一种结合小波变换的豆类图像增强算法

摘要：针对农业视觉图像时常受到噪声的干扰，导致图像质量在很大程度降低的问题，以豆类图像为例，提出了一种图像自适应增强算法。该算法将小波变换与改进自适应中值滤波有机结合，首先对降质豆类图像实现2层小波分解，小波基函数取sym8，获得小波高频和低频分解系数；然后从噪声检测、自适应滤波等2个环节中对自适应中值滤波加以改进，提出了一种改进自适应中值滤波算法用于对小波各方向高频分解系数的自适应滤波；最后实现小波低频和高频系数的重构。将本研究算法与小波软阈值法、自适应中值滤波进行仿真试验比较，结果表明，本研究算法效果最优，能够实现对降质的豆类图像高质量增强处理。

关键词：豆类图像；图像增强；小波变换；小波软阈值；改进自适应中值滤波

中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）07-0433-03

收稿日期：2013-09-08

作者简介：周仕友（1970—），男，贵州兴仁人，硕士，实验师，主要研究方向为计算机控制模型分析与设计、计算机图像处理。E-mail：zhoushiyoumaster@126.com。实时化获取高质量的农作物长势图像是实现对植物长势、病虫害自动化检测以便对农产品产量进行估算的前提。由于气候、降水、土壤等自然因素以及图像在拍摄、记录、传输解码等过程中不可避免会受到噪声的干扰，导致所获取的图像一般为降质图像。因此，对该类图像进行增强处理，以便从大量噪声中高质量地复原出来，对于后续的图像判别意义重大。石永华等采用Contourlet变换对农业图像增强方法进行了研究[1]。印红群等研究了木材缺陷图像的小波域阈值去噪问题[2]。邵乔林等将邻域直方图方法引入到玉米图像中，实现了玉米图像的自适应分割[3]。夏政伟等将多重分形理论应用于玉米病害图像的特征提取研究[4]。程玉柱等提出基于Bayes与SVM的玉米图像分割方法[5]。以上研究主要是通过对降质图像进行特征提取、分割将感兴趣的目标加以突出，但由于后续的研究目标、方法不同，导致感兴趣的目标也有所不同，先期的特征提取结果未必适合后续研究。本研究针对受到高密度干扰的豆类图像，将小波变换与改进自适应中值滤波有机结合，提出了一种针对该类图像的自适应增强算法。

1.2豆类图像小波变换基本实现流程

通过以上分析可知，小波变换通过对图像进行多级分解，对获得的多尺度分解系数进行适当处理，在此基础上实现分解系数重构。因此，通过这一框架实现对农业豆类图像的增强处理，理论上是可行的，基于小波变换的豆类图像处理流程如图1所示。具体步骤如下：步骤1：对降质的豆类图像实现多尺度小波分解。研究表明，小波分解层数并非越多越好。本研究实现2层分解，采用“Symlets”小波簇中的“sym8”小波函数作为小波分解的基函数，从而获得分解后的低频和水平、垂直、对角方向的高频系数。步骤2：低频分解系数主要是豆类图像中植物边缘轮廓等低频信息的反映，降质程度不是很严重，若不加以处理，对重构后图像质量的提高也会有所影响。鉴于小波软阈值函数的良好性能，因而将其引入，对该部分系数加以处理[7]。步骤3：小波分解对于图像信号具有较好的集中性能，从而使得图像信息大体呈现水平、垂直、对角分布，因此本研究详细讨论该部分系数的处理方法；步骤4：将步骤2、步骤3获得的处理后的低频、高频分解系数重构，获得增强后的豆类图像。

2改进自适应中值滤波算法

自适应中值滤波通过采用固定大小的模板在待处理图像上滑动，对于任一噪声点而言，取该点模板尺寸大小的邻域中所有像素点灰度值的中间值赋值作为噪声点像素值的修正值输出。该算法的不足之处在于：（1）图像中像素值出现极值的像素点未必全部是噪声点，对图像所有像素点全部进行排序取中间值计算，会将图像中有用信息滤除；（2）对图像反复进行排序取中间值，会增加计算量，事实上，图像中相当一部分像素点不需要进行滤波处理，“强行”滤波一方面使得计算量呈现几何级数增长，另一方面也降低了图像质量。

