李楠　張為

摘要：對(duì)農(nóng)產(chǎn)品檢測(cè)過(guò)程中所獲得的視覺(jué)圖像中時(shí)常出現(xiàn)的噪聲濾波問(wèn)題進(jìn)行研究，以薯類視覺(jué)圖像為例提出了一種基于提升小波變換的自適應(yīng)濾波算法。該算法首先采用分解、預(yù)測(cè)、更新對(duì)噪聲圖像進(jìn)行單層提升小波變換，保留低頻分解系數(shù)不變；其次對(duì)高頻分解系數(shù)采用自適應(yīng)Canny邊緣算子進(jìn)行邊緣輪廓提取，保留邊緣輪廓，對(duì)圖像剩余部分進(jìn)行有針對(duì)性地自適應(yīng)濾波；再提出一種新型小波閾值函數(shù)模型對(duì)低頻分解系數(shù)進(jìn)行噪聲抑制，最后進(jìn)行分解系數(shù)重構(gòu)。為了進(jìn)一步改善濾波后圖像的視覺(jué)效果，采用自適應(yīng)同態(tài)濾波進(jìn)行增強(qiáng)處理。仿真結(jié)果表明，該算法對(duì)薯類等農(nóng)產(chǎn)品視覺(jué)圖像中噪聲的處理比小波閾值法、自適應(yīng)中值濾波算法有優(yōu)勢(shì)。

關(guān)鍵詞：農(nóng)產(chǎn)品視覺(jué)圖像；提升小波變換；自適應(yīng)Canny檢測(cè)算子；自適應(yīng)濾波；小波閾值函數(shù)；自適應(yīng)同態(tài)濾波

中圖分類號(hào)： S126；TP391；TN911.73文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）01-0376-03

收稿日期：2013-08-24

作者簡(jiǎn)介：李楠（1976—），女，河北定縣人，碩士，講師，從事計(jì)算機(jī)圖形圖像處理研究。E-mail：linan2013vip@126.com?，F(xiàn)階段，采用機(jī)器人實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品的自動(dòng)化檢測(cè)逐漸取代了傳統(tǒng)的手工方法，機(jī)器人實(shí)現(xiàn)農(nóng)產(chǎn)品檢測(cè)具有實(shí)時(shí)、客觀等優(yōu)點(diǎn)[1-2]，基本原理是通過(guò)對(duì)待檢測(cè)的農(nóng)產(chǎn)品實(shí)時(shí)獲取視覺(jué)圖像，再通過(guò)內(nèi)置程序?qū)崿F(xiàn)對(duì)圖像進(jìn)行定性定量分析。然而，由于農(nóng)產(chǎn)品本身的顏色、形狀、大小以及成像條件等因素的干擾，所獲取的圖像或多或少受到噪聲的影響，如果不首先對(duì)該類圖像進(jìn)行預(yù)處理，必將會(huì)影響最終的檢測(cè)結(jié)果。本研究在對(duì)提升小波變換理論深入分析的基礎(chǔ)上，將其引入到農(nóng)產(chǎn)品視覺(jué)圖像處理領(lǐng)域，將圖像濾波與增強(qiáng)技術(shù)有機(jī)結(jié)合，提出了一種圖像噪聲自適應(yīng)濾波算法。該算法可對(duì)提升小波變換后的低頻分解系數(shù)和高頻分解系數(shù)分別進(jìn)行處理，突破了以往低頻分解系數(shù)不作處理的固有思維模式，采用新型閾值函數(shù)進(jìn)行處理；對(duì)高頻分解系數(shù)采用Canny算子進(jìn)行邊緣輪廓提取后，進(jìn)行有針對(duì)性的自適應(yīng)濾波，并在此基礎(chǔ)上進(jìn)行系數(shù)重構(gòu)。針對(duì)濾波后圖像視覺(jué)效果不理想的問(wèn)題，采用自適應(yīng)同態(tài)濾波算法進(jìn)行處理，以最大限度改善圖像對(duì)比度。

