基于视觉滤波算子的农业图像去噪研究

李旭茹，李富忠*，韩冬，徐晓宇

(1.山西农业大学 软件学院，山西 太谷 030801； 2.山西师范大学 物理信息与工程学院，山西 临汾 041000)



基于视觉滤波算子的农业图像去噪研究

李旭茹1，李富忠1*，韩冬2，徐晓宇1

(1.山西农业大学 软件学院，山西 太谷 030801； 2.山西师范大学 物理信息与工程学院，山西 临汾 041000)

[目的]农业图像中难免存在噪声，噪声会干扰有用目标的识别。为了准确提取农业图像中的有用信息，拓展图像处理技术在农业工程中的应用，有必要去除农业图像中的噪声。[方法]本文将一种改进的中值滤波与视觉滤波LOG算子结合起来，用于对农业图像进行去噪。首先，通过LOG算子将图像分为边缘图像和非边缘图像，然后采用一种改进的加权中值滤波处理非边缘图像，边缘图像与处理后的非边缘图像融合为最终的去噪图像。[结果]利用本算法对农业图像进行测试，与传统的中值滤波算法进行对比，并采用峰值信噪比作为滤波算法性能的客观评价指标，本算法的峰值信噪比高于传统中值滤波算法8.15%，有更好的降噪效果。[结论]因此，该算法的滤波效果优于传统中值滤波算法，可有效去除农业图像中诸多因素产生的噪声。

农业图像； LOG； 滤波； 去噪

图像处理技术在农业中的应用为农作物生长、病虫害监测提供了可靠的技术保障，但是在实际的操作过程中受到农作物生长环境、拍摄硬件、光照等因素的影响[1]，导致获取的图像存在失真现象或掺杂着噪声，图像的失真势必会对后期的图像分割[2]、目标识别[3]带来困难。为了尽可能地提高图像质量，挖掘图像中的信息，事先对图像进行滤波很有必要。

传统的中值滤波算法由于对线、尖顶等图像的细节处理效果不明显，在去除噪声的同时易使边缘信息丢失。根据人眼视觉理论，人眼对于细节变化非常敏感，尤其是边缘、纹理等，边缘信息的丢失使得人眼对于图像的视觉感知下降[4,5]，进而判断图像质量下降。

为此，本文在传统中值滤波的基础上提出了一种新的的农业图像去噪算法。首先，采用最符合人类视觉感知的LOG边缘检测算子将图像分为边缘图像和非边缘图像，然后将一种改进的加权中值滤波算法用于处理非边缘图像，再将边缘图像与非边缘图像融合为最终的去噪图像。该算法能够较好地保留图像的边缘特征，提高去噪图像质量。

1 传统中值滤波方法

传统的图像滤波算法就是将带噪图像输入滤波器中，经滤波器处理后输出最后得到的去噪图像。流程可以描述如图1所示。

图1 传统滤波流程
Fig.1 Traditional filtering process

图1中的滤波器采用中值滤波器时，就是传统的中值滤波算法[6,7]。其基本原理是当图像中的某些像素点受到噪声污染时，以一个像素点为例，将这个像素点选取一定大小的邻域，对这个邻域内的像素点灰度值进行排序，挑出中间的灰度值替换受到污染的像素点，对其余像素点采取类似操作，达到去除噪声的目的。假定采用3*3的邻域模板对图像进行滤波，则对于一幅农业图像而言，其局部区域可以抽象的表示成如图2所示的形式。

图2 图像的局部区域Fig.2 The local area of the image

设输入图像为fij，输出图像为gij，则二维中值滤波器的运算式为

gij=medA{fij}

(1)

式中，A为窗口；fij为图像的二维数据序列。假定位于f(i,j)的像素点受到噪声污染，则将其3*3邻域内的像素点灰度值排序，然后取出中间值代替原来的灰度值，可得到滤波后的输出值。

该算法的主要特点如下：

(1)计算速度快。对于图像中受到噪声污染的像素点，只需要选择一定大小的滤波模版，在这个模版的邻域内，对这些像素点的灰度值进行排序，然后取中间值，没有过多的复杂计算，只是简单的排序和取中间值，因而计算速度更快，滤波的速度也更快。

(2)对孤立噪声滤波效果好。对于图像中已受噪声污染的像素点，尤其是一些孤立分布的噪声点，在一定的邻域内，与其它像素点的灰度值相差很大，直接采用其它像素点灰度值来取代，从而可以更有效地消除孤立分布的噪声。

