基于非局部均值的储粮害虫图像去噪

黄凌霄　张选德　马文涛

摘要：介绍了非局部均值（Non-local Means，NLM）去噪算法的基本理论，比较了储粮害虫图像现有的去噪经典方法与非局部均值去噪算法。结果表明，非局部均值去噪算法具有较明显的去噪视觉效果，在峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和结构相似性（Structural SIMilarity，SSIM）的定量比较中也具有较好的去噪质量。

关键词：非局部均值；图像去噪；峰值信噪比；结构相似性

中图分类号：TP391.41 文献标识码：A 文章编号：0439-8114（2015）19-4833-03

DOI：10.14088/j.cnki.issn0439-8114.2015.19.046

Abstract： The theoretical basis of non-local means was introduced， and some classical denoising algorithms was compared with the non-local means denoising algorithm in grain insect image. Results showed that non-local means denoising algorithm had the obvious denoising visual effects， also had better denoising quality in the quantitative comparisons of peak signal-to-noise ratio and structural similarity.

Key words：non-local means；image denoising；peak signal-to-noise ratio；structural similarity

中国是粮食生产和储藏大国，但中国每年储粮损耗约110亿kg，其中因储粮害虫造成的损失占10%～30%。目前，国内外在储粮害虫检测方面主要采用的方法有扦样法、诱集法、近红外法、声信号法和图像识别法等[1-6]。由于人工检测的效率低下、信息素的合成困难以及干扰等因素，使得大多数方法不能准确实时地检测出粮虫的信息，从而图像识别方法成为粮虫识别的主要发展方向。在储粮害虫图像识别检测系统中，机器视觉系统采用CCD（Charge Coupled Devices）照相机实时拍摄粮仓害虫图像，并转化为数字信号，采用相应的技术使计算机能自动提取粮虫的形态性状、智能识别害虫种类。但是，图像在生成或传输过程中常因受到各种噪声的干扰和影响而使图像的质量下降，对后续的图像处理产生不利影响。因此，图像去噪是图像处理中的一个重要环节。

现有的图像去噪主要分为空域去噪和频域去噪两大类。空域去噪的滤波经典方法主要包括线性滤波中的高斯滤波[7]、非线性滤波中的中值滤波[8]、顺序统计滤波和自适应滤波[9]等， 频域去噪的滤波经典方法主要是小波阈值收缩法[10]。这些方法在去除图像噪声的同时也模糊了图像的边缘、纹理等细节信息。Buades等[11]提出的非局部均值滤波（Non-local Means，NLM）算法充分利用图像局部结构的相似性，取得了性能优于其他经典去噪方法的效果。为此，本研究将非局部均值滤波算法用于储粮害虫图像的去噪处理，希望在取得较好去噪效果的同时，保留储粮害虫图像的细节信息，为后续的粮虫提取、种类识别提供基础。

1 非局部均值（NLM）去噪算法

式中，h为滤波参数，Buades在NLM算法中，通过试验验证分析得出h与噪声标准差σ有近似线性正比关系，通过此关系可以确定滤波参数h=10σ。在计算滤波参数h时需要利用图像的噪声标准差σ，但是在实际的去噪问题中噪声标准差σ往往是未知的。在这种情况下，对于零均值高斯白噪声的标准差σ的估计，目前常用的算法是采用Donoho提出的基于小波系数的算法，即σ=MAD/0.674 5，其中MAD为小波分解后高频系数的中值数。

2 结果与分析

为了验证NLM算法的去噪性能，将NLM算法与中值滤波、自适应滤波、小波软阈值收缩算法和小波包分析法进行对比。图1为本研究所采用的4幅大小为256×256像素的测试图像，其中谷蠹、玉米象、绿豆象、赤拟谷盗是储粮害虫中分布较广、危害较大且包含较多纹理信息的图像。

从表1可以看出，NLM算法的去噪性能优于绝大多数经典的去噪方法。但是，随着噪声水平的增大，代表去噪质量的PSNR和SSIM值也有所下降，这表明高斯加权距离‖v（Ni）-v（Nj）‖不能很好地反映真实图像块之间的相似性，在有效去除低频噪声的同时，也模糊了图像的部分细节信息。

对谷蠹添加均值为0、标准差为25的高斯白噪声，对绿豆象添加均值为0、标准差为30的高斯白噪声，比较几种经典算法和NLM算法的去噪视觉效果，所得的结果如图2和图3所示。

从图2和图3可以看出，NLM算法能够获得最好的视觉效果。尤其对于谷蠹图像，其他几种经典算法在去除噪声的同时，也模糊了谷蠹头部的细节信息，而NLM算法却能较好地保留其细节信息，这充分验证了NLM算法去噪的有效性。

3 小结

试验结果表明，基于非局部均值的图像去噪算法比现有的去噪经典方法具有较明显的去噪视觉效果，在峰值信噪比和结构相似性的定量比较中具有较好的去噪质量。尽管非局部均值算法在图像去噪方面很有效果，但该方法取当前像素为中心的图像块与整幅图像中所有像素点为中心的图像块进行比对，计算量过大、计算速度慢，很难满足实时应用的要求。如何对现有算法进行改进是下一步的研究问题之一。另外，当图像噪声较大时，如何在有效去除低频噪声的同时，保留图像的细节信息也值得进一步的研究。

参考文献：

[1] 周 龙.基于机器视觉的储粮害虫图像模糊检测方法的研究[J].计算机应用与软件，2005，22（8）：24-26.

[2] 胡丽华，郭 敏，张景虎，等.储粮害虫检测新技术及应用现状[J].农业工程学报，2007，23（11）：286-290.

[3] DAVID K，MARC L. Protecting 3D graphics content[J].Communications of the ACM， 2005，48（6）：234-239.

[4] 路 静，傅洪亮.储粮害虫检测和分类识别技术的研究[J].粮食储藏，2014，43（1）：6-9.

[5] 姚 青，吕 军，杨保军，等.基于图像的昆虫自动识别与计数研究进展[J].中国农业科学，2011，44（14）：2886-2899.

[6] WICK K W，WEBB J C，WEAVER B A，et al. Sound detection of stored-product insects that feed insede kernels of grain[J]. Econ Entomol，1988，81（5）：1489-1493.

[7] LINDENBAUM M，FISCHER M，BRUCKSTEIN A. On Gabors contribution to image enhancement[J].Pattern Recognition，1994， 27（1）：1-8.

[8] 张 恒，雷志辉，丁晓华.一种改进的中值滤波算法[J].中国图象图形学报，2004，9（4）：408-411.

[9] 张旭明，徐滨士，董世运.用于图像处理的自适应中值滤波[J].计算机辅助设计与图形学学报，2005，17（2）：295-299.

[10] DONOHO D L. De-noising by soft-thresholding[J].IEEE Transactions on Information Theory，1995，41（3）：613-627.

[11] BUADES A，COLL B，MOREL J M.Nonlocal image and movie denoising[J]. International Journal of Computer Vision，2008， 76（2）：123-139.