1提升小波變換

20世紀(jì)90年代中期，學(xué)者Sweldens在對(duì)傳統(tǒng)小波變換研究的基礎(chǔ)上提出了一種小波提升策略（lifting scheme）[3]，據(jù)此構(gòu)建了一種新型小波變換方法，一般稱之為提升小波變換（lifting wavelet transform，LWT）[4-5]。LWT繼承了傳統(tǒng)小波變換的優(yōu)點(diǎn)，并具備了不依賴于傅立葉變換的優(yōu)點(diǎn)，即對(duì)時(shí)域的圖像信號(hào)可直接進(jìn)行利用，這是經(jīng)典小波變換不具備的。LWT對(duì)圖像的處理與分析是通過(guò)將其進(jìn)行分解（split）、預(yù)測(cè)（predict）、更新（update）等環(huán)節(jié)獲得若干個(gè)基本模塊的基礎(chǔ)上分步實(shí)現(xiàn)的。

步驟1：分解（split）。對(duì)于任一圖像信號(hào)S（N），將其分解為2個(gè)互無(wú)交集的奇、偶集合，S（1）（N）=S（2N+1），S（2）（N）=S（2N），那么圖像信號(hào)的分解過(guò)程為：

Split[S（N）]=[S（1）（2N+1）；S（2）（2N）]（1）

其中，S（1）（2N+1）為信號(hào)奇數(shù)序列，S（2）（2N）為信號(hào)偶數(shù)序列。

步驟2：預(yù)測(cè)（predict）。一般情形下，圖像任意一點(diǎn)的灰度值可通過(guò)相鄰的若干點(diǎn)灰度值借助某種算子進(jìn)行預(yù)測(cè)?？刹捎门紨?shù)信號(hào)序列S（2）（2N）借助預(yù)測(cè)算QN 對(duì)奇數(shù)信號(hào)序列S（1）（2N+1）進(jìn)行預(yù)測(cè)：若存在S（1）（2N+1）=QN[S（2）（N）]則將預(yù)測(cè)值代替S（1）（2N+1）；若存在ξ（N）=S（1）（2N+1）-QN[S（1）（2N）]，則差值ξ（N）代表了原始圖像信號(hào)的高頻信息，將其代替S（1）（2N+1），即完成對(duì)奇數(shù)信號(hào)序列的預(yù)測(cè)。

步驟3：更新（update）。通過(guò)“步驟2”獲得的預(yù)測(cè)值ξ（N） 未必能完全反映原始圖像信號(hào)S（N）所具有的特征，對(duì)此可引入一種序列更新因子w～，以便獲得一個(gè)與原始圖像信號(hào)最為接近的數(shù)據(jù)集合，最終的更新序列可表示成：

η（N）=S（2）（2N）+w～[ξ（N）]（2）

步驟1～步驟3構(gòu)成了LWT的正向變換，與經(jīng)典小波變換類似，也存在相應(yīng)的反向變換，可分別定義如下：

ξ（N）=S（1）（2N+1）-[S（2）（2N）+S（2）（2N+2）12]

η（N）=S（2）（2N）+[ξ（N）+ξ（N-1）+214]（3）

S（1）（2N+1）=η（N）+[S（2）（2N）+S（2）（2N+2）12]