但该中值滤波算法缺乏自适应检测能力，而且对于细节较多的图像，其去噪效果不明显，且易造成图像边缘信息丢失，所以中值滤波结果存在不确定性，必须对其进行改进。

2 基于视觉滤波算子的农业图像去噪算法

本节所研究的算法就是将一种改进的中值滤波与最符合人类视觉感知的边缘检测算子LOG结合起来，用于农业图像去噪。改进的滤波流程图如图3所示，首先将加噪图像通过边缘检测后分为边缘图像和非边缘图像，然后对非边缘部分滤波，最后边缘图像与处理后的非边缘图像融合为最终结果。

图3 改进的滤波流程Fig.3 Improved filtering process

2.1 LOG算子边缘检测

由图3可知，精确区分边缘图像和非边缘图像是对加噪图像进行改进滤波的前提。利用成熟的算子检测图像边缘，进而获得突出边缘信息的图像是目前最便捷和易使用的边缘检测方法，如Sobel算子、Prewitt算子、Canny算子和Roberts算子等[8,9]。这些算子目前使用频率较高，边缘检测效果良好，但它们忽视了在选取的图像封闭轮廓内也存在信息，有可能造成图像部分边缘信息丢失。与其相比，LOG算子是无方向的，它结合了拉普拉斯锐化滤波器和高斯平滑滤波器的优点，最符合人类的视觉感知。首先对目标图像做先期平滑处理，使噪声得到抑制，然后再对目标图像进行边缘检测，使边缘更加精细。具体过程为：

(1)假设原始图像为f(x,y)，在对原始图像平滑滤波后获得图像g(x,y)：

(2)

其中：h(x,y)为平滑滤波函数：

(3)

(2)与原始的图像f(x,y)相比，平滑滤波后的图像g(x,y)变的模糊，标准差δ的大小影响图像的模糊程度。

采用拉普拉斯算子对g(x,y)进行边缘检测，即：

(4)

(5)

2.2 改进的加权中值滤波算法

针对前文提出的中值滤波算法的不足，提出一种改进的加权中值滤波算法。先将彩色图像进行灰度化处理，再通过一组不等式自适应检测图像中的像素点是否受到噪声污染；然后将存在噪声的像素点剔除掉，最后将没有噪声的像素点与受到噪声污染的像素点的欧式距离进行加权滤波。以图2所示图像结构为例，采用改进后的算法进行滤波，方法如下。

(1)将彩色图像灰度化处理，并计算区域内像素点灰度值的平均值。

(2)自适应检测噪声。通过一组不等式判断哪些像素点是噪声点。

(6)

(3)将3*3区域内的像素点根据公式(6)检测完成后，将噪声点删除。其余像素点被组成一个集合，并分别根据公式(7)求取参数：

(7)

其中：fmed是计算集合M*中像素点灰度值的平均值，faverage是计算像素点灰度值的平均值。

(4)分别计算出图2所示图像中中心点像素与集合M*中各像素点的欧式距离，分别为l1,l2,l3,…,ln(0

(5)按下列公式进行加权滤波

(8)

其中，f*为图2中心点滤波值；f1,f2,f3,…,fn为集合M*中像素点灰度值。

(6)最终噪声点滤波值计算

(9)

(7)重复上述6个步骤，直到图像中所有区域都滤波完毕。

2.3 算法思路

整个滤波算法可分为如下几步：

步骤1：通过LOG算子对获取到的农业图像的边缘进行检测，就能够获得边缘和非边缘图像。因为在获取到的图像中存在程度不同的噪声，因此检测后得到的边缘图像也会存在不同程度的噪声点。采用LOG算子提取边缘首先要做图像的平滑处理，会在一定程度上抑制噪声。

步骤2：运用改进的加权中值滤波处理非边缘图像，根据未受到噪声污染的像素点与受到噪声污染的像素点几何距离的远近做加权滤波，以达到对非边缘图二次去噪的目的。

步骤3：将边缘图像与去噪后的非边缘图像结合，就能得到最终滤波后农业图像。

3 试验结果与分析

采用MATLABR2015b软件对图像进行处理。本文采用如图4所示的图像进一步测试算法的去噪性能，并与传统中值滤波算法进行去噪结果比对。为了更直观的判别去噪效果，引用了峰值信噪比PSNR(Peak Signal Noise Ratio)[10～12]进行客观评估，PSNR值越大，说明去噪后图像的质量越好，算法的性能越高。原始图像如图4所示。

图4 原始图像Fig.4 The original images

为了模拟实际中农业图像受噪声污染的情形，更客观的测试本算法的去噪性能，在试验中，人为地对原始图像添加一定程度的随机噪声(密度为10%，方差为10%)，加噪后的图像如图5所示。

图5 加噪后的图像Fig.5 Images after noising

将加噪后的图像分别用传统中值算法滤波和本文所述算法处理比较，结果如图6所示。

图6 滤波结果对比Fig.6 Comparison of filter results

由图6可知，用本文所述算法滤波后图像的清晰度明显优于传统算法，且果实边缘连续性较强。通过传统滤波算法获得的图像表面仍有噪点，图像清晰度低，与原图相比，经过滤波后边缘反而变得模糊。

