摘要：實地獲取農作物圖像對于農作物長勢以及病蟲害進行監(jiān)測具有重要作用，對此，結合脊波變換這一多尺度圖像分析方法，在圖像脊波變換域引入了邊界判別噪聲檢測方法（Boundary discrimination noise detection，BDND），對經典中值濾波算法進行了改進，提出了一種基于脊波變換域BDND改進的中值濾波算法。該方法首先對圖像進行多尺度脊波變換，獲得了低頻和高頻分解圖像，考慮到低頻圖像的視覺特征，采用同態(tài)濾波方法進行增強處理；然后對高頻圖像結合區(qū)域灰度值分布特征，設定2個自適應閾值，將經過2次噪聲檢測后處于該2個閾值間的像素點標記為非噪聲點，對其余像素點分別進行中值濾波；最后，對視覺效果改善的低頻圖像和濾波后的高頻圖像進行逆脊波變換。分別采用C++語言對中值濾波、脊波域閾值去噪以及本文算法進行編程試驗。結果表明，本文算法對于農作物圖像的濾波效果稍優(yōu)于其余2種方法。

關鍵詞：農作物圖像；脊波變換；邊界判別噪聲檢測方法；中值濾波；同態(tài)濾波；C++語言

中圖分類號：S126；TP391 文獻標識碼：A 文章編號：0439-8114（2016）13-3468-04

DOI：10.14088/j.cnki.issn0439-8114.2016.13.051

各類農作物圖像因成像光照不足，而出現圖像對比度較低的現象，圖像中感興趣的目標信息不明顯；此外，圖像拍攝后在傳輸、解碼過程中也不可避免地會混入一些隨機噪聲。上述因素決定了對于實地獲取的各類農業(yè)圖像進行預處理十分必要。近年來，學者們借鑒已有的大量計算機圖像處理算法，針對各類農業(yè)圖像，提出了一些卓有成效的方法，如毛麗民等[1]基于FPGA研究了水果圖像增強方法；王曉虹等[2]將脊波變換域維納濾波相結合實現對蘋果圖像的有效濾波；楊福增等[3]將小波變換應用于增強農業(yè)圖像，取得了較好效果。該類方法分別將圖像噪聲濾除和對比度改善拆分成2個方面分別加以研究，不利于提高圖像的處理效果。因此，鑒于脊波變換具有較好的圖像多分辨率分析功能[4]，本研究將脊波變換與改進中值濾波相結合，以茶作物圖像為例，對農作物圖像處理方法進行研究。

1 方法原理

1.1 中值濾波算法改進方案

圖像中的像素點被噪聲污染后，其像素灰度值相對于其余像素點灰度值來說，會發(fā)生很大的變化（變大或變?。?，即像素點灰度值發(fā)生異常，特別是圖像中受到椒鹽噪聲污染時，受到污染的噪聲像素點會發(fā)生巨大的變化（灰度值急劇變大或者變?。；谶@一原理，中值濾波算法通過將濾波區(qū)域限定于以噪聲點為中心一定尺寸的范圍之內，通過將該范圍內的所有像素點的灰度值按照大小生成灰度值序列，將位于該序列中間位置的灰度值用來替換受噪聲污染的像素點灰度值，以完成濾波[5]。該算法的處理結果充分顧及了圖像中像素點間的關聯性，具有較高的濾波效率。該算法盡管對于受到噪聲污染的像素點能夠進行高效濾波，但是在濾波過程中，通常是對圖像中所有像素點分別進行處理，從而導致圖像中相當一部分并未受到噪聲污染的像素點被當做噪聲點被濾除，最終導致經過中值濾波后的圖像丟失了大量信息，降低了圖像后續(xù)判讀、分析的價值。

