裴連群++高洪玉

摘要：實地采集的農(nóng)業(yè)圖像中常存在一些顆粒狀噪聲，針對此現(xiàn)狀適當改進經(jīng)典中值濾波算法，并提出1種改進的農(nóng)業(yè)圖像中值濾波算法。首先檢測圖像中受到噪聲干擾的像素點，將其中灰度值為255或0的像素點標記為疑似噪聲點。選取每個疑似噪聲點周圍5×5大小的鄰域，若鄰域中疑似噪聲點數(shù)目較多，則根據(jù)該鄰域中非疑似噪聲點與待濾波點的幾何距離進行加權中值濾波；若鄰域中疑似噪聲點數(shù)目較少，則根據(jù)該鄰域中非疑似噪聲點與待濾波點的相關性進行改進的中值濾波。分別以該算法對采集的農(nóng)業(yè)圖像進行測試，并引入峰值信噪比（peak signal noise to ratio，PSNR）、均方根誤差（mean square error，MSE）等指標對測試結果進行考察。將該算法與中值濾波、開關中值濾波、加權中值濾波等同類算法進行比較，結果表明，與同類型其他算法相比，該算法的效果較為突出。

關鍵詞：農(nóng)業(yè)圖像；顆粒狀噪聲；中值濾波；加權中值濾波；鄰域相關性

中圖分類號： TP391；S126文獻標志碼： A文章編號：1002-1302（2015）09-0442-02

為了提高圖像對比度，并去除圖像中由于成像環(huán)境、成像設備固有缺陷等因素形成的各類噪聲，采用圖像濾波、增強等算法對實地獲取的各類農(nóng)業(yè)圖像進行處理。雖然處理后的農(nóng)業(yè)圖像直接應用價值有限，但對于后續(xù)圖像判讀、目標識別[1]、目標檢測[2]等結果的準確度有重要影響。近年來，隨著計算機圖像處理技術的快速發(fā)展，一些較為實用的圖像濾波算法被應用于農(nóng)業(yè)圖像的處理，并取得了一定成果，但仍普遍存在一些不足之處。采用小波變換[3]、Contourlet變換[4]等多尺度方法對圖像進行分析，不僅算法復雜度較大，且圖像被反復分解、重構的過程中丟失了大量信息。濾波后的圖像總體對比度有所提高，但植物根莖、葉片等目標邊緣信息的連續(xù)性不強，甚至會丟失部分信息。中值濾波是一種經(jīng)典的計算機圖像濾波算法，對于一般的數(shù)字圖像處理效果較好，但無法勝任處理細節(jié)信息較多的農(nóng)業(yè)圖像[5]。為此，本研究對中值濾波算法進行2點改進：首先引入檢測方法對圖像中的噪聲進行初步檢測，標記出疑似噪聲點；根據(jù)每個疑似噪聲點周圍一定鄰域內噪聲的強度，自動采取不同的改進型中值濾波算法進行處理。

1算法原理

1.1圖像中疑似噪聲點的檢測

疑似噪聲點即為圖像中灰度值異常的像素點，該類像素點可能由于自身信息而導致灰度值相對于鄰域像素點突然變大或變小（如圖像中果實表面的斑點、果實邊緣等信息），也可能因噪聲的干擾而產(chǎn)生。檢測受噪聲干擾的像素點最為有效的方法，是根據(jù)其灰度值特征進行鑒別，而僅根據(jù)灰度值信息鑒別出的像素點未必均為噪聲點，因此該類像素點僅能稱為疑似噪聲點。對于大小為X·Y的農(nóng)業(yè)圖像，疑似噪聲點檢測方法如下：

在式（4）的基礎上，分別計算該鄰域內除中心點外其余所有疑似噪聲點的灰度值與f-（x，y）之差，若該差值小于 fSTD（x，y） ，則認為此像素點未受到噪聲干擾；反之則為噪聲點。

將該鄰域中所有非疑似噪聲點，以及經(jīng)上述計算比較后被鑒別為非噪聲點的像素點進行大小排序，將其中間值賦值給鄰域的中心點，作為濾波值輸出。

1.3算法實現(xiàn)思路

（1）按照“1.2”節(jié)的方法，在圖像中以一定順序獲取疑似噪聲點周圍5×5大小的鄰域。（2）分別統(tǒng)計該區(qū)域內疑似噪聲點的數(shù)目 。（3）若N=24或N=0，則認為該鄰域內原本圖像便為全黑或全白區(qū)域，沒有受到噪聲干擾，可不作處理。（4）若12

