农业图像NSCT—DWT域自适应滤波增强算法

张倩++张凡

摘要：将非下采样轮廓波变换（nonsubsampled contourlet transform，NSCT）与离散小波变换（discrete wavelet transform，DWT）相结合，提出了1种针对农业图像的NSCT-DWT域自适应滤波增强算法。首先对图像进行NSCT分解与重构获得空间域原始图像的背景和细节图像；然后将改进的Pal-King模糊增强算法应用于增强背景图像；对于细节图像则进行3层二维离散小波变换，对高频系数采用一种基于自适应阈值的改进型阈值函数模型进行去噪，系数重构获得去噪后的细节图像；最后对增强后的背景图像与去噪后的细节图像进行叠加。结果表明，该算法对农业图像处理效果优于2类已有的小波阈值去噪算法。

关键词：农业图像； 滤波增强；非下采样轮廓波变换；离散小波变换；阈值函数模型

中图分类号：TP391.41；S126 文献标志码： A文章编号：1002-1302（2015）09-0448-02

农业图像由于受到复杂的成像环境、成像设备自身缺陷等因素的影响，导致图像中含有一定程度的噪声并且对比度不高，影响了图像的使用。对于该类图像的处理，主要思路有：（1）去噪。采用去噪算法在空间域或者变换域滤除图像中的噪声，如中值滤波[1]、非局部均值滤波[2]、非下采样轮廓波变换（NSCT）[3]、离散小波变换（DWT）[4]等，该类算法在滤除噪声的同时，较少地顾及改善图像的对比度，提高滤波后图像的视觉效果。（2）增强。采用如直方图均衡化[5]、模糊增强[6]等方法改善图像的对比度，突出图像中感兴趣的目标信息，但该类方法很难滤除图像中的噪声，且容易在增强图像的同时放大噪声。农业图像作为一种细节信息较为丰富的图像，对其进行处理，应当有效兼顾滤波和增强这2个环节。因此，结合非下采样轮廓波变换（NSCT）和离散小波变换（DWT），通过对农业噪声图像进行NSCT分解与重构，实现背景图像和细节图像的有效分离，在此基础上，对2者分别进行模糊增强和小波去噪，将处理后的2类图像进行叠加，获得去噪后的农业图像。

1算法基本原理

相对于DWT来说，NSCT在对农业噪声图像分解过程中，能更为有效地捕捉到图像中的线、面等信息，能够实现对图像更为稀疏的表达，但具有相当大的数据冗余度。DWT对于刻画图像中点奇信息是十分有效的，能从水平、垂直、对角等3个方向来刻画图像中的高频信息，尽管其对图像的稀疏性表达能力略逊于NSCT，但具有较小的数据冗余度。因此，构建了NSCT-DWT图像分析框架，通过对农业图像进行NSCT变换和逆变换，获得背景图像和细节图像；然后对细节图像采用DWT进行进一步分析。

1.1背景图像自适应模糊增强

为了更为有效地突显农业图像中的细节信息（如植物的根茎叶边缘等信息），对Pal-King算法[6]中的模糊隶属度映射函数进行改进，改进后的函数模型定义为：

式中：f′（x，y）为公式（1）中像素点灰度值f（x，y）模糊增强后的结果；T-1（）为模糊逆变换计算函数。

1.2细节图像自适应小波去噪

关于小波阈值函数模型，学者们提出一些改进型的模型[7-10]，该类函数去噪模型尽管取得了一些效果，但不足之处在于：（1）自适应不强。函数模型中加入了调节参数，该类参数的取值只能经过反复试验获得，并且对于一类图像甚至是一幅图像来说，如此取值可以满足去噪要求，但对于其余类型图像，则需要重新确定参数值。（2）耗时较大。相当一部分去噪模型中融入了诸如指数、对数之类的非线性函数，在逐步提高函数整体去噪效果的同时，去噪过程的耗时也急剧增大。因此，本研究提出了如下函数模型：

0|w|≤t1。（12）

1.3算法实现步骤

步骤1：对农业噪声图像进行NSCT多尺度分解，得到1幅低频图像和1幅带通图像；低频图像主要包含了农业图像中背景信息，带通图像则包含了农业图像中图像轮廓边缘等细节信息以及绝大多数的噪声信息。

