李健 丁小奇 陳光 孫旸 姜楠

摘要：【目的】使用改進的自適應高斯濾波算法對農(nóng)作物葉片病蟲害圖像進行降噪處理，為葉片病蟲害圖像提供前期預處理的優(yōu)化手段，從而提高診斷的準確性。【方法】通過計算圖像像素矩陣區(qū)域內(nèi)中心點鄰域方差與二維高斯濾波函數(shù)的比值，確定高斯標準差，動態(tài)生成高斯卷積核，從而形成改進的自適應高斯濾波算法，對病斑圖像進行降噪平滑處理;然后分別模擬不同噪聲強度，比較算法的降噪效果;最后通過峰值信噪比（Peak signal-to-noise ratio，PSNR）定量計算改進前后高斯濾波算法的優(yōu)化程度?！窘Y果】首先，使用MATLAB 2014b對密刺黃瓜枯萎病斑RGB圖像模擬出3組不同噪聲強度下的干擾場景，并進行歸一化處理;然后，分別利用3種算法對噪聲圖像進行降噪處理，得出當噪聲強度較弱時，改進算法對高斯白噪聲抑制效果明顯;噪聲強度增大時，改進算法的優(yōu)化程度逐漸下降;其次，分別計算各算法改進前后的PSNR，得出當噪聲強度為0.01、0.02和0.03時，即改進的自適應高斯濾波算法PSNR值分別比傳統(tǒng)高斯濾波提升6.942、6.965和6.718 db;最后，通過計算100組采集葉片圖像降噪處理后的PSNR值，得到改進的自適應高斯濾波的PSNR值平均提高13.8%。【建議】采集的農(nóng)作物葉片圖像試驗材料需廣泛化;推動優(yōu)化圖像預處理的進程;提升圖像匹配準確性，推動葉片診斷專家系統(tǒng)的研究。

關鍵詞： 圖像降噪;高斯濾波算法;葉片病蟲害;峰值信噪比

中圖分類號： S126;S56 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼： A 文章編號：2095-1191（2019）06-1385-07

Abstract：【Objective】The improved adaptive Gauss filtering algorithm was used to denoise the image of plant leaf diseases and insect pests， which provided optimization means for the pre-processing of the image of leaf diseases and insect pests， so as to improve the accuracy of diagnosis. 【Method】By calculating the ratio of the variance of the neighborhood of the center point in the image pixel matrix area to the two-dimensional Gauss filtering function， the standard deviation of Gauss was determined， and the Gauss convolution kernel was generated dynamically， thus an improved adaptive Gauss filtering algorithm was formed， and the speckle image was denoised and smoothed. Then， different noise intensities were simulated to compare the denoising effect of the algorithm. Finally， the optimization degree of the improved Gauss filtering algorithm was quantitatively calculated by peak signal-to-noise ratio（PSNR）. 【Result】Firstly， using MATLAB 2014b to simulate three sets of interference scenarios under different noise intensities for RGB image of cucumber fusarium wilt spot， and normalized them. Then， three algorithms were used to denoise the noise image， and it was concluded that when the noise intensity was weak， the improved algorithm could effectively suppress the Gauss white noise. When the sound intensity increased， the optimization degree of the improved algorithm decreased gradually. Secondly， the PSNR of the improved algorithm was calculated before and after the improvement. When the noise intensities were 0.01， 0.02 and 0.03， the PSNR value of the improved adaptive Gauss filtering algorithm was increased by 6.942， 6.965 and 6.718 db， respectively. Finally， the image drop of 100 groups of collected blades was calculated. The PSNR value of the improved algorithm was increased by about 13.8% on average after denoise processing. 【Suggestion】The experimental materials of crop leaf image should be widely used， the process of image preprocessing should be optimized， the accuracy of image matching should be improved， and the expert system of leaf diagnosis should be promoted.

