量计算机图像处理算法，针对各类农业图像，提出了一些卓有成效的方法，如毛丽民等1基于FPGA研究了水果图像增强方法；王晓虹等2将脊波变换域维纳滤波相结合实现对苹果图像的有效滤波；杨福增等3将小波变换应用于增强农业图像，取得了较好效果。该类方法分别将图像噪声滤除和对比度改善拆分成2个方面分别加以研究，不利于提高图像的处理效果。因此，鉴于脊波变换具有较好的图像多分辨率分析功能4，本研究将脊波变换与改进中值滤波相结合，以茶作物图像为例，对农作物图像处理方法进行研究。1方法原理中值滤波算法改进方案图像中的像素点被噪声污染后，其像素灰度值相对2/7于其余像素点灰度值来说，会发生很大的变化，即像素点灰度值发生异常，特别是图像中受到椒盐噪声污染时，受到污染的噪声像素点会发生巨大的变化。基于这一原理，中值滤波算法通过将滤波区域限定于以噪声点为中心一定尺寸的范围之内，通过将该范围内的所有像素点的灰度值按照大小生成灰度值序列，将位于该序列中间位置的灰度值用来替换受噪声污染的像素点灰度值，以完成滤波5。该算法的处理结果充分顾及了图像中像素点间的关联性，具有较高的滤波效率。该算法尽管对于受到噪声污染的像素点能够进行高效滤波，但是在滤波过程中，通常是对图像中所有像素点分别进行处理，从而导致图像中相当一部分并未受到噪声污染的像素点被当做噪声点被滤除，最终导致经过中值滤波后的图像丢失了大量信息，降低了图像后续判读、分析的价值。针对中值滤波的上述缺陷，本研究提出了一种改进方案，即通过对该算法添加一套噪声检测环节，预先对图像中各像素点灰度值进行有效判别，将受到噪声污染的像素点进行标记，在此基础上再进行中值滤波，不但可提高滤波效率，而且有助于大幅度改善滤波后图像的视觉效果。边界判别噪声检测方法通过设定2个自适应阈值T1，T2，将图像中像素点划分成3类低灰度值像素点群，灰度值区间为1，T1；中等灰度值像素点群，灰度值区间为；3/7高灰度值像素点群，灰度值区间为T2，255。BDND方法在噪声检测过程中，对于落入0，T1和T2，255内的像素点均标记为噪声像素点，从而提高了图像中噪声像素点的识别效率。基于上述改进方案，引入边界判别噪声检测方法6来对中值滤波算法进行改进，具体步骤如下步骤1对图像中处于位置的像素点是否受到噪声污染进行判别，以该点为中心，取大小为77的滤波区域，将该区域内所有像素点的灰度值按照大小排列，得到集合V；步骤2获取集合V灰度中间值VMED，以及对应的索引值VMED；步骤3按照VVV的计算方法分别计算集合V中相邻灰度值的差，将所有差值组成一新的集合V；步骤4在集合V中，在索引区间0，VMED）上找到该集合中对应的最大值，并将该值与集合V中处于相同位置的灰度值设定为阈值T1；在索引区间VMED，I上，找到V集合中对应的最大值，并将该值与集合V中处于相同位置的灰度值设定为阈值T2；步骤5滤波区域中，若位于位置的像素点灰度值处于区间T1，T2内，则将该像素点标记为疑似非噪声点，反之标记为疑似噪声点；步骤6将滤波区域大小缩减成33，重复进行步4/7骤2至步骤4，若位于位置的像素点仍被标记为疑似非噪声点，那么该像素点即可认本文由论文联盟HTTP/收集整理为没有受到噪声的污染；否则，则将该像素点标记为噪声点，采用55大小的滤波窗口进行中值滤波；步骤7重复执行步骤1至步骤5，完成图像中所有像素点的判别。1中值滤波改进方案实例说明设一幅图像受到随机噪声的污染，取其中大小为77任意区域，对本研究中值滤波改进方案进行实例说明。该区域组成的灰度值矩阵如下A2051169101101262581110152911110171411059192131010015651031748129510按照“”提出的思路，具体步骤如下1）将矩阵A中除中心像素点灰度值进行大小排序，即得到集合V1，7，13，15，25，35，38，8，51，53，53，55，59，60，62，63，63，65，65，67，68，70，1，71，72，72，78，79，79，87，89，92，92，100，103，103，103，107，110，110，111，111，125，132，152，171，175，203，249，即可得到该集合的灰度中值为72，对应的索引值VMED25；2）计算集合V中相邻灰度值的差值，得到集合5/7V6，6，2，10，10，3，10，3，2，0，2，4，1，2，1，0，2，0，2，1，2，1，0，1，0，6，1，0，8，2，3，0，8，3，0，4，3，0，1，0，14，7，20，19，4，28，46。3）在集合V中，索引区间0，25）上的最大值为10，此时对应了集合中3组数据，即15与25；25与35；38与48，按照取小原则，在索引区间的最大值认为由集合中V15与25作差产生，于是可得阈值T1为15；在索引区间25，48上的最大值为46，即由集合V中203与249作差产生，即阈值T2为203。4）由此可见，矩阵A的中心像素点灰度值为249，不处于区间15，203上，则将该点标记为疑似噪声点；5）将矩阵A尺寸缩减为33，得到一新矩阵A1110317141102132同理可以得到又一组阈值T1，T2，两者所组成的阈值区间为53，203，可见，矩阵中心点的灰度值仍不属于该区间，因此可以将该像素点标记为噪声像素点，对该点采用窗口大小为55的中值滤波算法进行处理。算法思路及试验结果分析算法思路经过上述分析，本研究将改进后的中值滤波引入到脊波变换域中，以茶作物图像为例，探讨农作物图像处理6/7方法，思路如图1所示。2试验结果分析为了对本研究所提出的茶作物图像处理算法的有效性进行测试，并与相关算法进行比较，采用C语言分别对中值滤波、脊波变换域阈值去噪算法2以及本研究算法分别进行编程试验，结果见图2。由图2可知，对含有30随机噪声的茶作物图像分别进行中值滤波和脊波域阈值去噪算法2处理，结果分别如图2C和图2D所示，图2中尽管叶片从噪声中分离出来，但叶片信息与背景信息对比度不强，并且图中依然存在大量噪声。图2E为本研究算法处理的结果，可以看出，一方面图中噪声绝大部分已经不存在；另一方面叶片边缘清晰，且背景具有较高的对比度。这是因为改进中值滤波算法成功引入了BDND方法，通过对图像中每一个像素点进行有效判断，提高了滤波的针对性，使得滤波后图像中诸如叶片边缘等目标信息依然保持完好。以上从视觉效果对试验结果进行分析，以下通过定义峰值信噪比7，8这一通用的图像质量评估指标对上述试验结果进行客观评估。该指标通过计算处理后的图像与原始图像之间的差值来对处理后图像的质量进行评估，即PSNR值越大则说明处理后的图像与原始图像差别越小，处理后的图像质量则越高。PSNR评估结果如表1所示。由表1可知，对含有不同程度随机噪声的茶作物图7/7像处理，本研究算法的PSNR值均高于其余两者，说明该算法的有效性。另外，特别是图像中含有30的随机噪声时，脊波域阈值去噪算法2的PSNR值高于中值滤波，从这个角度讲，前者处理后的图像清晰度要优于后者处理后的图像，但从图2C和图2D可知，两者均有一定程度的模糊，肉眼无法区分两者的差别。由此看来，只有将主观和客观方法相结合才能对图像质量进行准确评