步骤2：对步骤1中获得的带通图像采用一种非下采样多方向滤波器进行多方向分解，获得代表各个方向上的农业像高频信息的方向带通图像序列。

步骤3：对步骤1中的低频图像继续执行步骤1和步骤2，完成对图像更为细致的分解。

步骤4：对上述低频图像和带通图像分别进行NSCT系数重构，获得空间域中的背景图像和细节图像。

步骤5：分别对背景图像和细节图像进行自适应增强和滤波处理，得到处理后的背景图像和细节图像。

步骤6：对经过步骤5处理后的背景图像和细节图像进行叠加，得到最终处理后的农业图像。

2试验测试

借助MATLAB语言对本算法进行编程，采用1幅水果图像对本算法去噪能力进行测验，引入文献[8]和文献[10]中的小波阈值去噪算法与本算法进行对比（分别记为算法1、算法2、算法3），试验结果如图1所示。采用峰值信噪比（peak signal to noise ratio，PSNR）[11]、平均结构相似度算子（means structural similarity，MSSIM）[12]以及算法耗时对上述试验结果进行客观评价，结果见表1。

表1试验结果的定量评价

噪声方差PSNR（dB）算法1算法2算法3MSSIM算法1算法2算法3算法耗时（s）算法1算法2算法3525.35125.60826.1880.7010.7760.8343.4746.1924.8231022.30924.88525.5520.6550.7350.7683.6196.7035.0021520.02823.61225.1730.6020.6840.7363.9276.8915.202

就图像清晰度而言，图1-d稍优于图1-c这，因为算法2中通过将所有的图像小波分解系数分成3类，对于每一类的小波分解系数设置不同的计算方式进行处理，相对于算法1而言，能够更为精细地去除残留在小波系数中的噪声信息，但该算法的计算复杂度明显高于算法1。而图1-d的清晰程度明显优于图1-b和图1-c，主要体现在：（1）图1-d背景中的噪声点基本不存在，而图1-b和图1-c的背景中仍然存在不同程度的噪声，该类噪声的存在影响对图中枇杷果实信息的准确识别；（2）图1-d中枇杷果实轮廓基本从噪声信息中恢复出来，并且图像的对比度比图1-a有了明显提高。endprint

当图像中的高斯白噪声方差为5时，3种算法的PSNR和MSSIM指标值相差不大。当噪声方差达到15时，本算法的PSNR值高于其他2种算法，分别比算法2高1.561 dB比算法1高5.145 dB；本算法的MSSIM值高于其他2种算法，分别比算法2高0.052、比算法1高0.134。对于含有3种不同方差高斯白噪声的农业图像去噪耗时来说，本研究算法相对于文献[12]中的小波阈值去噪算法而言，仍有一定的优势。

3结束语

结合NSCT和DWT，提出了1种农业图像滤波增强算法。通过对含有不同方差高斯白噪声的农业图像进行试验，主观分析结果，PSNR、MSSIM以及算法执行时间等指标定性、定量证明了本研究算法的有效性。

参考文献：

[1]周仕友. 一种结合小波变换的豆类图像增强算法[J]. 江苏农业科学，2014，42（7）：433-435.

[2]陈明举. 基于统计特性的非局部均值去噪算法[J]. 液晶与显示，2014，29（3）：450-454.

[3]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.

[4]Luo F，Wu S J，Jiao L C，et al. Asic design of adaptive threshold denoise DWT chip[J]. Journal of Electronics，2002，19（1）：1-7.

[5]赵吉文，魏正翠，汪洋，等. 基于灰度带比例的优质西瓜子识别算法研究与实现[J]. 农业工程学报，2011，27（4）：340-344.

[6]Pal S K，King R A. One edge detection of X-ray images using fuzzy sets[J]. IEEE Trans，1983，5（1）：69-77.

[7]李雷，魏连鑫. 自适应小波阈值函数的指纹图像去噪[J]. 上海理工大学学报，2014，36（2）：154-157，162.

[8]黄玉昌，侯德文. 基于改进小波阈值函数的指纹图像去噪[J]. 计算机工程与应用，2012，50（6）：179-181.

[9]王蓓，张根耀，李智，等. 基于新阈值函数的小波阈值去噪算法[J]. 计算机应用，2014，34（5）：1499-1502.

[10]王艺龙，杨守志. 基于连续阈值函数的小波去噪方法[J]. 汕头大学学报：自然科学版，2013，28（4）：66-74.

[11]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.

[12]翟东海，鱼江，段维夏，等. 米字型各向异性扩散模型的图像去噪算法[J]. 计算机应用，2014，34（5）：1494-1498.endprint