S（2）（2N）=η（N）-[ξ（2N）+ξ（2N+2）+214]（4）

2濾波算法實(shí)現(xiàn)步驟

本研究的濾波流程如圖1所示。

步驟1：對(duì)含有不同強(qiáng)度的顆粒噪聲進(jìn)行單層LWT，獲得低頻和高頻的LWT系數(shù)。

步驟2：對(duì)高頻LWT系數(shù)進(jìn)行如下處理：（1）由于高頻LWT系數(shù)含有大量的噪聲，可對(duì)該類系數(shù)采用Canny算子進(jìn)行邊緣輪廓提取，獲得圖像高頻部分信息的基本輪廓。通過(guò)這一處理，圖像高頻分解系數(shù)分成了邊緣輪廓信息以及非邊緣輪廓信息2個(gè)部分；（2）針對(duì)非邊緣輪廓的LWT系數(shù)部分，由于不存在圖像的邊緣輪廓點(diǎn)，該部分若出現(xiàn)極值點(diǎn)就可認(rèn)定為噪聲點(diǎn)，但為了提高計(jì)算效率，可采用如下探測(cè)方法進(jìn)行噪聲點(diǎn)的識(shí)別：

Noise[S（i，j）]=Noise S（i，j）=255，0

Others 0

（3）對(duì)于探測(cè)到的噪聲點(diǎn)，若噪聲點(diǎn)個(gè)數(shù)少于2，則取窗口中其余非噪聲點(diǎn)的像素值均值代替該點(diǎn)灰度值輸出；反之則將該窗口中非噪聲點(diǎn)像素值進(jìn)行大小排序，取中間值作為噪聲點(diǎn)灰度值輸出。

步驟3：對(duì)于低頻LWT分解系數(shù)，雖較少受到噪聲的干擾，若忽略該部分噪聲，則對(duì)濾波后的圖像質(zhì)量產(chǎn)生一定影響。針對(duì)該部分噪聲，本研究提出了一種新型閾值函數(shù)模型：

ω～j，k=wj，k|wj，k|≥T2

α·sgnwj，k·（|wj，k|-μ）+（1-α）·wj，kT1<|wj，k|

sgnwj，k·（|wj，k|-μ）|wj，k|≤T1（6）

式中：wj，k為該部分系數(shù)幅值，α為閾值函數(shù)修正因子且α∈（0，1），μ為常數(shù)，閾值T=σlogn。大量試驗(yàn)結(jié)果表明，當(dāng)α取0.5，μ=1/2·T1，T1=1/3·T，T2=2/3·T，對(duì)視頻監(jiān)控圖像處理效果較為理想。因此上述函數(shù)模型可具體化成： ω～j，k=wj，k|wj，k|≥2/3·T

1/2·sgnwj，k·（|wj，k|-1/2·1/3·T）+1/2·wj，k1/3·T<|wj，k|<2/3·T

sgnwj，k·（|wj，k|-μ）|wj，k|≤1/3·T（7）

步驟4：對(duì)經(jīng)過(guò)“步驟2”和“步驟3”處理的高頻LWT系數(shù)、低頻LWT系數(shù)進(jìn)行反向LWT，從而獲得去噪后圖像。

步驟5：對(duì)“步驟4”所獲得的濾波后圖像采用自適應(yīng)同態(tài)濾波進(jìn)行增強(qiáng)處理，以進(jìn)一步改善圖像的視覺(jué)效果，提高圖像的對(duì)比度。

3試驗(yàn)仿真

采用2幅隨機(jī)拍攝的薯類視覺(jué)圖像對(duì)本研究濾波算法進(jìn)行性能檢驗(yàn)。向圖像中加入不同強(qiáng)度隨機(jī)噪聲，引入峰值信噪比（PSNR）[6]對(duì)濾波結(jié)果進(jìn)行定量評(píng)價(jià)，采用文獻(xiàn)[7]的改進(jìn)閾值去噪法以及文獻(xiàn)[8]的自適應(yīng)中值濾波法與本研究算法進(jìn)行定性比較，結(jié)果如圖2、圖3及表1所示。