Key words： image noise reduction; Gaussian filtering algorithm; leaf pests and diseases; peak-signal-to-noise ratio

收稿日期：2019-01-21

作者簡介：*為通訊作者，陳光（1961-），博士，教授，博士生導師，主要從事農(nóng)業(yè)信息化及生物信息學研究工作，E-mail：chg61@163.com。李?。?981-），博士，副教授，主要從事生物信息學及物聯(lián)網(wǎng)研究工作，E-mail：liemperor@163.com

0 引言

【研究意義】近年來，圖像處理技術逐漸在農(nóng)業(yè)病蟲害防治領域中得到廣泛應用（司秀娟，2017），其中，圖像處理在農(nóng)作物葉片診斷領域中的應用成為研究熱點（李道亮和楊昊，2018;錢曄等，2019）。農(nóng)作物葉片圖像處理首先要進行圖像采集工作（殷建軍等，2017），但在圖像采集過程中由于采集圖像的傳感器在工作時各類電路元件自身噪聲相互干擾，同時傳感器長期工作溫度過高，導致圖像信號在采集和傳遞時產(chǎn)生大量的隨機噪聲干擾，極大降低了圖像質(zhì)量（趙春江等，2012）。農(nóng)作物葉片病蟲害檢測時，圖像信息的清晰度對診斷結果的影響也非常大，因此，圖像的降噪工作對于葉片病蟲害診斷結果具有重要意義。【前人研究進展】圖像的降噪處理多是采用基于均值濾波、中值濾波及高斯濾波等傳統(tǒng)算法（顧桂梅等，2018）。近些年，許多學者使用高斯濾波算法進行圖像降噪處理，并取得一定進展。如應用高斯濾波檢測花崗石表面粗糙度（王建軍等，2006）;將高斯濾波用于光學元件的在線檢測（歐仁俠等，2015）;運用高斯濾波進行超聲斑點降噪（邵黨國等，2017）;應用自適應高斯濾波與SFIM模型相結合（王密等，2018）;Parubochyi和Roman（2018）提出一種改進高斯濾波核的快速自商圖像光照歸一化方法;Yang等（2018）提出帶有色測量噪聲的馬爾可夫跳躍非線性系統(tǒng)的自適應高斯混合濾波器等。在傳統(tǒng)高斯濾波算法的應用過程中，由于標準差和高斯核大小的選取比較隨意，導致了圖像的細節(jié)丟失而嚴重影響后期葉片診斷的準確性（黃玉龍等，2016;閆冬和盧曉東，2018）?！颈狙芯壳腥朦c】針對傳統(tǒng)高斯濾波算法存在的問題，部分學者提出改進的高斯濾波算法，對標準差的設定形成一定約束，但針對不同圖像仍然沒有具體的標準差數(shù)值。【擬解決的關鍵問題】對二維高斯濾波函數(shù)的標準差σ給出一種新的選取方案，針對圖像不同位置像素值的方差，確定不同高斯核，形成改進的自適應高斯濾波算法，以提高后期農(nóng)作物圖像處理的精確度，在農(nóng)作物病蟲害圖像降噪方面具有一定的借義。

1 數(shù)據(jù)來源與研究方法

1. 1 數(shù)據(jù)采集

試驗材料采集于2017年4月，在位于吉林省松原市長嶺縣流水鄉(xiāng)的吉林農(nóng)業(yè)大學實驗基地溫室大棚內(nèi)進行。使用CVSE1-RA圖像采集傳感器采集100張密刺黃瓜枯萎病斑彩色圖像，大棚內(nèi)溫度25 ℃，濕度90%;并使用Photoshop CC 2017對采集的每張圖片進行裁剪，剪切掉邊緣無用信息，得到100張長×寬為370 px×370 px的RGB圖像。

1. 2 研究方法

1. 2. 1 傳統(tǒng)高斯濾波算法 高斯濾波是一種線性平滑濾波（戴嘉程等，2019），概率密度函數(shù)服從正態(tài)分布，在數(shù)字圖像處理中，用于處理被高斯噪聲干擾的圖像。高斯濾波是對整幅圖像進行加權平均的過程（孟東等，2018），每個像素點的值均由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權平均后得到：

