一种新去噪算法在农作物图像处理中应用.docVIP

一种新的去噪算法在农作物图像处理中的应用 　　摘要：简单介绍了中值滤波原理、小波去噪数学模型和小波去噪原理，在此基础上提出了一种基于小波变换的中值滤波方法，该方法是结合图像的时域特性和频域特性对图像进行分析，有效地弥补了一些传统算法上的不足之处。结果表明：该方法不但能去除农作物图像中的脉冲噪声和高斯噪声，而且能较好地保留农作物图像的细节，其滤波效果优于单一的传统滤波方法。 　　关键词：中值滤波原理；小波去噪数学模型；小波去噪原理；改进的中值滤波方法 　　中图分类号：TN911.73文献标志码： A文章编号：1002-1302（2014）01-0371-03 　　收稿日期：2013-06-01 　　基金项目：天津市自然科学基金（编号：10JCZDJC23100）；天津市农业科技成果转化与推广项目（编号：201203060）。 　　作者简介：赵辉（1963―），男，天津人，博士，教授，从事智能控制理论与应用、电力电子技术研究。E-mail：zhaohui3379@126.com。 　　通信作者：王红君，硕士，教授，从事流程工业先进控制技术、微机控制、智能控制研究。E-mail：hongewang@126.com。随着农业信息化、智能化的发展，图像去噪技术在设施农业中得到广泛应用。在温室监控系统中需要采集大量农作物信息，但图像在采集和传输过程中经常会受到各种因素的干扰，产生大量噪声，因此图像的去噪过程已成为农业信息化管理的必然要求。中值滤波是一种非线性滤波方法，它对脉冲噪声有较好的滤波效果，但对高斯噪声的抑制能力不够理想。小波变换是一种强有力的数学分析工具，它可以在时域和频域内对信号进行分析，近年来受到专家学者的广泛关注。为了弥补中值滤波的不足，笔者提出了基于小波变换的中值滤波方法，该方法是在小波域内对高频子带进行中值滤波，然后选择相应的门限进行降噪处理，仿真试验结果表明，该方法不仅能滤除农作物图像中的混合噪声，而且能较好地保留农作物图像的边缘细节，其滤波效果较理想。 　　1理论基础 　　1.1中值滤波原理 　　中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。其方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的二维数据序列。二维中值滤波输出为： 　　g（i，j）=med{f（i-k，j-q）（k，q∈W）}，（1） 　　其中：f（i-k，j-q）、g（i，j）分别为原始图像和处理后图像；W为二维模板，通常为2×2、3×3区域。 　　1.2小波去噪的数学模型 　　设M×N的原始图像为f（i，j），图像受到噪声干扰模型为： 　　g（i，j）=f（i，j）+ε（i，j）0≤i≤M，0≤j≤N，（2） 　　式中：噪声ε（i，j）～N（0，σ），N（0，σ2）为正态分布，而且是独立分布的，与图像f（i，j）也是相互独立的。经小波变换后，得： 　　Wg（i，j）=Wf（i，j）+Wε（i，j）0≤i≤M，0≤j≤N，（3） 　　式中：Wg（i，j）为含有噪声图像的小波系数；Wf（i，j）为原始图像的小波系数；Wε（i，j）为噪声的小波系数。 　　小波去噪的核心是在上述第2个步骤中按照一定的准则对小波系数进行修改，在不损失过多细节信息的前提下达到降低或去除噪声的目的。 　　1.3小波去噪原理 　　由多分辨分析理论[2-3]可知，第i级尺度上的平滑函数 fi（x，y） 与涨落函数gi（x，y）叠加可以构成第i+1级尺度上的二维平滑函数fi+1（x，y）： 　　fi+1（x，y）=fi（x，y）+gi（x，y）；（4） 　　通过反复使用（4）式得到： 　　fi+1（x，y）=fi（x，y）+∑n1l=jgi（x，y）j≤n。 （5） 　　一幅图像可以看成一个二维矩阵，一般假设图像矩阵的大小为N×N，且N=2n（n为非负整数）。公式（4）、（5）表明，任何平方可积的二维函数都能够分解成最低分辨尺度上的平滑函数和更高尺度上的细节函数。具体地说，图像在经过小波变换之后，被分为4个子块频带区域，它们分别为低-低（LL）、低-高（LH）、高-低（HL）、高-高（HH），如图1所示，它分别包含了相应频带的小波系数，相当于在水平方向和竖直方向上进行采样；当进行下一层小波变换时，变换数据主要集中在LL频带中，须要进一步对LL子图像进行小波变换，构造下一尺度的4个子图像，直至达到满意的小波尺度为止。这里的LL称为平滑分量，HH、LH和HL称为细节分量。一幅图像经小波变换后，能量主要分布在低频区。噪声能量在低频区所占的比例较小