一种非下采样轮廓波变换域水果图像预处理方法

摘要：水果图像在获取过程中受到拍摄系统自身的缺陷、复杂多变的成像环境等多重因素的限制，导致图像被掺杂进一些噪声，降低了图像的清晰度。结合非下采样轮廓波变换（nonsubsampled contourlet transform，NSCT），提出了该类图像的有效预处理方法。该方法首先对图像进行多尺度NSCT分解，获得低频分解系数和高频分解系数；然后对低频分解系数进行模糊增强处理，对高频系数采用二维多级中值滤波算法（two-dimensional multi-stage median filtering algorithm）进行处理；最后进行分解系数重构，获得清晰度较高的水果图像。分别将此算法与已有的几类同类型算法对水果图像进行去噪处理，并引入峰值信噪比（peak signal noise to ratio，PSNR）作为处理效果评价指标，结果表明，此算法性能明显优于已有的同类型算法。

关键词：水果图像；随机噪声；非下采样轮廓波变换；二维多级中值滤波算法

中图分类号： S126；TP391文献标志码： A文章编号：1002-1302（2015）11-0499-03

收稿日期：2014-11-25

基金项目：广州市科技和信息化局应用基础研究专项（编号：2013J410007）

作者简介：许健才（1978—），男，广东清远人，硕士，讲师，研究方向为移动互联网技术、计算机图像处理。 E-mail：xujiancaimaster@126.com。近年来，关于图像去噪的研究成果大体上可以分为2类：一类为变换域去噪算法，该类算法通过对噪声图像进行多尺度变换，通过多层变换实现对图像中噪声与信号的分离，如小波变换[1]、轮廓波变换[2]、曲波变换[3]等；另一类为空间域去噪算法，该类算法直接对噪声图像进行处理，如中值滤波[4]、均值滤波[5]、二维多级中值滤波[6]等。对于水果图像的处理，一方面要求提高图像的对比度，突出图像中果实边缘等信息；另一方面要去除图像中由成像系统固有的缺陷以及复杂的成像环境等因素导致的随机噪声。本研究借助非下采样轮廓波变换（NSCT）图像分析方法，提出了一种水果图像有效预处理方法，对NSCT分解系数分别进行增强和滤波处理，通过系数重构获得较为清晰的图像，旨在为开展图像去噪研究提供依据。

1方法理论基础

1.1图像非下采样轮廓波变换

非下采样轮廓变换（NSCT）[7]作为一种新型的图像分析框架，相对于小波变换而言，能够更为有效地刻画图像中的线、面等信息，对于轮廓信息丰富的水果图像而言较为适合。水果图像NSCT分解步骤如下：（1）采用一种非下采样塔形滤波器（nonsubsampled pyramid，NSP）对水果图像进行多尺度分解操作，得到一个低频图像、一个高频图像。低频图像主要包含了水果图像中背景信息，高频图像则包含了水果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，该环节即为图像多尺度分解操作。（2）对步骤（1）中获得的高频图像采用一种非下采样多方向滤波器（nonsubsampled directional filter bank，NSDFB）进行多方向的分解操作，获得代表各个方向上的水果图像高频信息的方向带通图像序列，该环节即为图像的多方向剖分操作。（3）对步骤（1）中的低频图像继续执行多尺度分解、多方向分解，达到对图像多尺度分析的目的。

1.2模糊增强方法

模糊增强方法的基本思想是通过构建模糊隶属映射函数，将图像由空间域变换至模糊域，在模糊域中采用非线性增强函数进行处理，在此基础上进行逆变换获得增强后的图像[8]。为了更为有效地实现对水果图像的增强处理，提高图像的对比度，对经典的Pal-King增强算法进行改进，改进算法中的模糊映射函数如下：

1.3二维多级中值滤波算法

二维多级中值滤波算法[6]通过将噪声点的一定邻域划分成4个不同方向的滤波模板（图1），分别进行中值滤波，然后将各模板中的滤波结果进行适当取舍从而获得噪声点的滤波值。