式中，（u，v）表示像素點坐標，在圖像處理中為整數(shù)，σ為標準差。對二維高斯濾波函數(shù)進行離散化，得到的函數(shù)值作為高斯核中的權值系數(shù)。對于大小為（2k+1）×（2k+1）的卷積窗口，高斯核中（i，j）位置處元素值的計算公式如下：

二維高斯濾波在圖像平滑處理時，最重要的是標準差σ的選取，σ選取越大，高斯濾波器的頻帶就越寬，平滑程度就越好。為解決人為設定標準差σ導致圖像細節(jié)丟失差異偏大的影響，王海菊等（2017）在研究中約束了標準差σ隨意設定的問題，但仍然無法確定是否為最優(yōu)標準差σ。本研究在此基礎上，對標準差σ的選取問題給出一種新的選取方案。改進的算法可動態(tài)確定具體的標準差σ，彌補了傳統(tǒng)高斯濾波算法人為設定標準差的缺陷。

1. 2. 2 改進高斯濾波算法 高斯核中每個參數(shù)都將作為圖像像素矩陣某一區(qū)域內(nèi)對應位置灰度值的權重，中心點灰度值的平滑結果為根據(jù)自身及其周圍灰度值與高斯核中的參數(shù)對應相乘，求和平均后所得。每個像素矩陣中的灰度值均受其周圍灰度值影響，從而達到圖像平滑降噪的效果（張凱兵等，2016;路澤忠等，2019），因此，高斯核在圖像平滑過程中至關重要。高斯核的確定直接受標準差σ影響。圖像的某個區(qū)域內(nèi)像素點離散程度相對較大，則對應像素值的方差相對較大;反之，則對應像素值的方差相對較小。鑒于高斯核系數(shù)權值與方差的正比例關系特性，根據(jù)方差求得高斯核標準差σ。首先，計算某一區(qū)域內(nèi)的方差：

式中，Si，j表示中心點（i，j）附近的（2k+1）×（2k+1）鄰域范圍。方差D（i，j）越大，表示像素矩陣在該區(qū)域離散程度越大，需要減小σ;反之，則需要增大σ。根據(jù)這一特性，將方差D（i，j）與二維高斯濾波函數(shù)f（i，j）進行對比，得到函數(shù)R（i，j）：

式中，（i，j）表示卷積窗口內(nèi)中心像素點坐標，由于D（i，j）是常量，因而R（i，j）是一個關于高斯核半徑k與標準差σ的函數(shù)，即：

其中，當R=1時，像素矩陣Si，j區(qū)域的方差D，即該區(qū)域內(nèi)灰度值的離散程度與二維濾波函數(shù)fi，j處的離散程度相等，也就是高斯核中參數(shù)的權重與Si，j區(qū)域的像素矩陣灰度值權重最接近，由于濾波過程中，太大的高斯核尺寸邊緣權重很小，沒有實際意義，故通常選用3×3或5×5的高斯核尺寸。此時，該處的標準差σ由Si，j區(qū)域內(nèi)像素值的方差D決定，以此類推，反復迭代，標準差的取值隨著每次迭代方差D的改變而改變，從而形成一種新的自適應高斯濾波。本研究中運用3×3高斯核，即單調(diào)遞增函數(shù)：

函數(shù)圖像如圖1所示，當R固定時，方差D越大，標準差σ就要越小;方差D越小，標準差σ就要越大。

1. 3 統(tǒng)計分析

使用MATLAB 2014b計算去噪后圖像與原圖像的峰值信噪比（Peak signal-to-noise ratio，PSNR），再與傳統(tǒng)高斯濾波算法和現(xiàn)有自適應高斯濾波算法進行對比。將100張圖片進行100次反復實驗，得出本研究改進的自適應高斯濾波算法提升率。

2 結果與分析

2. 1 圖片仿真加噪

為驗證改進算法的通用性，本研究使用MATLAB 2014b中高斯加噪函數(shù)對采集的密刺黃瓜枯萎病斑RGB圖像3個通道的像素矩陣模擬出3組不同噪聲強度下的干擾場景，如圖2所示，隨著噪聲強度d的逐漸增大，圖像受高斯白噪聲污染不斷增強，圖像細節(jié)丟失越來越明顯，嚴重影響圖像質(zhì)量。

