黃凌霄　張選德　馬文濤

摘要：介紹了非局部均值（Non-local Means，NLM）去噪算法的基本理論，比較了儲糧害蟲圖像現(xiàn)有的去噪經(jīng)典方法與非局部均值去噪算法。結(jié)果表明，非局部均值去噪算法具有較明顯的去噪視覺效果，在峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和結(jié)構(gòu)相似性（Structural SIMilarity，SSIM）的定量比較中也具有較好的去噪質(zhì)量。

關(guān)鍵詞：非局部均值；圖像去噪；峰值信噪比；結(jié)構(gòu)相似性

中圖分類號：TP391.41 文獻標識碼：A 文章編號：0439-8114（2015）19-4833-03

DOI：10.14088/j.cnki.issn0439-8114.2015.19.046

Abstract： The theoretical basis of non-local means was introduced， and some classical denoising algorithms was compared with the non-local means denoising algorithm in grain insect image. Results showed that non-local means denoising algorithm had the obvious denoising visual effects， also had better denoising quality in the quantitative comparisons of peak signal-to-noise ratio and structural similarity.

Key words：non-local means；image denoising；peak signal-to-noise ratio；structural similarity

中國是糧食生產(chǎn)和儲藏大國，但中國每年儲糧損耗約110億kg，其中因儲糧害蟲造成的損失占10%～30%。目前，國內(nèi)外在儲糧害蟲檢測方面主要采用的方法有扦樣法、誘集法、近紅外法、聲信號法和圖像識別法等[1-6]。由于人工檢測的效率低下、信息素的合成困難以及干擾等因素，使得大多數(shù)方法不能準確實時地檢測出糧蟲的信息，從而圖像識別方法成為糧蟲識別的主要發(fā)展方向。在儲糧害蟲圖像識別檢測系統(tǒng)中，機器視覺系統(tǒng)采用CCD（Charge Coupled Devices）照相機實時拍攝糧倉害蟲圖像，并轉(zhuǎn)化為數(shù)字信號，采用相應(yīng)的技術(shù)使計算機能自動提取糧蟲的形態(tài)性狀、智能識別害蟲種類。但是，圖像在生成或傳輸過程中常因受到各種噪聲的干擾和影響而使圖像的質(zhì)量下降，對后續(xù)的圖像處理產(chǎn)生不利影響。因此，圖像去噪是圖像處理中的一個重要環(huán)節(jié)。

現(xiàn)有的圖像去噪主要分為空域去噪和頻域去噪兩大類?？沼蛉ピ氲臑V波經(jīng)典方法主要包括線性濾波中的高斯濾波[7]、非線性濾波中的中值濾波[8]、順序統(tǒng)計濾波和自適應(yīng)濾波[9]等， 頻域去噪的濾波經(jīng)典方法主要是小波閾值收縮法[10]。這些方法在去除圖像噪聲的同時也模糊了圖像的邊緣、紋理等細節(jié)信息。Buades等[11]提出的非局部均值濾波（Non-local Means，NLM）算法充分利用圖像局部結(jié)構(gòu)的相似性，取得了性能優(yōu)于其他經(jīng)典去噪方法的效果。為此，本研究將非局部均值濾波算法用于儲糧害蟲圖像的去噪處理，希望在取得較好去噪效果的同時，保留儲糧害蟲圖像的細節(jié)信息，為后續(xù)的糧蟲提取、種類識別提供基礎(chǔ)。

1 非局部均值（NLM）去噪算法

式中，h為濾波參數(shù)，Buades在NLM算法中，通過試驗驗證分析得出h與噪聲標準差σ有近似線性正比關(guān)系，通過此關(guān)系可以確定濾波參數(shù)h=10σ。在計算濾波參數(shù)h時需要利用圖像的噪聲標準差σ，但是在實際的去噪問題中噪聲標準差σ往往是未知的。在這種情況下，對于零均值高斯白噪聲的標準差σ的估計，目前常用的算法是采用Donoho提出的基于小波系數(shù)的算法，即σ=MAD/0.674 5，其中MAD為小波分解后高頻系數(shù)的中值數(shù)。

