徐欣+劉寶鍾

摘要：農(nóng)業(yè)圖像的獲取受到氣候、光照、拍攝角度、拍攝器件電壓等因素的限制，所獲取的圖像含有噪聲，無法直接用于判讀分析。對該類圖像去噪進行研究，首先，將經(jīng)典Prewitt算子的檢測模板由2個方向擴充為8個方向，進一步豐富了Prewitt算子的檢測模板序列，將其應(yīng)用于農(nóng)業(yè)圖像邊緣輪廓檢測，獲得邊緣圖像和非邊緣圖像；其次，對邊緣圖像采用經(jīng)典中值濾波算法進行處理，剔除其中的噪聲點；再次，在對經(jīng)典中值濾波特征分析的基礎(chǔ)上，提出了一種具有噪聲檢測功能的改進加權(quán)中值濾波算法，將其應(yīng)用于處理非邊緣圖像；最后，將處理后的邊緣圖像、非邊緣圖像進行充分融合。試驗結(jié)果表明，本研究算法對于農(nóng)業(yè)圖像的處理效果明顯優(yōu)于經(jīng)典中值濾波以及2種改進型中值濾波。

關(guān)鍵詞：農(nóng)業(yè)智能化；農(nóng)業(yè)圖像；Prewitt算子；檢測模板；經(jīng)典中值濾波

中圖分類號：TP391.41；S126 文獻標志碼：A 文章編號：1002—1302（2016）01—0406—02

總體上看，導(dǎo)致農(nóng)業(yè)圖像中含有噪聲且清晰度不高的原因主要有2類：（1）農(nóng)作物、農(nóng)產(chǎn)品生長環(huán)境較為復(fù)雜，圖像獲取受到天氣、空氣能見度等因素的限制，導(dǎo)致獲取的圖像對比度不高；（2）由于在野外工作，大型成像設(shè)備的電壓偶爾不穩(wěn)定，會在獲取的圖像中產(chǎn)生一些隨機噪聲點。如果直接以該類圖像為研究對象，對其進行圖像分割、目標識別的效果必將大打折扣，為了最大限度發(fā)揮圖像的作用，有必要首先對圖像進行濾波處理。圖像濾波思路歸結(jié)起來有2類：（1）直接法。采用一些已有的算法如中值濾波、維納濾波等算法直接對圖像進行處理，具有算法原理簡單、易于操作等優(yōu)點。（2）間接法。采用小波變換、輪廓波變換等方法對圖像進行多尺度變換，在此基礎(chǔ)上采用一些濾波算法進行處理，然后進行圖像重構(gòu)。由此可見，相對于間接法而言，直接法更具有優(yōu)勢。因此，本研究借助直接法的思路，提出了一種具有邊緣檢測效果的農(nóng)業(yè)圖像改進自適應(yīng)加權(quán)中值濾波算法，以期為農(nóng)業(yè)圖像濾波處理提供一種有效方法。

1改進Prewitt算子

Prewitt圖像邊緣檢測算子采用水平和垂直的模板（圖1）來實現(xiàn)對圖像中邊緣輪廓信息的有效檢測，但對于農(nóng)業(yè)圖像來說，圖像中邊緣輪廓除了呈水平、垂直方向分布之外，還有相當一部分信息呈多方向分布，如植物的葉片邊緣、果實邊緣等信息，單純采用圖1中的檢測模板，無法準確地提取出圖像中的邊緣輪廓。因此，在圖1的基礎(chǔ)上對Prewitt算子進行改進，設(shè)計了6種新的檢測模板（圖2），連同圖1中的模板，共同組成改進后的Prewitt算子的檢測模板序列。

采用圖1、圖2中所涉及的8個方向的檢測模板，能基本勝任含有復(fù)雜信息的農(nóng)業(yè)圖像邊緣輪廓的提取。一幅農(nóng)業(yè)圖像中任意3×3大小區(qū)域可抽象表示成如圖3所示的形式。

對圖1所定義圖像區(qū)域采用改進的Prewitt算子（以圖1-a模板為例）進行邊緣提取，定義如下運算：

3算法思路與試驗分析

（1）對農(nóng)業(yè)圖像采用改進的Prewitt算子檢測邊緣輪廓，獲得邊緣圖像和非邊緣圖像；（2）由于圖像中混入不同程度的噪聲，那么邊緣圖像中勢必含有大量的“雜點”即噪聲點，采用經(jīng)典中值濾波（3×3尺寸的濾波窗口）進行處理；（3）對于非邊緣圖像采用改進加權(quán)中值濾波進行處理，對應(yīng)著第2節(jié)中的步驟1～7；（4）對（2）、（3）中獲得的邊緣、非邊緣圖像進行疊加，獲得最終處理后的圖像。

根據(jù)上述思路，將研究算法編寫成MATLAB程序，對一幅油桃成熟期果實圖像進行試驗。同時分別將本研究所提算法與經(jīng)典中值濾波、極值中值濾波以及開關(guān)中值濾波算法的去噪結(jié)果進行對比。上述4種算法的試驗結(jié)果見圖4。

原始圖像存在一定程度的模糊，圖中含有一些細小的“亮點”和“黑點”，即隨機噪聲點。為了測試本研究中4種算法特別是本研究所提算法的去噪能力，在該圖像中另外添加一定程度的隨機噪聲，添加了密度為15%的隨機噪聲圖像如圖4-b所示。經(jīng)典中值濾波（濾波窗口長、寬均為3）結(jié)果如圖4-c所示，圖中含有大量的較大的“黑點”，這主要是因為該算法無法預(yù)先對圖像中的噪聲點進行判別，將大量的噪聲點的灰度值直接對濾波對象進行賦值，導(dǎo)致出現(xiàn)了大量噪聲點集聚的現(xiàn)象，即出現(xiàn)了較大的“黑點”。極值中值濾波和開關(guān)中值濾波效果整體上優(yōu)于經(jīng)典中值濾波，圖4-d、4-e中的“黑點”密度明顯降低，但這2類算法盡管均預(yù)先對圖像中的噪聲點進行了有效判別，但是沒有考慮到各像素點與待濾波點間的相關(guān)性，從而導(dǎo)致濾波后圖像存在一定的模糊。圖4-f為本研究所提算法處理結(jié)果，經(jīng)仔細辨認，圖中仍然有噪聲點零星分布，但總體上不影響判讀和分析。

為了印證上述主觀分析結(jié)果，分別對上述試驗結(jié)果的均方差（mean square error，MSE）進行計算，MSE值越大說明濾波后圖像質(zhì)量越差，結(jié)果見表1。

由表1可知，極值中值濾波與開關(guān)中值濾波性能優(yōu)于經(jīng)典中值濾波，本研究所提算法性能又優(yōu)于其余3種算法。

4結(jié)論

為了有效處理農(nóng)業(yè)圖像，首先采用改進后的Prewitt算子對圖像進行檢測，將圖像分成邊緣圖像和非邊緣圖像2部分，分別采用經(jīng)典中值濾波和改進加權(quán)中值濾波進行處理；然后對處理后的邊緣、非邊緣圖像進行融合。試驗結(jié)果定性定量表明，本研究所提算法對于農(nóng)業(yè)圖像的處理效果明顯優(yōu)于經(jīng)典中值濾波、極值中值濾波及開關(guān)中值濾波，有一定實用性。