2. 2 高斯濾波降噪

對圖像進行高斯濾波降噪處理，首先，使用MATLAB 2014b將密刺黃瓜枯萎病斑RGB圖像的3個通道分別轉化成3個像素值矩陣，再對每個像素值矩陣進行歸一化處理。為對比改進的自適應高斯濾波算法與傳統(tǒng)高斯濾波算法、現(xiàn)有自適應高斯濾波算法的優(yōu)劣性，分別使用3種算法對不同強度的噪聲圖像進行圖像卷積操作，均采用3×3大小卷積核。其中，傳統(tǒng)高斯濾波算法標準差σ設定為1.5。圖3～圖5為3種算法在3組不同噪聲強度下的比較圖。

如圖3所示，當噪聲強度d=0.01時，傳統(tǒng)高斯濾波算法降噪后，圖像模糊程度明顯增大，雖然有效地減少了噪聲圖像中的高斯白噪聲，但圖像更加模糊，且圖像細節(jié)丟失程度并未明顯下降，是人為隨意選取標準差導致的缺陷;現(xiàn)有自適應高斯濾波算法降噪后，圖像模糊程度變化不明顯，但圖像中的高斯白噪聲得到有效抑制;改進的自適應高斯濾波算法降噪后，圖像模糊程度變化不明顯，圖像中的高斯白噪聲抑制效果更優(yōu)。

如圖4所示，當噪聲強度d=0.02時，傳統(tǒng)高斯濾波算法降噪后，圖像模糊程度增大，高斯白噪聲抑制效果不明顯;現(xiàn)有自適應高斯濾波算法降噪后，圖像模糊程度稍微增大，高斯白噪聲得到有效抑制;改進的自適應高斯濾波降噪后，圖像模糊程度變化不明顯，高斯白噪聲抑制效果比現(xiàn)有自適應高斯濾波算法更優(yōu)，但抑制程度減弱。

如圖5所示，當噪聲強度d=0.03時，傳統(tǒng)高斯濾波算法降噪后，圖像模糊程度增大，但不明顯，高斯白噪聲抑制效果很弱;現(xiàn)有自適應高斯濾波算法降噪后，圖像模糊程度變化很小，高斯白噪聲抑制效果減弱;改進的自適應高斯濾波算法圖像模糊程度變化很小，高斯白噪聲抑制效果也相對減弱。

為驗證上述分析結果的適用性，本研究對3種算法進行100組不同噪聲強度的圖像卷積降噪操作，結果顯示，當噪聲強度較弱時，改進的自適應高斯濾波算法優(yōu)化效果顯著，高斯白噪聲抑制效果明顯;但是隨著噪聲強度增大，其優(yōu)化程度逐漸下降，因為當噪聲強度越來越大時，圖像卷積操作時，窗口內(nèi)的像素離散程度變化明顯，直接影響標準差的動態(tài)變化程度，導致降噪效果減弱。

2. 3 PSNR值對比與分析

PSNR是一個信號最大功率與可能影響其表示精度噪聲功率的比值（盧珍，2017），通常用來衡量圖像受噪聲干擾程度，應用于測量圖片的重建質(zhì)量，PSNR值越高表明重建質(zhì)量越高，即圖像受噪聲污染越?。≒oobathy and Manicka，2014）。公式定義如下：