圖2-a、圖3-a分別受到30%、40%的隨機(jī)噪聲干擾，采用文獻(xiàn)[7]中的改進(jìn)小波閾值法處理后有了一定程度的改善，但圖中的馬鈴薯輪廓仍模糊不清，表明小波閾值法對(duì)該類噪聲處理效果不是很理想。文獻(xiàn)[8]中自適應(yīng)中值濾波算法由于增加了噪聲的檢測(cè)環(huán)節(jié)，相對(duì)于前者而言，濾波效果有了一定程度改善，圖2-d和圖3-d中的馬鈴薯輪廓基本顯現(xiàn)出來(lái)，但殘留噪聲強(qiáng)度仍較大。相對(duì)于前2類濾波算法，本研究濾波算法兼顧圖像濾波和圖像增強(qiáng)2個(gè)方面，實(shí)現(xiàn)了對(duì)圖像噪聲濾波和視覺(jué)效果改善兩個(gè)環(huán)節(jié)，優(yōu)勢(shì)較明顯。這表現(xiàn)為圖2-e和圖3-e中噪聲基本不存在，其視覺(jué)對(duì)比度與各自原始圖像差異不明顯，說(shuō)明本研究濾波算法能高質(zhì)量地實(shí)現(xiàn)對(duì)該類視覺(jué)噪聲圖像的復(fù)原處理。本研究濾波算法對(duì)不同強(qiáng)度噪聲濾波的PSNR值均高于其他2類算法，這也佐證了上述結(jié)論。

4小結(jié)

本研究為實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品薯類視覺(jué)圖像中的噪聲進(jìn)行有效抑制，提出了一種基于提升小波變換的自適應(yīng)濾波算法。該算法將濾波與增強(qiáng)處理有機(jī)結(jié)合，仿真結(jié)果表明，它能實(shí)現(xiàn)對(duì)該類視覺(jué)噪聲圖像的高質(zhì)量復(fù)原，對(duì)提高農(nóng)產(chǎn)品視覺(jué)圖像處

參考文獻(xiàn)：

[1]邢航，張鐵民，漆海霞，等. 薯類農(nóng)產(chǎn)品視覺(jué)圖像的去噪方法[J]. 農(nóng)機(jī)化研究，2012，34（7）：43-47，52.

[2]梁亦強(qiáng)，李正明，孫俊. 一種新的小波圖像降噪方法在農(nóng)業(yè)采摘中的應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)，2010，38（4）：2061-2063.

[3]Sweldens W. The lifting scheme：a construction of second generation wavelets[J]. SIAM J Math Analy，1997，9（2）：511-546.

[4]穆瑩，王學(xué)軍. 基于提升小波變換的醫(yī)學(xué)圖像融合算法[J]. 石家莊鐵道大學(xué)學(xué)報(bào)，2010，23（4）：58-60，71.

[5]周西峰，肖武，郭前崗. 基于提升小波的超聲信號(hào)降噪方法[J]. 探測(cè)與控制學(xué)報(bào)，2012，34（4）：43-46.

[6]王小兵，孫久運(yùn)，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(jì)算機(jī)，2012，29（6）：91-95.

[7]劉艷霞，董蓓蓓，劉鈺，等. 基于小波閾值的醫(yī)學(xué)圖像去噪研究[J]. 電視技術(shù)，2012，36（19）：183-185.

[8]孫海英，李鋒，商慧亮. 改進(jìn)的變分自適應(yīng)中值濾波算法[J]. 電子與信息學(xué)報(bào)，2011，33（7）：1743-1747.尹珂，肖軼. 多尺度土地利用優(yōu)化系統(tǒng)構(gòu)建[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：379-382.