2算法試驗

采用Visual Basic（VB）語言編寫本研究的算法程序，對1幅蘋果圖像進行試驗。將本算法的試驗結果分別與中值濾波、開關中值濾波[6]、加權中值濾波[7]進行比較，對試驗結果進行主觀評價的同時，定義峰值信噪比（PSNR）、均方根誤差（MSE）[8]對各算法的試驗效果進行考察。PSNR值越大則濾波后圖像與原始圖像越接近，表明濾波后圖像質量較好；MSE值越小則濾波后圖像與原始圖像差異越小，表明濾波后圖像質量較好。試驗結果分別見圖1、表1。

表1不同算法試驗效果的考查結果

添加噪聲

的強度（%）PSNR（dB）MSE（dB）中值濾波開關中值濾波加權中值濾波本研究算法中值濾波開關中值濾波加權中值濾波本研究算法1023.00224.43124.47726.59155.67748.89742.24326.6032021.17622.30023.17525.31873.63669.99060.87431.1363019.39820.09722.03424.514103.19397.76270.07640.711

對圖1-a添加強度為20%的顆粒噪聲得到圖1-b，圖1-c為圖1-b經(jīng)過中值濾波（濾波模板尺寸為 ）后的結果，圖中蘋果輪廓基本無法辨認，圖像背景存在大量噪聲；圖1-d為經(jīng)過開關中值濾波[6]后的結果，圖像背景的噪聲程度有

所降低，但蘋果邊緣仍較為模糊；圖1-e為經(jīng)過加權中值濾波[7]后的結果，相對于圖1-c、圖1-d而言，濾波后圖像的質量得到一定程度的提高，可基本辨認蘋果邊緣，圖像背景中的噪聲強度被進一步降低；圖1-f為本研究算法的試驗結果，圖中蘋果輪廓的清晰程度與圖1-a非常接近，但背景顏色比圖1-a淡化了許多，大量背景信息被當作噪聲點得到了修正或濾除，從而在一定程度上突出了圖像的主要信息。

對于含有3種不同強度顆粒噪聲的農(nóng)業(yè)圖像，本研究算法的PSNR值明顯高于中值濾波、開關中值濾波[6]、加權中值濾波[7]；而本研究算法的MSE值明顯低于中值濾波、開關中值濾波、加權中值濾波（表1）?？梢姳狙芯克惴▽r(nóng)業(yè)圖像的處理有一定效果，這與上述理論分析的結果基本一致。

3討論

為實現(xiàn)農(nóng)業(yè)圖像的有效濾波處理，在對中值濾波改進的基礎上，提出1種基于鄰域相關性的中值濾波改進算法。本算法在檢測圖像中疑似噪聲點的基礎上，以每個疑似噪聲點周圍一定大小的鄰域為研究對象，根據(jù)該鄰域內疑似噪聲點的數(shù)目實現(xiàn)對疑似噪聲點的自適應改進中值濾波處理。本算法的有效性已在試驗中得到初步驗證。

參考文獻：

[1]王宏艷，呂繼興. 基于紋理特征與改進SVM算法的玉米田間雜草識別[J]. 湖北農(nóng)業(yè)科學，2014，53（13）：3163-3166，3169.

[2]毛麗民，劉叔軍，朱培逸，等. 一種基于FPGA的水果分級檢測系統(tǒng)的設計[J]. 農(nóng)機化研究，2013，35（11）：120-123.

[3]李景福，趙進輝，龍志軍，等. 基于離散小波變換的農(nóng)業(yè)圖像處理研究[J]. 安徽農(nóng)學通報，2007，13（3）：43-45.

[4]韓偉，劉強. 一種NSCT域改進閾值函數(shù)的雜草圖像去噪方法[J]. 江蘇農(nóng)業(yè)科學，2013，41（11）：151-153.

[5]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用[J]. 江蘇農(nóng)業(yè)科學，2014，42（1）：371-373.

[6]喬坤，郭朝勇，毛東. 一種去除椒鹽噪聲的自適應開關中值濾波算法[J]. 計算機應用與軟件，2011，28（10）：253-256.

[7]王梅，黃華，應大力. 基于隸屬度函數(shù)的自適應加權中值濾波[J]. 電腦知識與技術，2012，8（31）：7565-7567.

[8]宋懷波，何東健，韓 韜. Contourlet變換為農(nóng)產(chǎn)品圖像去噪的有效方法[J]. 農(nóng)業(yè)工程學報，2012，28（8）：287-292.