張倩++張凡

摘要：將非下采樣輪廓波變換（nonsubsampled contourlet transform，NSCT）與離散小波變換（discrete wavelet transform，DWT）相結(jié)合，提出了1種針對(duì)農(nóng)業(yè)圖像的NSCT-DWT域自適應(yīng)濾波增強(qiáng)算法。首先對(duì)圖像進(jìn)行NSCT分解與重構(gòu)獲得空間域原始圖像的背景和細(xì)節(jié)圖像；然后將改進(jìn)的Pal-King模糊增強(qiáng)算法應(yīng)用于增強(qiáng)背景圖像；對(duì)于細(xì)節(jié)圖像則進(jìn)行3層二維離散小波變換，對(duì)高頻系數(shù)采用一種基于自適應(yīng)閾值的改進(jìn)型閾值函數(shù)模型進(jìn)行去噪，系數(shù)重構(gòu)獲得去噪后的細(xì)節(jié)圖像；最后對(duì)增強(qiáng)后的背景圖像與去噪后的細(xì)節(jié)圖像進(jìn)行疊加。結(jié)果表明，該算法對(duì)農(nóng)業(yè)圖像處理效果優(yōu)于2類已有的小波閾值去噪算法。

關(guān)鍵詞：農(nóng)業(yè)圖像； 濾波增強(qiáng)；非下采樣輪廓波變換；離散小波變換；閾值函數(shù)模型

中圖分類號(hào)：TP391.41；S126 文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2015）09-0448-02

農(nóng)業(yè)圖像由于受到復(fù)雜的成像環(huán)境、成像設(shè)備自身缺陷等因素的影響，導(dǎo)致圖像中含有一定程度的噪聲并且對(duì)比度不高，影響了圖像的使用。對(duì)于該類圖像的處理，主要思路有：（1）去噪。采用去噪算法在空間域或者變換域?yàn)V除圖像中的噪聲，如中值濾波[1]、非局部均值濾波[2]、非下采樣輪廓波變換（NSCT）[3]、離散小波變換（DWT）[4]等，該類算法在濾除噪聲的同時(shí)，較少地顧及改善圖像的對(duì)比度，提高濾波后圖像的視覺效果。（2）增強(qiáng)。采用如直方圖均衡化[5]、模糊增強(qiáng)[6]等方法改善圖像的對(duì)比度，突出圖像中感興趣的目標(biāo)信息，但該類方法很難濾除圖像中的噪聲，且容易在增強(qiáng)圖像的同時(shí)放大噪聲。農(nóng)業(yè)圖像作為一種細(xì)節(jié)信息較為豐富的圖像，對(duì)其進(jìn)行處理，應(yīng)當(dāng)有效兼顧濾波和增強(qiáng)這2個(gè)環(huán)節(jié)。因此，結(jié)合非下采樣輪廓波變換（NSCT）和離散小波變換（DWT），通過對(duì)農(nóng)業(yè)噪聲圖像進(jìn)行NSCT分解與重構(gòu)，實(shí)現(xiàn)背景圖像和細(xì)節(jié)圖像的有效分離，在此基礎(chǔ)上，對(duì)2者分別進(jìn)行模糊增強(qiáng)和小波去噪，將處理后的2類圖像進(jìn)行疊加，獲得去噪后的農(nóng)業(yè)圖像。

1算法基本原理

相對(duì)于DWT來說，NSCT在對(duì)農(nóng)業(yè)噪聲圖像分解過程中，能更為有效地捕捉到圖像中的線、面等信息，能夠?qū)崿F(xiàn)對(duì)圖像更為稀疏的表達(dá)，但具有相當(dāng)大的數(shù)據(jù)冗余度。DWT對(duì)于刻畫圖像中點(diǎn)奇信息是十分有效的，能從水平、垂直、對(duì)角等3個(gè)方向來刻畫圖像中的高頻信息，盡管其對(duì)圖像的稀疏性表達(dá)能力略遜于NSCT，但具有較小的數(shù)據(jù)冗余度。因此，構(gòu)建了NSCT-DWT圖像分析框架，通過對(duì)農(nóng)業(yè)圖像進(jìn)行NSCT變換和逆變換，獲得背景圖像和細(xì)節(jié)圖像；然后對(duì)細(xì)節(jié)圖像采用DWT進(jìn)行進(jìn)一步分析。