步驟3：對(duì)于低頻LWT分解系數(shù)，雖較少受到噪聲的干擾，若忽略該部分噪聲，則對(duì)濾波后的圖像質(zhì)量產(chǎn)生一定影響。針對(duì)該部分噪聲，本研究提出了一種新型閾值函數(shù)模型：

ω～j，k=wj，k|wj，k|≥T2

α·sgnwj，k·（|wj，k|-μ）+（1-α）·wj，kT1<|wj，k|

sgnwj，k·（|wj，k|-μ）|wj，k|≤T1（6）

式中：wj，k為該部分系數(shù)幅值，α為閾值函數(shù)修正因子且α∈（0，1），μ為常數(shù)，閾值T=σlogn。大量試驗(yàn)結(jié)果表明，當(dāng)α取0.5，μ=1/2·T1，T1=1/3·T，T2=2/3·T，對(duì)視頻監(jiān)控圖像處理效果較為理想。因此上述函數(shù)模型可具體化成： ω～j，k=wj，k|wj，k|≥2/3·T

1/2·sgnwj，k·（|wj，k|-1/2·1/3·T）+1/2·wj，k1/3·T<|wj，k|<2/3·T

sgnwj，k·（|wj，k|-μ）|wj，k|≤1/3·T（7）

步驟4：對(duì)經(jīng)過(guò)“步驟2”和“步驟3”處理的高頻LWT系數(shù)、低頻LWT系數(shù)進(jìn)行反向LWT，從而獲得去噪后圖像。

步驟5：對(duì)“步驟4”所獲得的濾波后圖像采用自適應(yīng)同態(tài)濾波進(jìn)行增強(qiáng)處理，以進(jìn)一步改善圖像的視覺(jué)效果，提高圖像的對(duì)比度。

3試驗(yàn)仿真

采用2幅隨機(jī)拍攝的薯類視覺(jué)圖像對(duì)本研究濾波算法進(jìn)行性能檢驗(yàn)。向圖像中加入不同強(qiáng)度隨機(jī)噪聲，引入峰值信噪比（PSNR）[6]對(duì)濾波結(jié)果進(jìn)行定量評(píng)價(jià)，采用文獻(xiàn)[7]的改進(jìn)閾值去噪法以及文獻(xiàn)[8]的自適應(yīng)中值濾波法與本研究算法進(jìn)行定性比較，結(jié)果如圖2、圖3及表1所示。

圖2-a、圖3-a分別受到30%、40%的隨機(jī)噪聲干擾，采用文獻(xiàn)[7]中的改進(jìn)小波閾值法處理后有了一定程度的改善，但圖中的馬鈴薯輪廓仍模糊不清，表明小波閾值法對(duì)該類噪聲處理效果不是很理想。文獻(xiàn)[8]中自適應(yīng)中值濾波算法由于增加了噪聲的檢測(cè)環(huán)節(jié)，相對(duì)于前者而言，濾波效果有了一定程度改善，圖2-d和圖3-d中的馬鈴薯輪廓基本顯現(xiàn)出來(lái)，但殘留噪聲強(qiáng)度仍較大。相對(duì)于前2類濾波算法，本研究濾波算法兼顧圖像濾波和圖像增強(qiáng)2個(gè)方面，實(shí)現(xiàn)了對(duì)圖像噪聲濾波和視覺(jué)效果改善兩個(gè)環(huán)節(jié)，優(yōu)勢(shì)較明顯。這表現(xiàn)為圖2-e和圖3-e中噪聲基本不存在，其視覺(jué)對(duì)比度與各自原始圖像差異不明顯，說(shuō)明本研究濾波算法能高質(zhì)量地實(shí)現(xiàn)對(duì)該類視覺(jué)噪聲圖像的復(fù)原處理。本研究濾波算法對(duì)不同強(qiáng)度噪聲濾波的PSNR值均高于其他2類算法，這也佐證了上述結(jié)論。

4小結(jié)

本研究為實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品薯類視覺(jué)圖像中的噪聲進(jìn)行有效抑制，提出了一種基于提升小波變換的自適應(yīng)濾波算法。該算法將濾波與增強(qiáng)處理有機(jī)結(jié)合，仿真結(jié)果表明，它能實(shí)現(xiàn)對(duì)該類視覺(jué)噪聲圖像的高質(zhì)量復(fù)原，對(duì)提高農(nóng)產(chǎn)品視覺(jué)圖像處

參考文獻(xiàn)：

[1]邢航，張鐵民，漆海霞，等. 薯類農(nóng)產(chǎn)品視覺(jué)圖像的去噪方法[J]. 農(nóng)機(jī)化研究，2012，34（7）：43-47，52.