2 結(jié)果與分析

為了驗證NLM算法的去噪性能，將NLM算法與中值濾波、自適應(yīng)濾波、小波軟閾值收縮算法和小波包分析法進行對比。圖1為本研究所采用的4幅大小為256×256像素的測試圖像，其中谷蠹、玉米象、綠豆象、赤擬谷盜是儲糧害蟲中分布較廣、危害較大且包含較多紋理信息的圖像。

從表1可以看出，NLM算法的去噪性能優(yōu)于絕大多數(shù)經(jīng)典的去噪方法。但是，隨著噪聲水平的增大，代表去噪質(zhì)量的PSNR和SSIM值也有所下降，這表明高斯加權(quán)距離‖v（Ni）-v（Nj）‖不能很好地反映真實圖像塊之間的相似性，在有效去除低頻噪聲的同時，也模糊了圖像的部分細節(jié)信息。

對谷蠹添加均值為0、標準差為25的高斯白噪聲，對綠豆象添加均值為0、標準差為30的高斯白噪聲，比較幾種經(jīng)典算法和NLM算法的去噪視覺效果，所得的結(jié)果如圖2和圖3所示。

從圖2和圖3可以看出，NLM算法能夠獲得最好的視覺效果。尤其對于谷蠹圖像，其他幾種經(jīng)典算法在去除噪聲的同時，也模糊了谷蠹頭部的細節(jié)信息，而NLM算法卻能較好地保留其細節(jié)信息，這充分驗證了NLM算法去噪的有效性。

3 小結(jié)

試驗結(jié)果表明，基于非局部均值的圖像去噪算法比現(xiàn)有的去噪經(jīng)典方法具有較明顯的去噪視覺效果，在峰值信噪比和結(jié)構(gòu)相似性的定量比較中具有較好的去噪質(zhì)量。盡管非局部均值算法在圖像去噪方面很有效果，但該方法取當前像素為中心的圖像塊與整幅圖像中所有像素點為中心的圖像塊進行比對，計算量過大、計算速度慢，很難滿足實時應(yīng)用的要求。如何對現(xiàn)有算法進行改進是下一步的研究問題之一。另外，當圖像噪聲較大時，如何在有效去除低頻噪聲的同時，保留圖像的細節(jié)信息也值得進一步的研究。

參考文獻：

[1] 周 龍.基于機器視覺的儲糧害蟲圖像模糊檢測方法的研究[J].計算機應(yīng)用與軟件，2005，22（8）：24-26.

[2] 胡麗華，郭 敏，張景虎，等.儲糧害蟲檢測新技術(shù)及應(yīng)用現(xiàn)狀[J].農(nóng)業(yè)工程學(xué)報，2007，23（11）：286-290.

[3] DAVID K，MARC L. Protecting 3D graphics content[J].Communications of the ACM， 2005，48（6）：234-239.

[4] 路 靜，傅洪亮.儲糧害蟲檢測和分類識別技術(shù)的研究[J].糧食儲藏，2014，43（1）：6-9.

[5] 姚 青，呂 軍，楊保軍，等.基于圖像的昆蟲自動識別與計數(shù)研究進展[J].中國農(nóng)業(yè)科學(xué)，2011，44（14）：2886-2899.

[6] WICK K W，WEBB J C，WEAVER B A，et al. Sound detection of stored-product insects that feed insede kernels of grain[J]. Econ Entomol，1988，81（5）：1489-1493.

[7] LINDENBAUM M，F(xiàn)ISCHER M，BRUCKSTEIN A. On Gabors contribution to image enhancement[J].Pattern Recognition，1994， 27（1）：1-8.

[8] 張 恒，雷志輝，丁曉華.一種改進的中值濾波算法[J].中國圖象圖形學(xué)報，2004，9（4）：408-411.

[9] 張旭明，徐濱士，董世運.用于圖像處理的自適應(yīng)中值濾波[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2005，17（2）：295-299.

[10] DONOHO D L. De-noising by soft-thresholding[J].IEEE Transactions on Information Theory，1995，41（3）：613-627.

[11] BUADES A，COLL B，MOREL J M.Nonlocal image and movie denoising[J]. International Journal of Computer Vision，2008， 76（2）：123-139.