2.1噪声预判别策略

3仿真试验

3.1试验方案

随机拍摄2幅豆类长势图像作为试验数据，通过对其分别加入不同强度的噪声来模拟降质图像。事实上，现实中的豆类图像的降质程度不及本研究的降质程度，之所以采用模拟降质图像作为试验数据，一方面是可通过对其中的降质量源进行定量控制从而便于衡量算法的优劣；另一方面是因为算法若能对高降质量模拟图像进行处理，那么对于现实中的豆类降质量图像处理必定能取得理想效果。为了便于横向比较，将本研究算法处理结果与小波软阈值、自适应中值滤波算法进行比较，引入均方根误差（MSE）[8]作为算法效果定量计算指标（表1）。

4结论

为了改善豆类图像视觉对比度，将小波变换与自适应中值滤波相结合，提出了一种该类图像增强算法。结果表明，本研究算法相对于小波软阈值、自适应中值滤波而言，效果较为明显，适合该类图像的自适应处理。

参考文献：

[1]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.

[2]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.

[3]邵乔林，安秋. 基于邻域直方图的玉米田绿色植物图像分割方法[J]. 江西农业学报，2011，23（5）：126-128，135.

[4]夏政伟. 多重分形理论在玉米病害图像特征提取中的应用[J]. 南方农业学报，2013，44（5）：871-874.

[5]程玉柱，陈勇，车军，等. 基于Bayes与SVM的玉米彩色图像分割新算法[J]. 江苏农业科学，2012，40（7）：355-358.

[6]王成刚. 基于小波变换和形态学的图像去噪方法研究[D]. 西安：长安大学，2009.

[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[8]刘钺. 小波模极大值在图像消噪中的应用[J]. 计算机工程，2011，37（6）：200-202.endprint

摘要：针对农业视觉图像时常受到噪声的干扰，导致图像质量在很大程度降低的问题，以豆类图像为例，提出了一种图像自适应增强算法。该算法将小波变换与改进自适应中值滤波有机结合，首先对降质豆类图像实现2层小波分解，小波基函数取sym8，获得小波高频和低频分解系数；然后从噪声检测、自适应滤波等2个环节中对自适应中值滤波加以改进，提出了一种改进自适应中值滤波算法用于对小波各方向高频分解系数的自适应滤波；最后实现小波低频和高频系数的重构。将本研究算法与小波软阈值法、自适应中值滤波进行仿真试验比较，结果表明，本研究算法效果最优，能够实现对降质的豆类图像高质量增强处理。

关键词：豆类图像；图像增强；小波变换；小波软阈值；改进自适应中值滤波

中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）07-0433-03

收稿日期：2013-09-08

作者简介：周仕友（1970—），男，贵州兴仁人，硕士，实验师，主要研究方向为计算机控制模型分析与设计、计算机图像处理。E-mail：zhoushiyoumaster@126.com。实时化获取高质量的农作物长势图像是实现对植物长势、病虫害自动化检测以便对农产品产量进行估算的前提。由于气候、降水、土壤等自然因素以及图像在拍摄、记录、传输解码等过程中不可避免会受到噪声的干扰，导致所获取的图像一般为降质图像。因此，对该类图像进行增强处理，以便从大量噪声中高质量地复原出来，对于后续的图像判别意义重大。石永华等采用Contourlet变换对农业图像增强方法进行了研究[1]。印红群等研究了木材缺陷图像的小波域阈值去噪问题[2]。邵乔林等将邻域直方图方法引入到玉米图像中，实现了玉米图像的自适应分割[3]。夏政伟等将多重分形理论应用于玉米病害图像的特征提取研究[4]。程玉柱等提出基于Bayes与SVM的玉米图像分割方法[5]。以上研究主要是通过对降质图像进行特征提取、分割将感兴趣的目标加以突出，但由于后续的研究目标、方法不同，导致感兴趣的目标也有所不同，先期的特征提取结果未必适合后续研究。本研究针对受到高密度干扰的豆类图像，将小波变换与改进自适应中值滤波有机结合，提出了一种针对该类图像的自适应增强算法。

1.2豆类图像小波变换基本实现流程

通过以上分析可知，小波变换通过对图像进行多级分解，对获得的多尺度分解系数进行适当处理，在此基础上实现分解系数重构。因此，通过这一框架实现对农业豆类图像的增强处理，理论上是可行的，基于小波变换的豆类图像处理流程如图1所示。具体步骤如下：步骤1：对降质的豆类图像实现多尺度小波分解。研究表明，小波分解层数并非越多越好。本研究实现2层分解，采用“Symlets”小波簇中的“sym8”小波函数作为小波分解的基函数，从而获得分解后的低频和水平、垂直、对角方向的高频系数。步骤2：低频分解系数主要是豆类图像中植物边缘轮廓等低频信息的反映，降质程度不是很严重，若不加以处理，对重构后图像质量的提高也会有所影响。鉴于小波软阈值函数的良好性能，因而将其引入，对该部分系数加以处理[7]。步骤3：小波分解对于图像信号具有较好的集中性能，从而使得图像信息大体呈现水平、垂直、对角分布，因此本研究详细讨论该部分系数的处理方法；步骤4：将步骤2、步骤3获得的处理后的低频、高频分解系数重构，获得增强后的豆类图像。