其中，MAX表示圖像的灰度級，一般為255，MSE為均方根誤差，m、n為圖像尺寸。I（i，j）和K（i，j）表示兩幅對比圖像中（i，j）點坐標位置（Liu and Zhai，2017）。本研究計算了降噪后處理圖像與原圖像的峰值信噪比，用以比較3種算法的降噪效果。由表1可知，降噪后與降噪前的PSNR值對比，傳統(tǒng)高斯濾波算法的PSNR值基本維持在16 db左右，現(xiàn)有自適應高斯濾波算法PSNR值基本維持在21 db左右，改進的自適應高斯濾波算法PSNR值在23 db左右。由此可得，傳統(tǒng)高斯濾波算法進行圖像降噪處理后，不同噪聲強度下其效果差距不明顯;現(xiàn)有自適應高斯濾波算法在不同強度的噪聲干擾下，降噪效果明顯優(yōu)于傳統(tǒng)高斯濾波;改進的自適應高斯濾波算法相對于現(xiàn)有高斯濾波算法優(yōu)化效果更佳。在不同噪聲強度的干擾下，改進的自適應高斯濾波算法優(yōu)化效果明顯，在0.01、0.02和0.03噪聲強度下，分別比傳統(tǒng)高斯濾波算法PSNR值提升6.942、6.965和6.718 db。

高斯濾波算法用于圖像降噪時，由于輸入圖像的不同使降噪效果差異明顯。傳統(tǒng)高斯濾波算法由于人為規(guī)定標準差σ的取值，無法保證噪聲圖像的最優(yōu)降噪效果，降噪處理后，PSNR值普遍較低;現(xiàn)有自適應高斯濾波針對輸入圖像的不同，計算卷積窗口內(nèi)像素值的方差大小，從而動態(tài)地調(diào)整標準差σ的取值，具有更強的適應性，PSNR值有一定提升;本研究中改進的自適應高斯濾波算法通過發(fā)現(xiàn)高斯核系數(shù)權值與方差的正比例關系特性，針對圖像不同區(qū)域內(nèi)離散程度不同的現(xiàn)象，將卷積窗口內(nèi)的像素值方差與離散的二維高斯濾波函數(shù)進行對比，動態(tài)地確定具體的標準差σ取值，從而獲得更優(yōu)的降噪效果，PSNR值在現(xiàn)有的自適應高斯濾波的基礎上，得到了進一步提升。

為避免計算誤差導致試驗結果出現(xiàn)偏差，本研究進行100次葉片圖像反復試驗，分別計算自適應高斯濾波算法和改進的自適應高斯濾波算法PSNR值的平均提升率。由表2可看出，改進的自適應高斯濾波算法相比于現(xiàn)有的自適應高斯濾波算法，PSNR值平均提高13.8%，降噪效果優(yōu)化明顯。

3 討論

圖像預處理是圖像處理領域中極易被忽視的關鍵步驟。圖像預處理首先需要對噪聲進行分類，針對不同噪聲干擾，采用相應的降噪算法。其中高斯濾波算法處理高斯白噪聲、降噪效果最優(yōu)（Hernández-Gutiérrez et al.，2018）。使用高斯濾波算法在各領域進行圖像降噪處理的案例很多，但對圖像的降噪均無法達到最優(yōu)效果。傳統(tǒng)高斯濾波算法由于在高斯核標準差的選取上存在人為設定的隨意性，無法根據(jù)輸入圖像的不同進行相應調(diào)整，因此，很多學者在各自的研究領域提出改進的高斯濾波算法。王海菊等（2017）根據(jù)卷積窗口內(nèi)的像素方差值來調(diào)整高斯濾波函數(shù)中的標準差，規(guī)定了標準差的選取方案;邵黨國等（2017）根據(jù)超聲圖像局部特征，將圖像區(qū)分為斑點噪聲區(qū)域和組織區(qū)域，并用圖像區(qū)域與參考區(qū)域的相似度計算高斯濾波器的標準差，從而達到濾波器對不同區(qū)域區(qū)別處理的目的;閆冬和盧曉東（2018）通過不斷交替縮放模型，減小縮放比例，對參數(shù)的依賴性進一步減弱;Wang等（2019）提出了一種通過光響應非均勻性（PRNU）噪聲估計線性高斯濾波器核的方法，該方法結合PRNU噪聲應用特性來估計線性高斯濾波器核的系數(shù)。雖然這些改進在一定程度上彌補了傳統(tǒng)高斯濾波算法中人為選取標準差隨意性的缺陷，但針對不同類型的輸入圖像，仍然無法解決具體標準差的選取問題，算法不具備一定的通用性。