針對中值濾波的上述缺陷，本研究提出了一種改進方案，即通過對該算法添加一套噪聲檢測環(huán)節(jié)，預先對圖像中各像素點灰度值進行有效判別，將受到噪聲污染的像素點進行標記，在此基礎上再進行中值濾波，不但可提高濾波效率，而且有助于大幅度改善濾波后圖像的視覺效果。邊界判別噪聲檢測方法（BDND）通過設定2個自適應閾值t1，t2，將圖像中像素點劃分成3類：①低灰度值像素點群，灰度值區(qū)間為[1，t1]；②中等灰度值像素點群，灰度值區(qū)間為（t1，t2）；③高灰度值像素點群，灰度值區(qū)間為[t2，255]。BDND方法在噪聲檢測過程中，對于落入[0，t1]和[t2，255]內的像素點均標記為噪聲像素點，從而提高了圖像中噪聲像素點的識別效率。基于上述改進方案，引入邊界判別噪聲檢測方法（BDND）[6]來對中值濾波算法進行改進，具體步驟如下：

步驟1：對圖像中處于（i，j）位置的像素點是否受到噪聲污染進行判別，以該點為中心，取大小為7×7的濾波區(qū)域，將該區(qū)域內所有像素點的灰度值按照大小排列，得到集合{V（x）}（x為區(qū)域內像素點個數，此處x=49）；

步驟2：獲取集合{V（x）}灰度中間值Vmed（x），以及對應的索引值Vmed；

步驟3：按照V′（i）=V（x+1）-V（x）的計算方法分別計算集合{V（x）}中相鄰灰度值的差，將所有差值組成一新的集合{V′（i）}（i為集合中元素數目，此處i=48）；

步驟4：在集合{V′（i）}中，在索引區(qū)間[0，Vmed）上找到該集合中對應的最大值，并將該值與集合{V（x）}中處于相同位置的灰度值設定為閾值t1；在索引區(qū)間[Vmed，i]上，找到{V′（i）}集合中對應的最大值，并將該值與集合{V（x）}中處于相同位置的灰度值設定為閾值t2；

步驟5：濾波區(qū)域（大小為7×7）中，若位于（i，j）位置的像素點灰度值處于區(qū)間[t1，t2]內，則將該像素點標記為疑似非噪聲點，反之標記為疑似噪聲點；

步驟6：將濾波區(qū)域大小縮減成3×3，重復進行步驟2至步驟4，若位于（i，j）位置的像素點仍被標記為疑似非噪聲點，那么該像素點即可認為沒有受到噪聲的污染；否則，則將該像素點標記為噪聲點，采用5×5大小的濾波窗口進行中值濾波；

步驟7：重復執(zhí)行步驟1至步驟5，完成圖像中所有像素點的判別。

1.2 中值濾波改進方案實例說明

設一幅圖像受到隨機噪聲的污染，取其中大小為7×7任意區(qū)域，對本研究中值濾波改進方案進行實例說明。該區(qū)域組成的灰度值矩陣如下：

A= 62 70 63 55 13 1 7 72 65 92 103 110 125 63 25 78 53 111 203 152 79111 103 171 249 110 67 59 71 68 92 87 132 103 100 15 53 65 79 107 38 175 48 51 72 89 35 71 60

按照“1.1”提出的思路，具體步驟如下：

1）將矩陣A中除中心像素點灰度值進行大小排序，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}，即可得到該集合的灰度中值為72，對應的索引值Vmed=25；

2）計算集合{V（48）}中相鄰灰度值的差值，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，索引區(qū)間[0，25）上的最大值為10，此時對應了集合中3組數據，即：15與25；25與35；38與48，按照取小原則，在索引區(qū)間的最大值認為由集合中{V（48）}15與25作差產生，于是可得閾值t1為15；在索引區(qū)間[25，48]上的最大值為46，即由集合{V（48）}中203與249作差產生，即閾值t2為203。

4）由此可見，矩陣A的中心像素點灰度值為249，不處于區(qū)間[15，203]上，則將該點標記為疑似噪聲點；

5）將矩陣A尺寸縮減為3×3，得到一新矩陣：

A′= 53 111 203171 249 110 92 87 132

同理可以得到又一組閾值t′1，t′2，兩者所組成的閾值區(qū)間為[53，203]，可見，矩陣中心點的灰度值仍不屬于該區(qū)間，因此可以將該像素點標記為噪聲像素點，對該點采用窗口大小為5×5的中值濾波算法進行處理。