2改进自适应中值滤波算法

自适应中值滤波通过采用固定大小的模板在待处理图像上滑动，对于任一噪声点而言，取该点模板尺寸大小的邻域中所有像素点灰度值的中间值赋值作为噪声点像素值的修正值输出。该算法的不足之处在于：（1）图像中像素值出现极值的像素点未必全部是噪声点，对图像所有像素点全部进行排序取中间值计算，会将图像中有用信息滤除；（2）对图像反复进行排序取中间值，会增加计算量，事实上，图像中相当一部分像素点不需要进行滤波处理，“强行”滤波一方面使得计算量呈现几何级数增长，另一方面也降低了图像质量。

2.1噪声预判别策略

3仿真试验

3.1试验方案

随机拍摄2幅豆类长势图像作为试验数据，通过对其分别加入不同强度的噪声来模拟降质图像。事实上，现实中的豆类图像的降质程度不及本研究的降质程度，之所以采用模拟降质图像作为试验数据，一方面是可通过对其中的降质量源进行定量控制从而便于衡量算法的优劣；另一方面是因为算法若能对高降质量模拟图像进行处理，那么对于现实中的豆类降质量图像处理必定能取得理想效果。为了便于横向比较，将本研究算法处理结果与小波软阈值、自适应中值滤波算法进行比较，引入均方根误差（MSE）[8]作为算法效果定量计算指标（表1）。

4结论

为了改善豆类图像视觉对比度，将小波变换与自适应中值滤波相结合，提出了一种该类图像增强算法。结果表明，本研究算法相对于小波软阈值、自适应中值滤波而言，效果较为明显，适合该类图像的自适应处理。

参考文献：

[1]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.

[2]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.

[3]邵乔林，安秋. 基于邻域直方图的玉米田绿色植物图像分割方法[J]. 江西农业学报，2011，23（5）：126-128，135.

[4]夏政伟. 多重分形理论在玉米病害图像特征提取中的应用[J]. 南方农业学报，2013，44（5）：871-874.

[5]程玉柱，陈勇，车军，等. 基于Bayes与SVM的玉米彩色图像分割新算法[J]. 江苏农业科学，2012，40（7）：355-358.

[6]王成刚. 基于小波变换和形态学的图像去噪方法研究[D]. 西安：长安大学，2009.

[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[8]刘钺. 小波模极大值在图像消噪中的应用[J]. 计算机工程，2011，37（6）：200-202.endprint

摘要：针对农业视觉图像时常受到噪声的干扰，导致图像质量在很大程度降低的问题，以豆类图像为例，提出了一种图像自适应增强算法。该算法将小波变换与改进自适应中值滤波有机结合，首先对降质豆类图像实现2层小波分解，小波基函数取sym8，获得小波高频和低频分解系数；然后从噪声检测、自适应滤波等2个环节中对自适应中值滤波加以改进，提出了一种改进自适应中值滤波算法用于对小波各方向高频分解系数的自适应滤波；最后实现小波低频和高频系数的重构。将本研究算法与小波软阈值法、自适应中值滤波进行仿真试验比较，结果表明，本研究算法效果最优，能够实现对降质的豆类图像高质量增强处理。