[2]梁亦強(qiáng)，李正明，孫俊. 一種新的小波圖像降噪方法在農(nóng)業(yè)采摘中的應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)，2010，38（4）：2061-2063.

[3]Sweldens W. The lifting scheme：a construction of second generation wavelets[J]. SIAM J Math Analy，1997，9（2）：511-546.

[4]穆瑩，王學(xué)軍. 基于提升小波變換的醫(yī)學(xué)圖像融合算法[J]. 石家莊鐵道大學(xué)學(xué)報(bào)，2010，23（4）：58-60，71.

[5]周西峰，肖武，郭前崗. 基于提升小波的超聲信號(hào)降噪方法[J]. 探測(cè)與控制學(xué)報(bào)，2012，34（4）：43-46.

[6]王小兵，孫久運(yùn)，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(jì)算機(jī)，2012，29（6）：91-95.

[7]劉艷霞，董蓓蓓，劉鈺，等. 基于小波閾值的醫(yī)學(xué)圖像去噪研究[J]. 電視技術(shù)，2012，36（19）：183-185.

[8]孫海英，李鋒，商慧亮. 改進(jìn)的變分自適應(yīng)中值濾波算法[J]. 電子與信息學(xué)報(bào)，2011，33（7）：1743-1747.尹珂，肖軼. 多尺度土地利用優(yōu)化系統(tǒng)構(gòu)建[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：379-382.

步驟3：對(duì)于低頻LWT分解系數(shù)，雖較少受到噪聲的干擾，若忽略該部分噪聲，則對(duì)濾波后的圖像質(zhì)量產(chǎn)生一定影響。針對(duì)該部分噪聲，本研究提出了一種新型閾值函數(shù)模型：

ω～j，k=wj，k|wj，k|≥T2

α·sgnwj，k·（|wj，k|-μ）+（1-α）·wj，kT1<|wj，k|

sgnwj，k·（|wj，k|-μ）|wj，k|≤T1（6）

式中：wj，k為該部分系數(shù)幅值，α為閾值函數(shù)修正因子且α∈（0，1），μ為常數(shù)，閾值T=σlogn。大量試驗(yàn)結(jié)果表明，當(dāng)α取0.5，μ=1/2·T1，T1=1/3·T，T2=2/3·T，對(duì)視頻監(jiān)控圖像處理效果較為理想。因此上述函數(shù)模型可具體化成： ω～j，k=wj，k|wj，k|≥2/3·T

1/2·sgnwj，k·（|wj，k|-1/2·1/3·T）+1/2·wj，k1/3·T<|wj，k|<2/3·T

sgnwj，k·（|wj，k|-μ）|wj，k|≤1/3·T（7）

步驟4：對(duì)經(jīng)過(guò)“步驟2”和“步驟3”處理的高頻LWT系數(shù)、低頻LWT系數(shù)進(jìn)行反向LWT，從而獲得去噪后圖像。

步驟5：對(duì)“步驟4”所獲得的濾波后圖像采用自適應(yīng)同態(tài)濾波進(jìn)行增強(qiáng)處理，以進(jìn)一步改善圖像的視覺(jué)效果，提高圖像的對(duì)比度。

3試驗(yàn)仿真

采用2幅隨機(jī)拍攝的薯類視覺(jué)圖像對(duì)本研究濾波算法進(jìn)行性能檢驗(yàn)。向圖像中加入不同強(qiáng)度隨機(jī)噪聲，引入峰值信噪比（PSNR）[6]對(duì)濾波結(jié)果進(jìn)行定量評(píng)價(jià)，采用文獻(xiàn)[7]的改進(jìn)閾值去噪法以及文獻(xiàn)[8]的自適應(yīng)中值濾波法與本研究算法進(jìn)行定性比較，結(jié)果如圖2、圖3及表1所示。