对于图像中处于（i，j）处的噪声点，邻域大小为（2N+1）×（2N+1） （N为正整数）采用二维多级中值滤波算法滤波过程为：

2方法实现步骤

经过以上分析，可以梳理出本研究水果图像预处理方法的基本步骤：（1）采用非下采样轮廓波变换（NSCT）对水果图像进行2层分解，对应“1.1”节中的步骤（1）、步骤（2）、步骤（3），获得了水果高频系数、水果低频系数；（2）对于水果低频系数，由于其中包含了图像的绝大多数背景信息，图像对比度较低，为此，采用“1.2”节提出的模糊增强方法进行处理；（3）对于水果高频系数，采用“1.3”节中的二维多级中值滤波算法进行处理，着重滤除其中的噪声；（4）对步骤（2）、步骤（4）的处理结果进行系数重构，得到处理后的水果图像。

3试验仿真及分析

在MATLAB平台上编写相关程序对2幅水果图像进行仿真试验并与经典二维多级中值滤波算法、改进二维多级中值滤波算法[6]进行比较，同时引入峰值信噪比（PSNR）[9-10]（PSNR值越大，越能体现出对应算法的性能）对上述几类算法的性能进行客观评估。为了有效测试本方法对较为模糊且含有大量噪声图像的处理效果，对其中加了一些随机噪声，相关试验结果见图2、图3、表1。

图2-a、图3-a为2幅添加了20%随机噪声后形成的噪声图像，对图2-a、图3-a采用经典二维多级中值滤波算法进行处理，结果如图2-b、图3-b所示，图像整体比较模糊，特别是图3-b中存在一些黑色斑块，说明图像中残留噪声密度较大，图中草莓、山楂果实的轮廓比较模糊。图2-c、图3-c为参考文献[6]中所提出的改进二维多级中值滤波算法处理结果，图像中噪声残留程度略低于图2-b、图3-b，图中的草莓、山楂果实的轮廓模糊程度有所降低。相对于上述2类算法，本研究算法基本去除了2幅图像中的噪声，图像清晰度得到最大程度地恢复，如图2-d、图3-d所示，图中草莓、山楂果实表面的细小斑点均能够清晰地辨认出来。由表1可知，经典二维多级中值滤波与参考文献[6]中的改进二维多级中值滤波算法的PSNR值比较接近，说明参考文献[6]中的改进二维多级中值滤波算法对细节信息较为丰富的水果图像的处理效果整体不理想。本研究算法的PSNR值明显高于其余2类算法，说明该算法去噪性能较优。

4结论

本研究结合非下采样轮廓波变换（NSCT），提出了一种水果图像高效预处理方法。该方法分别对轮廓波变换的低频系数、高频系数进行模糊增强和二维多级中值滤波处理，通过系数重构获得了高质量的水果图像。该方法适合于处理细节信息丰富的水果图像，对于处理农业图像有一定的参考价值。

参考文献：

[1]卫娟，孙冬. 基于提升小波变换的农产品图像有效处理方法[J]. 江苏农业科学，2014，42（6）：364-366.

[2]Shen X H，Wang K，Guo Q. Local thresholding with adaptive window shrinkage in the contourlet domain for image denoising[J]. Science China Information Sciences，2013，56（9）：1-9.

[3]Binh N T，Khare A. Multilevel threshold based image denoising in curvelet domain[J]. Journal of Computer Science and Technology，2010，25（3）：632-640.

[4]周大鹏，何远智，张自友，等. 一种改进的变系数图像去噪方法[J]. 沈阳农业大学学报，2013，44（3）：381-384.

[5]杨青. 基于农业视觉图像的高效滤波处理方法[J]. 江苏农业科学，2014，42（4）：361-362，363.

[6]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：信息科学版，2006，24（1）：18-21.

[7]Cunha A L，Zhou J，Do M N. The nonsubsample contourlet theory design and application[J]. Transaction Image Processing，2006，15（10）：1780-1792.

[8]刘习文，薛家祥. 纸币接触式传感器图像模糊增强与边界检测[J]. 科学技术与工程，2013，13（34）：10381-10385，10391.

[9]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.

[10]王小兵，孙久运，汤海燕，等. 基于小波变换的图像混合噪声自适应滤波算法[J]. 微电子学与计算机，2012，29（6）：91-95.郭华，王军林，张立勇，等. 村镇绿色建筑水系统规划设计[J]. 江苏农业科学，2015，43（11：502-504.