基于DWT―NLM模型农产品图像处理算法.docVIP

基于DWT―NLM模型农产品图像处理算法 　　摘要： 提出了一种基于离散小波变换（DWT）和非局部均值滤波（NLM）的农产品图像处理算法。首先对图像进行3层DWT，在变换域中对高频小波系数进行改进小波阈值模型去噪，对原始低频小波系数与去噪后的高频小波系数分别进行重构，得到背景图像和细节图像；再对细节图像进行区域划分，对每个图像区域分别采用NLM算法进行去噪；最后将背景图像和去噪后的细节图像进行叠加处理，得到去噪后农产品图像。引入边缘保持指数（edge protection index，EPI）、均方误差（mean square error，MSE）对试验结果进行评价，结果表明，本研究算法对该类图像的处理取得了较好的效果，且对NLM、小波阈值去噪等算法而言优势较明显。 　　关键词： 农产品图像；离散小波变换；非局部均值滤波；边缘保持指数；均方误差；去噪 　　中图分类号： TP391 文献标志码： A 　　文章编号：1002-1302（2015）08-0414-02 　　农业图像作为一种承载着大量农业信息的载体近年来在农产品检测 [1]、植物病害监测 [2]、作物长势监测 [3]、作物产量评估 [4]等方面得到了广泛的应用，大大提高了农业的智能化水平。但上述应用是通过基于高清晰度、低失真度的图像对其内容进行模糊判断，若图像本身质量不高，则会严重影响判断结果的准确性，因此，有必要对获取的农业图像进行预处理。现阶段大量的计算机图像处理算法被用于处理该类图像，如小波变换 [5]、数学形态学 [6]等，取得了一定的效果。农业图像处理思路大体有2类：（1）对图像进行多尺度变换，在变换域中进行处理，再进行逆多尺度变换获得处理后图像；（2）对图像直接采用成熟的算法进行处理，无须预先进行繁琐多尺度变换。考虑到上述2种处理思路的特点，本研究尝试将其进行有机结合。具体来说，通过引入离散小波变换（DWT） [7]和非局部均值滤波算法（NLM） [8]，构建了一种DWT-NLM农产品图像处理算法模型。该模型通过DWT实现了图像中背景和细节图像的有效“分频”，将噪声所处的细节图像进行NLM去噪处理，经过图像叠加来实现对农产品图像的有效处理。 　　1 算法理论基础及实现思路 　　1 1 理论基础 　　1 1 1 离散小波变换 对于任意函数f（x）而言，采用任意小波基函数进行展开，这样的展开过程即为函数f（x）的连续小波变换（continue wavelet transform，CWT），展开式如下： 　　CWTf（x） = [f（x），a，τ（x）] = a[JX-+2mm][HT5 ][SX（]1[]2[SX）] [JX+2mm]?∫f（x）?[JB（（][SX（]x-τ[]a[SX）][JB））]dx。 （1） 　　其中：CWTf（x）为函数f（x）的连续小波变换表示形式；参数a、τ分别为尺度因子和平移因子；a。τ（x）为小波基函数由小波母函数（x）经过伸缩、平移处理后得到的函数。相应的连续小波逆变换为： 　　式中：C为调节系数，且C0。 　　1 1 2 非局部均值滤波算法 　　其中：Z是归一化调节因子；α是高斯核标准差值；h为衰减因子。 　　1 2 实现思路 　　一幅含有噪声的农作物图像可抽象成如下模型： 　　F（i，j）=F1（i，j）+F2（i，j）。 （7） 　　其中：F（i，j）为含有噪声信号的农作物图像信号；F1（i，j）为图像中原始图像信号；F2（i，j）为图像中混入的噪声信号；i、j为图像中任意像素点的坐标值。要从图像中去除F2（i，j），本研究思路如下： 　　步骤1，采用“sym4”小波基函数对F（i，j）进行3层离散小波变换，获得4类小波分解系数，即低频系数、水平方向高频系数、垂直方向高频系数、对角线方向高频系数。 　　步骤2，由于步骤1中3类高频分解系数分别代表了图像中呈水平、垂直、对角线等方向分布的信息，并且包含了图像中绝大部分的噪声信息，因此，采用一种改进的小波阈值模型进行处理： 　　其中：w[DD（-1][HT6]～[DD）]j，k为去噪后的图像高频系数；thr1、thr2为2种阈值，thr2=α?thr1（0α1），thr=σ[KF（]M?N[KF）]（α为图像中噪声标准差）；sgn（?）是符号函数，括号内数值为负时，则sgn（?）=-1，反之，sgn（?）=1；j、k分别为小波分解层数和方向，此处j=3。利用式（8）对3类小波高频系数进行去噪，对其中较大幅值的系数予以保留；对于较小幅值的小波系数直接舍去，原因是该类小波系数基本是噪声信号；对于剩余的小波系数则进行自适应的有选择性的保留。 　　步骤3，将步骤1得到的小波低频系数进行重构，获得背景图像；将步骤2中得到的去噪后的小波高频