本研究改進的自適應高斯濾波算法通過發(fā)現(xiàn)高斯核系數(shù)權值與方差的正比例關系特性，利用方差求得標準差σ的具體數(shù)值，針對不同的輸入圖像，動態(tài)地求得合適的標準差σ，解決了傳統(tǒng)高斯濾波算法中人為設定標準差σ的缺陷，經(jīng)試驗數(shù)據(jù)對比發(fā)現(xiàn)，降噪效果提升13.8%。但是，改進的算法也存在一些缺陷，比如每當卷積窗口滑動時即需計算方差及方差和高斯濾波函數(shù)的比值，即增大了計算復雜度，時效性變差;其次，標準差σ的計算結果可能存在無限循環(huán)小數(shù)的情況，精度的設定問題也會對程序的運行時長和圖像的降噪效果產(chǎn)生影響。在今后的研究中，將繼續(xù)優(yōu)化程序代碼，減少程序的計算復雜度，進一步提高圖像的降噪效果。

4 建議

4. 1 試驗材料廣泛化

本研究利用3種算法驗證不同強度噪聲下的降噪效果，發(fā)現(xiàn)改進的自適應高斯濾波算法具備一定的通用性。但是，針對不同的農(nóng)作物病斑圖像，在不同強度的噪聲干擾下是否仍然具備同樣降噪效果，應繼續(xù)通過大量試驗反復驗證，增強算法的通用性。今后需要繼續(xù)在吉林省松原市長嶺縣流水鄉(xiāng)的吉林農(nóng)業(yè)大學實驗基地采集農(nóng)作物葉片圖像進行反復試驗，擴展采集圖像葉片類型，優(yōu)化該算法的通用性。

4. 2 推動優(yōu)化圖像預處理

在圖像處理領域中，圖像預處理是必經(jīng)的步驟，本研究改進的自適應高斯濾波算法優(yōu)化了圖像預處理過程，在今后的研究過程中，可與圖像處理其他算法廣泛結合，尤其對圖像特征提取精度要求高的領域，可提高后期處理的準確率。同時，本研究中改進的自適應高斯濾波算法可為圖像預處理領域中其他相關算法的改進提供一定的借鑒思路，共同推動圖像預處理領域的優(yōu)化進程。

4. 3 提升圖像匹配準確性，推動葉片診斷專家系統(tǒng)的研究

農(nóng)作物葉片診斷專家系統(tǒng)是當前智慧農(nóng)業(yè)的研究熱點，是處理農(nóng)作物早期病蟲害診斷及預防問題的關鍵手段之一。但農(nóng)作物病蟲害葉片圖像在圖像特征檢測階段，由于受外界噪聲干擾，導致檢測精度下降，直接影響葉片診斷專家系統(tǒng)運行結果的準確性。圖像預處理是解決采集圖像受外界噪聲干擾問題的關鍵步驟。改進的自適應高斯濾波算法對受高斯白噪聲干擾的采集圖像降噪效果明顯，對圖像特征檢測精度的提高具有一定的參考價值。實際操作中需進一步增強該算法的通用性，改革圖像采集設備和改進圖像特征檢測領域中的相關算法，農(nóng)作物葉片診斷專家系統(tǒng)才能得到更加深入的發(fā)展。

參考文獻：

戴嘉程，曾文涵，楊文軍，盧文龍，劉曉軍，秦紅玲. 2019. 高階高斯濾波和Radon變換結合的缸體特征提取[J]. 西安交通大學學報，53（4）： 1-8. [Dai J C，Zeng W H，Yang W J，Lu W L，Liu X J，Qin H L. 2019. Cylinder surface feature extraction combining high-order Gaussian filter with Radon transform[J]. Journal of Xi’an Jiaotong University， 53（4）： 1-8.]

顧桂梅，冉建民，周詠. 2018. 基于高斯-中值的鋼軌表面缺陷圖像濾波研究[J]. 鐵道科學與工程學報，15（8）： 1943-1949. [Gu G M，Ran J M，Zhou Y. 2018. Image filtering of rail surface defects based on Gauss-median[J]. Journal of Railway Science and Engineering，15（8）： 1943-1949.]