关键词：豆类图像；图像增强；小波变换；小波软阈值；改进自适应中值滤波

中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）07-0433-03

收稿日期：2013-09-08

作者简介：周仕友（1970—），男，贵州兴仁人，硕士，实验师，主要研究方向为计算机控制模型分析与设计、计算机图像处理。E-mail：zhoushiyoumaster@126.com。实时化获取高质量的农作物长势图像是实现对植物长势、病虫害自动化检测以便对农产品产量进行估算的前提。由于气候、降水、土壤等自然因素以及图像在拍摄、记录、传输解码等过程中不可避免会受到噪声的干扰，导致所获取的图像一般为降质图像。因此，对该类图像进行增强处理，以便从大量噪声中高质量地复原出来，对于后续的图像判别意义重大。石永华等采用Contourlet变换对农业图像增强方法进行了研究[1]。印红群等研究了木材缺陷图像的小波域阈值去噪问题[2]。邵乔林等将邻域直方图方法引入到玉米图像中，实现了玉米图像的自适应分割[3]。夏政伟等将多重分形理论应用于玉米病害图像的特征提取研究[4]。程玉柱等提出基于Bayes与SVM的玉米图像分割方法[5]。以上研究主要是通过对降质图像进行特征提取、分割将感兴趣的目标加以突出，但由于后续的研究目标、方法不同，导致感兴趣的目标也有所不同，先期的特征提取结果未必适合后续研究。本研究针对受到高密度干扰的豆类图像，将小波变换与改进自适应中值滤波有机结合，提出了一种针对该类图像的自适应增强算法。

1.2豆类图像小波变换基本实现流程

通过以上分析可知，小波变换通过对图像进行多级分解，对获得的多尺度分解系数进行适当处理，在此基础上实现分解系数重构。因此，通过这一框架实现对农业豆类图像的增强处理，理论上是可行的，基于小波变换的豆类图像处理流程如图1所示。具体步骤如下：步骤1：对降质的豆类图像实现多尺度小波分解。研究表明，小波分解层数并非越多越好。本研究实现2层分解，采用“Symlets”小波簇中的“sym8”小波函数作为小波分解的基函数，从而获得分解后的低频和水平、垂直、对角方向的高频系数。步骤2：低频分解系数主要是豆类图像中植物边缘轮廓等低频信息的反映，降质程度不是很严重，若不加以处理，对重构后图像质量的提高也会有所影响。鉴于小波软阈值函数的良好性能，因而将其引入，对该部分系数加以处理[7]。步骤3：小波分解对于图像信号具有较好的集中性能，从而使得图像信息大体呈现水平、垂直、对角分布，因此本研究详细讨论该部分系数的处理方法；步骤4：将步骤2、步骤3获得的处理后的低频、高频分解系数重构，获得增强后的豆类图像。

2改进自适应中值滤波算法

自适应中值滤波通过采用固定大小的模板在待处理图像上滑动，对于任一噪声点而言，取该点模板尺寸大小的邻域中所有像素点灰度值的中间值赋值作为噪声点像素值的修正值输出。该算法的不足之处在于：（1）图像中像素值出现极值的像素点未必全部是噪声点，对图像所有像素点全部进行排序取中间值计算，会将图像中有用信息滤除；（2）对图像反复进行排序取中间值，会增加计算量，事实上，图像中相当一部分像素点不需要进行滤波处理，“强行”滤波一方面使得计算量呈现几何级数增长，另一方面也降低了图像质量。

2.1噪声预判别策略

3仿真试验

3.1试验方案

随机拍摄2幅豆类长势图像作为试验数据，通过对其分别加入不同强度的噪声来模拟降质图像。事实上，现实中的豆类图像的降质程度不及本研究的降质程度，之所以采用模拟降质图像作为试验数据，一方面是可通过对其中的降质量源进行定量控制从而便于衡量算法的优劣；另一方面是因为算法若能对高降质量模拟图像进行处理，那么对于现实中的豆类降质量图像处理必定能取得理想效果。为了便于横向比较，将本研究算法处理结果与小波软阈值、自适应中值滤波算法进行比较，引入均方根误差（MSE）[8]作为算法效果定量计算指标（表1）。

4结论

为了改善豆类图像视觉对比度，将小波变换与自适应中值滤波相结合，提出了一种该类图像增强算法。结果表明，本研究算法相对于小波软阈值、自适应中值滤波而言，效果较为明显，适合该类图像的自适应处理。

参考文献：

[1]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.

[2]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.

[3]邵乔林，安秋. 基于邻域直方图的玉米田绿色植物图像分割方法[J]. 江西农业学报，2011，23（5）：126-128，135.

[4]夏政伟. 多重分形理论在玉米病害图像特征提取中的应用[J]. 南方农业学报，2013，44（5）：871-874.

[5]程玉柱，陈勇，车军，等. 基于Bayes与SVM的玉米彩色图像分割新算法[J]. 江苏农业科学，2012，40（7）：355-358.

[6]王成刚. 基于小波变换和形态学的图像去噪方法研究[D]. 西安：长安大学，2009.

[7]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[8]刘钺. 小波模极大值在图像消噪中的应用[J]. 计算机工程，2011，37（6）：200-202.endprint