2 算法思路及試驗結果分析

2.1 算法思路

經過上述分析，本研究將改進后的中值濾波引入到脊波變換域中，以茶作物圖像為例，探討農作物圖像處理方法，思路如圖1所示。

2.2 試驗結果分析

為了對本研究所提出的茶作物圖像處理算法的有效性進行測試，并與相關算法進行比較，采用C++語言分別對中值濾波、脊波變換域閾值去噪算法[2]以及本研究算法分別進行編程試驗，結果見圖2。由圖2可知，對含有30%隨機噪聲的茶作物圖像（圖2b）分別進行中值濾波和脊波域閾值去噪算法[2]處理，結果分別如圖2c和圖2d所示，圖2中盡管葉片從噪聲中分離出來，但葉片信息與背景信息對比度不強，并且圖中依然存在大量噪聲。圖2e為本研究算法處理的結果，可以看出，一方面圖中噪聲絕大部分已經不存在；另一方面葉片邊緣清晰，且背景具有較高的對比度。這是因為改進中值濾波算法成功引入了BDND方法，通過對圖像中每一個像素點進行有效判斷，提高了濾波的針對性，使得濾波后圖像中諸如葉片邊緣等目標信息依然保持完好。

以上從視覺效果對試驗結果進行分析，以下通過定義峰值信噪比（Peak signal noise to ratio，PSNR）[7，8]這一通用的圖像質量評估指標對上述試驗結果進行客觀評估。該指標通過計算處理后的圖像與原始圖像之間的差值來對處理后圖像的質量進行評估，即PSNR值越大則說明處理后的圖像與原始圖像差別越小，處理后的圖像質量則越高。PSNR評估結果如表1所示。

由表1可知，對含有不同程度隨機噪聲的茶作物圖像處理，本研究算法的PSNR值均高于其余兩者，說明該算法的有效性。另外，特別是圖像中含有30%的隨機噪聲時，脊波域閾值去噪算法[2]的PSNR值高于中值濾波，從這個角度講，前者處理后的圖像清晰度要優(yōu)于后者處理后的圖像，但從圖2c和圖2d可知，兩者均有一定程度的模糊，肉眼無法區(qū)分兩者的差別。由此看來，只有將主觀和客觀方法相結合才能對圖像質量進行準確評估。

3 小結

針對農作物圖像，為了提高判讀和分析價值，以茶作物圖像為例，提出了一種脊波變換域BDND改進中值濾波算法。該算法通過對脊波變換后得到的高頻圖像采用基于BDND改進的中值濾波算法進行濾波，對脊波變換后得到的低頻圖像采用同態(tài)濾波進行增強，在此基礎上實現逆脊波變換。理論分析和試驗結果表明，該算法對于農作物圖像的處理取得了一定的效果。

參考文獻：

[1] 毛麗民，劉叔軍，浦宇歡，等.基于FPGA的水果圖像增強方法研究[J].江蘇農業(yè)科學，2014（6）：395-398.

[2] 王曉虹，韋英華.結合Ridgelet變換與Wiener濾波的蘋果圖像去噪算法[J].江蘇農業(yè)科學，2013（10）：373-375.

[3] 楊福增，王 崢，楊 青.基于小波變換的農業(yè)圖像增強方法研究[J].農業(yè)工程學報，2004，20（3）：124-129.

[4] 李京娜，王國宏，王 剛.基于光滑分割的局部脊波變換圖像去噪算法研究[J].激光雜志，2012，33（6）：25-27.

[5] 張紅旗，劉 宇，王春光.改進田間雜草識別圖像預處理方法的研究[J].農機化研究，2015（6）：70-73.

[6] 張 利，張本宏，王躍飛，等.基于總線占有率的FlexRay消息時隙分配方法研究[J].中國機械工程，2012，23（6）：699-702.

[7] 紀 濱，朱偉興，劉宏坤.豬舍圖像局部亮度調整方法[J].農業(yè)工程學報，2013，29（5）：139-146.

[8] 張宏群，陶興龍.基于形態(tài)學和分型理論的農產品圖像去噪[J].湖北農業(yè)科學，2013，52（5）：168-1170.