1种离散小波域荔枝图像处理模型

杨永

摘要：利用机器人采摘荔枝的过程实质上是分析和识别所获取图像的过程，但由于荔枝生长环境复杂、成像系统电压不稳定，导致在模/数转换、图像解码等环节中图像清晰度降低，最直观的体现是图像中存在不同程度的斑点噪声。针对该情况并结合离散小波变换这一图像分析框架，提出一种荔枝图像高效处理模型。首先，该模型对图像进行多尺度离散小波变换，以获得低频分解系数和各方向分布的高频分解系数；然后提出一种二维多方向加权中值滤波算法，实现对高频分解系数的自适应处理；最后对低频分解系数和滤波后的多方向分布高频分解系数进行重构。采用MATLAB软件编写程序进行算法实现，并与经典中值滤波算法、二维多方向中值滤波算法进行性能对比。结果表明，本研究提出的图像处理模型对该类图像的处理效果明显优于其余2类算法且模型耗时更短。

关键词：荔枝图像；离散小波变换；斑点噪声；二维多方向中值滤波

中图分类号： TP391；S126 文献标志码： A

文章编号：1002-1302（2015）03-0385-03

随着农业自动化水平的逐渐提高，使用机器人自动化采摘荔枝对于提高工作效率、降低生产成本最有重要意义。对所获取的荔枝成熟果实图像进行颜色、轮廓等信息分析和识别是实现机器人采摘的前提。图像在获取过程中会受到机器人成像系统电压不稳定、拍摄光照不均匀等因素的限制，在模/数转换、传输、解码等环节中亦会受到噪声干扰，并且对比度有所降低。因此，有必要对机器人视觉系统获取的图像进行高质量处理，以提高采摘对象识别的准确性。目前，计算机图像处理算法被大量应用于农业图像处理领域，如陈科尹等提出一种改进模糊聚类算法应用于水果图像分割[1]；陈丽娟等采用改进的BP算法识别玉米图像叶部病害特征[2]；杨福增等提出一种基于杂交小波变换的去噪模型并应用于农产品图像噪声去除[3]；赵辉等构建了小波域中值滤波模型并成功滤除农作物图像中的噪声[4]；刘立波等将数学形态学理论应用于农作物图像的处理，有效地分析农作物病虫害程度[5]；形航等研究了薯类图像的小波阈值去噪算法[6]。本研究分析了二维多方向中值滤波算法[7]的原理，在此基础上对其适当改进并结合离散小波变换[8-9]，构建荔枝图像高质量处理模型，以实现对该类图像的有效处理。

1 离散小波域图像分析原理

2 二维多方向加权中值滤波算法

图像中一部分信息（如河流、倒流、建筑物轮廓等）呈方向性分布，若将经典中值滤波窗口进行适当拆分，设计出符合图像信息分布特征的滤波窗口，那么在滤波噪声的同时必能保持图像信息的完整性，这便是二维多方向中值滤波算法（two-dimensional multi-direction median filtering algorithm）的基本思想。该算法将对于中心点坐标（m1，m2）的滤波分解为4个方向性窗口（见图1），从而获得1个方向性中值集合Q，求其最大值和最小值，并与该集合中的各数值组成新集合Q′，取Q′中各数值的中间值作为坐标点（m1，m2）最终滤波结果。

图4中荔枝叶片和果实模糊不清，无法识别。采用经典中值滤波算法（滤波窗口大小为5×5）处理，结果如图5所示，部分噪声被滤除，但残留噪声被放大，表现为荔枝果实表面出现较多“黑点”。二维多方向中值滤波算法处理结果见图6，图中“黑点”基本不存在，且噪声残留程度较图5有所降低，由此说明二维多方向中值滤波算法性能优于经典中值滤波算法。图7为本研究模型处理后的结果，由图7可见噪声基本被去除，且图像清晰度明显优于图5和图6。为了定量化描述本研究算法的性能，采用峰值信噪比、均方根差以及算法执行时间3种指标对以上试验结果进行定量评价，结果见表1。

本研究提出的图像处理模型PSNR值明显高于另2类算法，对应的RMSE值为3类算法中的最低值，由此说明本研究模型性能为3类算法中最优。此外，本研究模型执行时间介于经典中值滤波算法以及二维多方向中值滤波算法之间。

4 结论

为了高质量处理荔枝图像，以提高自动化采摘识别的准确性，提出1种基于离散小波变换的图像高效处理模型。对现场采集的荔枝图像叠加一定程度的随机噪声并进行模型性能测试，结果表明，本研究提出模型性能明显优于经典中值滤波算法以及二维多方向中值滤波算法，且算法耗时较低。

参考文献：[HJ1.4mm]

[1]陈科尹，邹湘均，熊俊涛，等. 基于视觉显著性改进的水果图像模糊聚类分割算法[J]. 农业工程学报，2013，29（6）：157-165.

[2]刘丽娟，刘仲鹏. 基于改进BP算法的玉米叶部病害图像识别研究[J]. 江苏农业科学，2013，41（11）：139-142.

[3]杨福增，田艳娜，杨亮亮，等. 基于杂交小波变换的农产品图像去噪算法[J]. 农业工程学报，2011，27（3）：172-178.

[4]赵 辉，刘文明，岳有军，等. 一种新的去噪算法在农作物图像处理中的应用[J]. 江苏農业科学，2014，42（1）：371-373.

[5]刘立波，赵春江，吴华瑞，等. 数学形态学在作物病害图像预处理中的应用研究[J]. 农机化研究，2013（8）：180-183.

[6]邢 航，张铁民，漆海霞，等. 薯类农产品视觉图像的去噪方法[J]. 农机化研究，2012（7）：43-47，52.

[7]王明常，邢立新，杨毅恒，等. 动态方向加权二维多级中值滤波的图像处理[J]. 吉林大学学报：自然科学版，2006，24（1）：18-21.

[8]Matsuyama E，Tsai D Y，Lee Y B，et al. A modified undecimated discrete wavelet transform based approach to mammographic image denoising[J]. Journal of Digital Imaging，2013，26（4）：748-758.

[9]Zhang L，Qiu B C. Optical image compression based on adaptive directional prediction discrete wavelet transform[J]. Optical Revied，2013，20（6）：474-483.