本文用PSNR(峰值信噪比)进行评估，验证过程如表1所示。

表1 算法的PSNR对比

由表1可知，当噪声方差相等时，对每幅图像，通过本算法得到的PSNR值高于传统中值滤波算法。当随机噪声方差不同时，在滤波过程中，各自的PSNR值下降幅度也不同，中值滤波下降了约2 dB。经过比对，本算法的PSNR值仅下降了约1 dB。因此，本文研究的算法不仅在去噪效果上优于传统中值滤波算法，而且对含有高强度噪声的农业图像同样有较强的去噪性能。

4 结论

为了更好地处理农业图像，本文提出了一种改进的、基于视觉滤波算子的农业图像去噪的滤波算法。试验结果和算法实验数据分析表明，采用本算法对苹果图像(噪声方差为10%)进行去噪处理，消噪后图像与含噪图像的PSNR值高于传统算法8.15%，有更好的降噪效果。当随机噪声方差不同时，在滤波过程中，本算法PSNR的下降幅度值也小于传统中值滤波算法不同，这不但能提高农业图像的利用率，而且也能为其他图像的去噪问题提供一定的借鉴和参考。

[1]刘海峰,张超,罗江,等.一种用于中值滤波的改进均值划分算法[J].计算机系统应用,2017,26(3):162-168.

[2]周俊,王明军,邵乔林.农田图像绿色植物自适应分割方法[J].农业工程报,2013,29(18):163-170.

[3]梁寅,张云伟,李军营.基于支持向量机的云烟87烟叶成熟度高光谱遥感识别[J].西南农业学报，2013,26(3):957-962.

[4]陈义如.基于人眼视觉特性的视频质量评价方法研究[D].西安:西安电子科技大学,2014.

[5]张铮,倪红霞,苑春苗,等.精通matlab数字图像处理与识别[M].北京:人民邮电出版社,2013:354-378.

[6]刘华锋,苏艳刚.结合边缘检测的农业图像非局部均值滤波算法[J].江苏农业科学,2015,43(6):402-403,447.

[7]徐欣,刘宝锺.基于改进Prewitt算子的农业图像去噪算法[J].江苏农业科学,2016,44(1):406-408.

[8]董雪,林志贤,郭太良.基于LoG算子改进的自适应阈值小波去噪算法[J].液晶与显示,2014,29(2):275-280.

[9]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.

[10]潘玫玫.基于自适应改进小波阈值模型的农业图像去噪[J].江苏农业科学,2015,43(10):504-506.

[11]王小兵,孙久运,汤海燕.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.

[12]田艳娜.基于杂交小波变换的农业图像去噪算法研究[D].杨凌：西北农林科技大学,2011.

(编辑：李晓斌)

Agricultural image denoising research based on visual filter operator

Li Xuru1, Li Fuzhong1*, Han Dong2, Xu Xiaoyu1

(1.CollegeofSoftware,ShanxiAgriculturalUniversity,Taigu030800,China; 2.CollegeofPhysicalInformationandEngineeingr,ShanxiNormalUniversity,Linfen041000,China)

[Objective]Agricultural images exist noise unavoidablyand noise can interfere with the identification of useful targets. In order to extract the useful information in agricultural images accurately and expand the application of image processing technology in agricultural engineering, it is necessary to remove the noise in agricultural images.[Methods]In this paper, the algorithm studied was to combine an improved median filter with the visual filter operator LOG for denoising agricultural images. Firstly, the image was divided into edge image and non-edge image by LOG operator. Then, an improved weighted median filter was used to deal with the non-edge image. Finally, the edge image was combined with the processed non-edge image as the final denoising image.[Result]Apply this algorithm to the agricultural images to test the performance of the filtering algorithm, compared with the traditional median filter algorithm, and use the peak signal to noise ratio as the objectivity evaluation, the proposed algorithm’s peak signal-to-noise ratio was 8.15%，Was higher than the traditional median filtering algorithm, and had better noise reduction effect.[Conclusion]The algorithm of thismethod was better than the traditional median filtering algorithm, and could remove the noise generated by many factors in agricultural image effectively.

Agricultural Images, LOG, Filter, Denoising

2017-05-22

2017-06-09

李旭茹(1990-)，女(汉)，山西吕梁人，助教，硕士，研究方向：图像处理与识别

*通信作者：李富忠，教授，博士生导师，Tel:13734008985;E-mail:sxaulfz@126.com

国家自然科学基金(61503231)；山西农业大学科技创新基金(2016009)

TP391.4

A

1671-8151(2017)09-0670-04