1种基于邻域相关性改进的农业图像中值滤波算法

裴连群++高洪玉

摘要：实地采集的农业图像中常存在一些颗粒状噪声，针对此现状适当改进经典中值滤波算法，并提出1种改进的农业图像中值滤波算法。首先检测图像中受到噪声干扰的像素点，将其中灰度值为255或0的像素点标记为疑似噪声点。选取每个疑似噪声点周围5×5大小的邻域，若邻域中疑似噪声点数目较多，则根据该邻域中非疑似噪声点与待滤波点的几何距离进行加权中值滤波；若邻域中疑似噪声点数目较少，则根据该邻域中非疑似噪声点与待滤波点的相关性进行改进的中值滤波。分别以该算法对采集的农业图像进行测试，并引入峰值信噪比（peak signal noise to ratio，PSNR）、均方根误差（mean square error，MSE）等指标对测试结果进行考察。将该算法与中值滤波、开关中值滤波、加权中值滤波等同类算法进行比较，结果表明，与同类型其他算法相比，该算法的效果较为突出。

关键词：农业图像；颗粒状噪声；中值滤波；加权中值滤波；邻域相关性

中图分类号： TP391；S126文献标志码： A文章编号：1002-1302（2015）09-0442-02

为了提高图像对比度，并去除图像中由于成像环境、成像设备固有缺陷等因素形成的各类噪声，采用图像滤波、增强等算法对实地获取的各类农业图像进行处理。虽然处理后的农业图像直接应用价值有限，但对于后续图像判读、目标识别[1]、目标检测[2]等结果的准确度有重要影响。近年来，随着计算机图像处理技术的快速发展，一些较为实用的图像滤波算法被应用于农业图像的处理，并取得了一定成果，但仍普遍存在一些不足之处。采用小波变换[3]、Contourlet变换[4]等多尺度方法对图像进行分析，不仅算法复杂度较大，且图像被反复分解、重构的过程中丢失了大量信息。滤波后的图像总体对比度有所提高，但植物根茎、叶片等目标边缘信息的连续性不强，甚至会丢失部分信息。中值滤波是一种经典的计算机图像滤波算法，对于一般的数字图像处理效果较好，但无法胜任处理细节信息较多的农业图像[5]。为此，本研究对中值滤波算法进行2点改进：首先引入检测方法对图像中的噪声进行初步检测，标记出疑似噪声点；根据每个疑似噪声点周围一定邻域内噪声的强度，自动采取不同的改进型中值滤波算法进行处理。

1算法原理

1.1图像中疑似噪声点的检测

疑似噪声点即为图像中灰度值异常的像素点，该类像素点可能由于自身信息而导致灰度值相对于邻域像素点突然变大或变小（如图像中果实表面的斑点、果实边缘等信息），也可能因噪声的干扰而产生。检测受噪声干扰的像素点最为有效的方法，是根据其灰度值特征进行鉴别，而仅根据灰度值信息鉴别出的像素点未必均为噪声点，因此该类像素点仅能称为疑似噪声点。对于大小为X·Y的农业图像，疑似噪声点检测方法如下：

在式（4）的基础上，分别计算该邻域内除中心点外其余所有疑似噪声点的灰度值与f-（x，y）之差，若该差值小于 fSTD（x，y） ，则认为此像素点未受到噪声干扰；反之则为噪声点。

将该邻域中所有非疑似噪声点，以及经上述计算比较后被鉴别为非噪声点的像素点进行大小排序，将其中间值赋值给邻域的中心点，作为滤波值输出。

1.3算法实现思路

（1）按照“1.2”节的方法，在图像中以一定顺序获取疑似噪声点周围5×5大小的邻域。（2）分别统计该区域内疑似噪声点的数目 。（3）若N=24或N=0，则认为该邻域内原本图像便为全黑或全白区域，没有受到噪声干扰，可不作处理。（4）若12

2算法试验

采用Visual Basic（VB）语言编写本研究的算法程序，对1幅苹果图像进行试验。将本算法的试验结果分别与中值滤波、开关中值滤波[6]、加权中值滤波[7]进行比较，对试验结果进行主观评价的同时，定义峰值信噪比（PSNR）、均方根误差（MSE）[8]对各算法的试验效果进行考察。PSNR值越大则滤波后图像与原始图像越接近，表明滤波后图像质量较好；MSE值越小则滤波后图像与原始图像差异越小，表明滤波后图像质量较好。试验结果分别见图1、表1。

表1不同算法试验效果的考查结果

添加噪声

的强度（%）PSNR（dB）MSE（dB）中值滤波开关中值滤波加权中值滤波本研究算法中值滤波开关中值滤波加权中值滤波本研究算法1023.00224.43124.47726.59155.67748.89742.24326.6032021.17622.30023.17525.31873.63669.99060.87431.1363019.39820.09722.03424.514103.19397.76270.07640.711

对图1-a添加强度为20%的颗粒噪声得到图1-b，图1-c为图1-b经过中值滤波（滤波模板尺寸为 ）后的结果，图中苹果轮廓基本无法辨认，图像背景存在大量噪声；图1-d为经过开关中值滤波[6]后的结果，图像背景的噪声程度有

所降低，但苹果边缘仍较为模糊；图1-e为经过加权中值滤波[7]后的结果，相对于图1-c、图1-d而言，滤波后图像的质量得到一定程度的提高，可基本辨认苹果边缘，图像背景中的噪声强度被进一步降低；图1-f为本研究算法的试验结果，图中苹果轮廓的清晰程度与图1-a非常接近，但背景颜色比图1-a淡化了许多，大量背景信息被当作噪声点得到了修正或滤除，从而在一定程度上突出了图像的主要信息。

对于含有3种不同强度颗粒噪声的农业图像，本研究算法的PSNR值明显高于中值滤波、开关中值滤波[6]、加权中值滤波[7]；而本研究算法的MSE值明显低于中值滤波、开关中值滤波、加权中值滤波（表1）。可见本研究算法对农业图像的处理有一定效果，这与上述理论分析的结果基本一致。

3讨论

为实现农业图像的有效滤波处理，在对中值滤波改进的基础上，提出1种基于邻域相关性的中值滤波改进算法。本算法在检测图像中疑似噪声点的基础上，以每个疑似噪声点周围一定大小的邻域为研究对象，根据该邻域内疑似噪声点的数目实现对疑似噪声点的自适应改进中值滤波处理。本算法的有效性已在试验中得到初步验证。

参考文献：

[1]王宏艳，吕继兴. 基于纹理特征与改进SVM算法的玉米田间杂草识别[J]. 湖北农业科学，2014，53（13）：3163-3166，3169.

[2]毛丽民，刘叔军，朱培逸，等. 一种基于FPGA的水果分级检测系统的设计[J]. 农机化研究，2013，35（11）：120-123.

[3]李景福，赵进辉，龙志军，等. 基于离散小波变换的农业图像处理研究[J]. 安徽农学通报，2007，13（3）：43-45.

[4]韩伟，刘强. 一种NSCT域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.

[5]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]. 江苏农业科学，2014，42（1）：371-373.

[6]乔坤，郭朝勇，毛东. 一种去除椒盐噪声的自适应开关中值滤波算法[J]. 计算机应用与软件，2011，28（10）：253-256.

[7]王梅，黄华，应大力. 基于隶属度函数的自适应加权中值滤波[J]. 电脑知识与技术，2012，8（31）：7565-7567.

[8]宋怀波，何东健，韩 韬. Contourlet变换为农产品图像去噪的有效方法[J]. 农业工程学报，2012，28（8）：287-292.