圖2-a、圖3-a分別受到30%、40%的隨機(jī)噪聲干擾，采用文獻(xiàn)[7]中的改進(jìn)小波閾值法處理后有了一定程度的改善，但圖中的馬鈴薯輪廓仍模糊不清，表明小波閾值法對(duì)該類噪聲處理效果不是很理想。文獻(xiàn)[8]中自適應(yīng)中值濾波算法由于增加了噪聲的檢測(cè)環(huán)節(jié)，相對(duì)于前者而言，濾波效果有了一定程度改善，圖2-d和圖3-d中的馬鈴薯輪廓基本顯現(xiàn)出來(lái)，但殘留噪聲強(qiáng)度仍較大。相對(duì)于前2類濾波算法，本研究濾波算法兼顧圖像濾波和圖像增強(qiáng)2個(gè)方面，實(shí)現(xiàn)了對(duì)圖像噪聲濾波和視覺(jué)效果改善兩個(gè)環(huán)節(jié)，優(yōu)勢(shì)較明顯。這表現(xiàn)為圖2-e和圖3-e中噪聲基本不存在，其視覺(jué)對(duì)比度與各自原始圖像差異不明顯，說(shuō)明本研究濾波算法能高質(zhì)量地實(shí)現(xiàn)對(duì)該類視覺(jué)噪聲圖像的復(fù)原處理。本研究濾波算法對(duì)不同強(qiáng)度噪聲濾波的PSNR值均高于其他2類算法，這也佐證了上述結(jié)論。

4小結(jié)

本研究為實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品薯類視覺(jué)圖像中的噪聲進(jìn)行有效抑制，提出了一種基于提升小波變換的自適應(yīng)濾波算法。該算法將濾波與增強(qiáng)處理有機(jī)結(jié)合，仿真結(jié)果表明，它能實(shí)現(xiàn)對(duì)該類視覺(jué)噪聲圖像的高質(zhì)量復(fù)原，對(duì)提高農(nóng)產(chǎn)品視覺(jué)圖像處

參考文獻(xiàn)：

[1]邢航，張鐵民，漆海霞，等. 薯類農(nóng)產(chǎn)品視覺(jué)圖像的去噪方法[J]. 農(nóng)機(jī)化研究，2012，34（7）：43-47，52.

[2]梁亦強(qiáng)，李正明，孫俊. 一種新的小波圖像降噪方法在農(nóng)業(yè)采摘中的應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)，2010，38（4）：2061-2063.

[3]Sweldens W. The lifting scheme：a construction of second generation wavelets[J]. SIAM J Math Analy，1997，9（2）：511-546.

[4]穆瑩，王學(xué)軍. 基于提升小波變換的醫(yī)學(xué)圖像融合算法[J]. 石家莊鐵道大學(xué)學(xué)報(bào)，2010，23（4）：58-60，71.

[5]周西峰，肖武，郭前崗. 基于提升小波的超聲信號(hào)降噪方法[J]. 探測(cè)與控制學(xué)報(bào)，2012，34（4）：43-46.

[6]王小兵，孫久運(yùn)，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(jì)算機(jī)，2012，29（6）：91-95.

[7]劉艷霞，董蓓蓓，劉鈺，等. 基于小波閾值的醫(yī)學(xué)圖像去噪研究[J]. 電視技術(shù)，2012，36（19）：183-185.

[8]孫海英，李鋒，商慧亮. 改進(jìn)的變分自適應(yīng)中值濾波算法[J]. 電子與信息學(xué)報(bào)，2011，33（7）：1743-1747.尹珂，肖軼. 多尺度土地利用優(yōu)化系統(tǒng)構(gòu)建[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：379-382.