黃玉龍，張勇剛，李寧，趙琳. 2016. 一種改進的高斯近似濾波方法[J]. 自動化學報，42（3）： 385-401. [Huang Y L，Zhang Y G，Li N，Zhao L. 2016. An improved Gaussian approximation filtering method[J]. Acta Automatica Sinica，42（3）： 385-401.]

李道亮，楊昊. 2018. 農(nóng)業(yè)物聯(lián)網(wǎng)技術研究進展與發(fā)展趨勢分析[J]. 農(nóng)業(yè)機械學報，49（1）： 1-20. [Li D L，Yang H. 2018. State of the art review for internet of things in agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery，49（1）： 1-20.]

盧珍. 2017. 單項Sobel算子提高Φ-OTDR信噪比方法的研究[J]. 光通信技術，41（7）： 37-39. [Lu Z. 2017. Study of improving the signal-noise ratio of φ-OTDR based on single Sobel operator[J]. Optical Communication Technology，41（7）： 37-39.]

路澤忠，盧小平，馬靚婷，張航. 2019. 融合ROF模型的高斯濾波RSSI測距算法[J]. 導航定位學報，7（1）： 54-58. [Lu Z Z，Lu X P，Ma L T，Zhang H. 2019. Gaussian filter RSSI ranging algorithm based on ROF model[J]. Journal of Navigation and Positioning，7（1）： 54-58.]

孟東，繆玲娟，邵?？?，沈軍. 2018. 非高斯噪聲下的參數(shù)自適應高斯混合CQKF算法[J]. 北京理工大學學報，38（10）： 1079-1084. [Meng D，Miao L J，Shao H J，Shen J. 2018. A parameter adaptive Gaussian mixture CQKF algorithm under non-Gaussian noise[J]. Transactions of Beijing Institute of Technology，38（10）： 1079-1084.]

歐仁俠，張華磊，陳洪斌. 2015. 基于高斯濾波的光學元件損傷圖像在線檢測[J]. 激光雜志，36（12）： 77-80. [Ou R X，Zhang H L，Chen H B. 2015. On line detection of optical component damage image based on Gauss filter[J]. Laser Journal，36（12）： 77-80.]

錢曄，孫吉紅，黎斌林，彭琳，沈穎鳴，沈其鎣. 2019. 大數(shù)據(jù)環(huán)境下我國智慧農(nóng)業(yè)發(fā)展策略與路徑[J]. 云南農(nóng)業(yè)大學學報（社會科學），13（1）： 6-10. [Qian Y，Sun J H，Li B L，Peng L，Shen Y M，Shen Q Y. 2019. Development strategy and path of intelligent agriculture in China under big data environment[J]. Journal of Yunnan Agricultural University（Social Science），13（1）： 6-10.]

邵黨國，鄧陽陽，相艷，易三莉，余正濤，賀建峰，劉翠寅，宗紹云. 2017. 基于自適應高斯濾波的超聲斑點降噪[J]. 數(shù)據(jù)采集與處理，32（4）： 746-753. [Shao D G，Deng Y Y，Xiang Y，Yi S L，Yu Z T，He J F，Liu C Y，Zong S Y. 2017. Speckle reduction based on adaptive Gauss filtering[J]. Journal of Data Acquisition & Processing，32（4）： 746-753.]

司秀娟. 2017. 深度圖像處理在精準農(nóng)業(yè)領域的應用研究[D]. 北京：中國科學技術大學. [Si X J. 2017. Research on depth image processing in precision agriculture[D]. Beijing： University of Science and Technology of China.]

王海菊，譚常玉，王坤林，杜鳳娟，吳智軍，高仕龍. 2017. 自適應高斯濾波圖像去噪算法[J]. 福建電腦，33（11）： 5-6. [Wang H J，Tan C Y，Wang K L，Du F J，Wu Z J，Gao S L. 2017. Adaptive Gaussian filter image denoising algorithm[J]. Fujian Computer，33（11）： 5-6.]

