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罗印;徐文平
【摘要】实地获取农作物图像对于农作物长势以及病虫害进行监测具有重要作用,对此,结合脊波变换这一多尺度图像分析方法,在图像脊波变换域引入了边界判别噪声检测方法(Boundary discrimination noise detection,BDND),对经典中值滤波算法进行了改进,提出了一种基于脊波变换域BDND改进的中值滤波算法.该方法首先对图像进行多尺度脊波变换,获得了低频和高频分解图像,考虑到低频图像的视觉特征,采用同态滤波方法进行增强处理;然后对高频图像结合区域灰度值分布特征,设定2个自适应阈值,将经过2次噪声检测后处于该2个阈值间的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对视觉效果改善的低频图像和滤波后的高频图像进行逆脊波变换.分别采用C++语言对中值滤波、脊波域阈值去噪以及本文算法进行编程试验.结果表明,本文算法对于农作物图像的滤波效果稍优于其余2种方法.
【期刊名称】《湖北农业科学》
【年(卷),期】2016(000)013
【总页数】4页(P3468-3471)
【关键词】农作物图像;脊波变换;边界判别噪声检测方法;中值滤波;同态滤波;C++语言
【作者】罗印;徐文平
【作者单位】四川托普信息技术职业学院,成都611743;四川托普信息技术职业学院,成都611743
【正文语种】中文
【中图分类】S126;TP391
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。

1.1 中值滤波算法改进方案
图像中的像素点被噪声污染后，其像素灰度值相对于其余像素点灰度值来说，会发生很大的变化（变大或变小），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（灰度值急剧变大或者变小）。

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（BDND）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：①低灰度值像素点群，灰度
值区间为［1，t1］；②中等灰度值像素点群，灰度值区间为（t1，t2）；③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（BDND）［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（i，j）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7×7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（x）｝（x为区域内像素点个数，此处x=49）；
步骤2：获取集合｛V（x）｝灰度中间值Vmed（x），以及对应的索引值Vmed；步骤3：按照V′（i）=V（x+1）-V（x）的计算方法分别计算集合｛V（x）｝中
相邻灰度值的差，将所有差值组成一新的集合｛V′（i）｝（i为集合中元素数目，此处i=48）；
步骤4：在集合｛V′（i）｝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（x）｝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′（i）｝集合中对应的最大值，并将该值与集
合｛V（x）｝中处于相同位置的灰度值设定为阈值t2；
步骤5：滤波区域（大小为7×7）中，若位于（i，j）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3×3，重复进行步骤2至步骤4，若位于（i，j）
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5×5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。

1.2 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7×7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：
按照“1.1”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｛V（48）｝=｛1，7，13，15，25，35，38，48，51，53，53，55，59，60，62，63，63，65，65，67，68，70，71，71，72，72，78，79，79，87，89，92，92，100，103，103，103，107，110，110，111，111，125，132，152，171，175，203，249｝，即可得到该集合的灰度中值为72，对应的索引值Vmed=25；
2）计算集合｛V（48）｝中相邻灰度值的差值，得到集合｛V′（48）｝=｛6，6，2，10，10，3，10，3，2，0，2，4，1，2，1，0，2，0，2，1，2，1，0，1，0，6，1，0，8，2，3，0，8，3，0，4，3，0，1，0，14，7，20，19，4，28，46｝。

3）在集合｛V′（48）｝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｛V（48）｝15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（48）｝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3×3，得到一新矩阵：
同理可以得到又一组阈值t′1，t′2，两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5×5的中值滤波算法进行处理。

2.1 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方法，思路如图1所示。

2.2 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（图2b）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（Peak signal noise to ratio，PSNR）［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估。

针对农作物图像，为了提高判读和分析价值，以茶作物图像为例，提出了一种脊波变换域BDND改进中值滤波算法。

该算法通过对脊波变换后得到的高频图像采用基于BDND改进的中值滤波算法进行滤波，对脊波变换后得到的低频图像采用同态滤波进行增强，在此基础上实现逆脊波变换。

理论分析和试验结果表明，该算法对于农作物图像的处理取得了一定的效果。

【相关文献】
［1］毛丽民，刘叔军，浦宇欢，等.基于FPGA的水果图像增强方法研究［J］.江苏农业科学，2014（6）：395-398.
［2］王晓虹，韦英华.结合Ridgelet变换与Wiener滤波的苹果图像去噪算法［J］.江苏农业科学，2013（10）：373-375.
［3］杨福增，王峥，杨青.基于小波变换的农业图像增强方法研究［J］.农业工程学报，2004，20（3）：124-129.
［4］李京娜，王国宏，王刚.基于光滑分割的局部脊波变换图像去噪算法研究［J］.激光杂志，2012，33（6）：25-27.
［5］张红旗，刘宇，王春光.改进田间杂草识别图像预处理方法的研究［J］.农机化研究，2015（6）：70-73.
［6］张利，张本宏，王跃飞，等.基于总线占有率的FlexRay消息时隙分配方法研究［J］.中国机
械工程，2012，23（6）：699-702.
［7］纪滨，朱伟兴，刘宏坤.猪舍图像局部亮度调整方法［J］.农业工程学报，2013，29（5）：139-146.
［8］张宏群，陶兴龙.基于形态学和分型理论的农产品图像去噪［J］.湖北农业科学，2013，52（5）：168-1170.。