1.1背景圖像自適應(yīng)模糊增強(qiáng)

為了更為有效地突顯農(nóng)業(yè)圖像中的細(xì)節(jié)信息（如植物的根莖葉邊緣等信息），對(duì)Pal-King算法[6]中的模糊隸屬度映射函數(shù)進(jìn)行改進(jìn)，改進(jìn)后的函數(shù)模型定義為：

式中：f′（x，y）為公式（1）中像素點(diǎn)灰度值f（x，y）模糊增強(qiáng)后的結(jié)果；T-1（）為模糊逆變換計(jì)算函數(shù)。

1.2細(xì)節(jié)圖像自適應(yīng)小波去噪

關(guān)于小波閾值函數(shù)模型，學(xué)者們提出一些改進(jìn)型的模型[7-10]，該類函數(shù)去噪模型盡管取得了一些效果，但不足之處在于：（1）自適應(yīng)不強(qiáng)。函數(shù)模型中加入了調(diào)節(jié)參數(shù)，該類參數(shù)的取值只能經(jīng)過反復(fù)試驗(yàn)獲得，并且對(duì)于一類圖像甚至是一幅圖像來說，如此取值可以滿足去噪要求，但對(duì)于其余類型圖像，則需要重新確定參數(shù)值。（2）耗時(shí)較大。相當(dāng)一部分去噪模型中融入了諸如指數(shù)、對(duì)數(shù)之類的非線性函數(shù)，在逐步提高函數(shù)整體去噪效果的同時(shí)，去噪過程的耗時(shí)也急劇增大。因此，本研究提出了如下函數(shù)模型：

0|w|≤t1。（12）

1.3算法實(shí)現(xiàn)步驟

步驟1：對(duì)農(nóng)業(yè)噪聲圖像進(jìn)行NSCT多尺度分解，得到1幅低頻圖像和1幅帶通圖像；低頻圖像主要包含了農(nóng)業(yè)圖像中背景信息，帶通圖像則包含了農(nóng)業(yè)圖像中圖像輪廓邊緣等細(xì)節(jié)信息以及絕大多數(shù)的噪聲信息。

步驟2：對(duì)步驟1中獲得的帶通圖像采用一種非下采樣多方向?yàn)V波器進(jìn)行多方向分解，獲得代表各個(gè)方向上的農(nóng)業(yè)像高頻信息的方向帶通圖像序列。

步驟3：對(duì)步驟1中的低頻圖像繼續(xù)執(zhí)行步驟1和步驟2，完成對(duì)圖像更為細(xì)致的分解。

步驟4：對(duì)上述低頻圖像和帶通圖像分別進(jìn)行NSCT系數(shù)重構(gòu)，獲得空間域中的背景圖像和細(xì)節(jié)圖像。

步驟5：分別對(duì)背景圖像和細(xì)節(jié)圖像進(jìn)行自適應(yīng)增強(qiáng)和濾波處理，得到處理后的背景圖像和細(xì)節(jié)圖像。

步驟6：對(duì)經(jīng)過步驟5處理后的背景圖像和細(xì)節(jié)圖像進(jìn)行疊加，得到最終處理后的農(nóng)業(yè)圖像。

2試驗(yàn)測試

借助MATLAB語言對(duì)本算法進(jìn)行編程，采用1幅水果圖像對(duì)本算法去噪能力進(jìn)行測驗(yàn)，引入文獻(xiàn)[8]和文獻(xiàn)[10]中的小波閾值去噪算法與本算法進(jìn)行對(duì)比（分別記為算法1、算法2、算法3），試驗(yàn)結(jié)果如圖1所示。采用峰值信噪比（peak signal to noise ratio，PSNR）[11]、平均結(jié)構(gòu)相似度算子（means structural similarity，MSSIM）[12]以及算法耗時(shí)對(duì)上述試驗(yàn)結(jié)果進(jìn)行客觀評(píng)價(jià)，結(jié)果見表1。

表1試驗(yàn)結(jié)果的定量評(píng)價(jià)

噪聲方差PSNR（dB）算法1算法2算法3MSSIM算法1算法2算法3算法耗時(shí)（s）算法1算法2算法3525.35125.60826.1880.7010.7760.8343.4746.1924.8231022.30924.88525.5520.6550.7350.7683.6196.7035.0021520.02823.61225.1730.6020.6840.7363.9276.8915.202