王建軍，徐西鵬，黃輝. 2006. 高斯濾波在花崗石表面粗糙度研究中的應用[J]. 計量學報，27（2）： 104-106. [Wang J J，Xu X P，Huang H. 2006. Application of Gauss filtering in study of roughness to granite surface profiles[J]. Acta Metrologica Sinica，27（2）： 104-106.]

王密，何魯曉，程宇峰，常學立. 2018. 自適應高斯濾波與SFIM模型相結合的全色多光譜影像融合方法[J]. 測繪學報，47（1）： 82-90. [Wang M，He L X，Cheng Y F，Chang X L. 2018. Panchromatic and multi-spectral fusion me-thod combined with adaptive Gaussian filter and SFIM model[J]. Acta Geochimica Sinica et Cartographica Sinica，47（1）： 82-90.]

閆冬，盧曉東. 2018. 一種改進的高斯濾波方法[J]. 地理空間信息，16（5）： 113-114. [Yan D，Lu X D. 2018. Improved filtering method based on λ/μ method[J]. Geospatial Information，16（5）： 113-114.]

殷建軍，潘春華，肖克輝，葉耀文，劉小平，肖德琴. 2017. 基于無線圖像傳感器網(wǎng)絡的農(nóng)田遠程監(jiān)測系統(tǒng)[J]. 農(nóng)業(yè)機械學報，48（7）：286-293. [Yin J J，Pan C H，Xiao K H，Ye Y W，Liu X P，Xiao D Q. 2017. Remote monitoring system for farmland based on wireless image sensor network[J]. Transactions of the Chinese Society of Agricultural Machinery，48（7）： 286-293.]

張凱兵，章愛群，李春生. 2016. 基于HSV空間顏色直方圖的油菜葉片缺素診斷[J]. 農(nóng)業(yè)工程學報，32（19）： 179-187. [Zhang K B， Zhang A Q， Li C S. 2016. Nutrient deficiency diagnosis method for rape leaves using color histogram on HSV space[J]. Transactions of the Chinese Socie-ty of Agricultural Engineering，32（19）： 179-187.]

趙春江，屈利華，陳明，楊信廷，孫傳恒，李文勇. 2012. 基于ZigBee的溫室環(huán)境監(jiān)測圖像傳感器節(jié)點設計[J]. 農(nóng)業(yè)機械學報，43（11）： 192-196. [Zhao C J，Qu L H，Chen M，Yang X T，Sun C H，Li W Y. 2012. Design of ZigBee-based greenhouse environmental monitoring image sensor node[J]. Transactions of the Chinese Society of Agricultural Machinery，43（11）： 192-196.]

Hernández-Gutiérrez I V，Gallegos-Funes F J，Rosales-Silva A J. 2018. Improved preclassification non local-means（IPN-LM） for filtering of grayscale images degraded with additive white Gaussian noise[J]. EURASIP Journal on Image and Video Processing，（1）. doi： 10.1186/s13640-018-0346-y.

Liu N，Zhai G T. 2017. Free energy adjusted peak signal to noise ratio（FEA-PSNR） for image quality assessment[J]. Sensing and Imaging an International Journal，18（1）： 11.

Parubochyi V，Roman S. 2018. Fast self-quotient image me-thod for lighting normalization based on modified Gaus-sian filter kernel[J]. The Imaging Science Journal. doi.org/10.1080/13682199.2018.1517857.

Poobathy D，Manicka C R. 2014. Edge detection operators： Peak signal to noise ratio based comparison[J]. International Journal of Image，Graphics and Signal Processing（IJIGSP），6（10）： 55-61.

Wang J W，Wu G J，Li J，Jha S K. 2019. A new method estimating linear gaussian filter kernel by image PRNU noise[J]. Journal of Information Security and Applications，44： 1-11.

Yang Y B，Liang Y，Pan Q，Qin Y M，Wang X X. 2018. Adaptive Gaussian mixture filter for Markovian jump nonli-near systems with colored measurement noises[J]. ISA Transactions. doi： 10.1016/j.isatra.2018.05.018.

（責任編輯 鄧慧靈）