就圖像清晰度而言，圖1-d稍優(yōu)于圖1-c這，因?yàn)樗惴?中通過將所有的圖像小波分解系數(shù)分成3類，對(duì)于每一類的小波分解系數(shù)設(shè)置不同的計(jì)算方式進(jìn)行處理，相對(duì)于算法1而言，能夠更為精細(xì)地去除殘留在小波系數(shù)中的噪聲信息，但該算法的計(jì)算復(fù)雜度明顯高于算法1。而圖1-d的清晰程度明顯優(yōu)于圖1-b和圖1-c，主要體現(xiàn)在：（1）圖1-d背景中的噪聲點(diǎn)基本不存在，而圖1-b和圖1-c的背景中仍然存在不同程度的噪聲，該類噪聲的存在影響對(duì)圖中枇杷果實(shí)信息的準(zhǔn)確識(shí)別；（2）圖1-d中枇杷果實(shí)輪廓基本從噪聲信息中恢復(fù)出來，并且圖像的對(duì)比度比圖1-a有了明顯提高。endprint

當(dāng)圖像中的高斯白噪聲方差為5時(shí)，3種算法的PSNR和MSSIM指標(biāo)值相差不大。當(dāng)噪聲方差達(dá)到15時(shí)，本算法的PSNR值高于其他2種算法，分別比算法2高1.561 dB比算法1高5.145 dB；本算法的MSSIM值高于其他2種算法，分別比算法2高0.052、比算法1高0.134。對(duì)于含有3種不同方差高斯白噪聲的農(nóng)業(yè)圖像去噪耗時(shí)來說，本研究算法相對(duì)于文獻(xiàn)[12]中的小波閾值去噪算法而言，仍有一定的優(yōu)勢。

3結(jié)束語

結(jié)合NSCT和DWT，提出了1種農(nóng)業(yè)圖像濾波增強(qiáng)算法。通過對(duì)含有不同方差高斯白噪聲的農(nóng)業(yè)圖像進(jìn)行試驗(yàn)，主觀分析結(jié)果，PSNR、MSSIM以及算法執(zhí)行時(shí)間等指標(biāo)定性、定量證明了本研究算法的有效性。

參考文獻(xiàn)：

[1]周仕友. 一種結(jié)合小波變換的豆類圖像增強(qiáng)算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（7）：433-435.

[2]陳明舉. 基于統(tǒng)計(jì)特性的非局部均值去噪算法[J]. 液晶與顯示，2014，29（3）：450-454.

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

[4]Luo F，Wu S J，Jiao L C，et al. Asic design of adaptive threshold denoise DWT chip[J]. Journal of Electronics，2002，19（1）：1-7.

[5]趙吉文，魏正翠，汪洋，等. 基于灰度帶比例的優(yōu)質(zhì)西瓜子識(shí)別算法研究與實(shí)現(xiàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（4）：340-344.

[6]Pal S K，King R A. One edge detection of X-ray images using fuzzy sets[J]. IEEE Trans，1983，5（1）：69-77.

[7]李雷，魏連鑫. 自適應(yīng)小波閾值函數(shù)的指紋圖像去噪[J]. 上海理工大學(xué)學(xué)報(bào)，2014，36（2）：154-157，162.

[8]黃玉昌，侯德文. 基于改進(jìn)小波閾值函數(shù)的指紋圖像去噪[J]. 計(jì)算機(jī)工程與應(yīng)用，2012，50（6）：179-181.

[9]王蓓，張根耀，李智，等. 基于新閾值函數(shù)的小波閾值去噪算法[J]. 計(jì)算機(jī)應(yīng)用，2014，34（5）：1499-1502.

[10]王藝龍，楊守志. 基于連續(xù)閾值函數(shù)的小波去噪方法[J]. 汕頭大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，28（4）：66-74.

[11]楊福增，田艷娜，楊亮亮，等. 基于雜交小波變換的農(nóng)產(chǎn)品圖像去噪算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（3）：172-178.

[12]翟東海，魚江，段維夏，等. 米字型各向異性擴(kuò)散模型的圖像去噪算法[J]. 計(jì)算機(jī)應(yīng)用，2014，34（5）：1494-1498.endprint