基于二维经验模态分解与小波变换农作物图像去噪.docVIP

基于二维经验模态分解与小波变换农作物图像去噪 　　摘要：将小波自适应阈值去噪引入二维经验模态分解（bidimensional empirical mode decomposition，BEMD）中，提出一种自适应图像去噪算法，该算法首先对农作物噪声图像进行二维经验模态分解，获得具有不同尺度特征的固有模态函数（intrinsic mode function，IMF）子图像序列;然后将该序列中前3个子图像分别进行3层小波变换，引入一种新型自适应小波阈值去噪函数模型分别进行噪声抑制，实现小波系数重构;最后，对去噪后的固有模态函数子图像与剩余固有模态函数进行重构，获得去噪后的农作物图像。对实地拍摄的农作物图像进行去噪试验，结果表明，自适应图像去噪算法与均值滤波算法、小波阈值去噪算法相比，性能有较大幅度的提升。 　　关键词：农作物图像;二维经验模态分解;小波变换;随机噪声;去噪 　　中图分类号： TP391;S126 文献标志码： A 　　文章编号：1002-1302（2015）04-0400-02 　　收稿日期：2014-05-14 　　基金项目：河北省自然科学基金（编号：F2012201023）。 　　作者简介：姚 宏（1981―），女，甘肃兰州人，讲师，从事计算机图像处理、信息与通信工程研究。E-mail：yaohonteacher@163.com。 　　近年来，基于机器人的农作物自动采摘技术已经成为农业自动化领域的一个研究热点，而采摘对象的精确识别是实现成熟农作物准确采摘的前提[1]。由于农作物生长环境较为复杂，且机器人成像系统在图像获取过程中或多或少会产生一些随机噪声，因此去除噪声是图像目标识别的首要工作。目前，大量的计算机图像处理算法被应用于农业视觉图像处理工作中，如王晓虹等将脊波变换与自适应维纳滤波相结合，实现对苹果图像中随机噪声的有效滤除[2];华珊等将BOM滤波算法、中值滤波算法以及偏微分方程应用于土壤切片图像去噪[3];刘炳良将双边滤波算法用于小波变换域中，成功滤除了水果图像出现的随机噪声[4];周洪刚等采用面积阈值方法进行成熟柑橘图像的滤波[5]。 二维经验模态分解（bidimensional empirical mode decomposition，BEMD）是将图像分解成一系列固有模态函数（intrinsic mode function，IMF）子图像，通过舍弃其中噪声污染较为严重的IMF，对剩余IMF进行重构，从而达到去噪目的[6]。在对BEMD基本原理深入分析的基础上，将其与自适应小波阈值去噪[7]相结合，提出一种农作物图像的有效去噪算法，以期获得质量更好的图像。 　　1 小波自适应图像去噪算法的框架与实现步骤 　　1.1 二维经验模态分解原理 　　二维经验模态分解是在一维经验模态分解基础上发展而来的，能够对二维图像信号进行多尺度分解，与小波变换虽类似，但区别在于，二维经验模态分解无须考虑小波分解过程中小波基函数难以确定等问题。图像二维多尺度经验模态分解的过程实质上是对图像信号逐步“筛分”的过程。设一幅大小为m×n的农作物图像为f（i，j）（i=1，2，3，…，m;j=1，2，3，…，n），其二维经验模态分解的基本步骤为：（1）设a为二维经验模态分解层数（a∈N+），b为获得第aIMF分量时所需的迭代循环次数，r0（x，y）=f（x，y），h0（i，j）=ra-1（i，j）;（2）寻找图像中局部区域内像素点灰度极大值和极小值，采用曲面插值的方法获得上、下2个包络曲面，即E上（i，j）、E下（i，j），计算均值Mb-1（i，j）;（3）将获得的上、下包络曲面均值Mb-1（i，j）与原始图像信号矩阵作差，得到余量hb（i，j）;（4）若hb（i，j）满足固有模态函数相关条件[8]，则hb（i，j）为图像第a个固有模态函数[IMFa（i，j）]，计算图像残余分量为Ra（i，j）= Ra-1（i，j）-IMFa（i，j）;反之，重复执行步骤（2）至步骤（4）;（5）反复执行步骤（2）至步骤（4）a次，图像经过二维经验模态分解后可表示成： 　　f（i，j）=∑aa=1IMFa（i，j）+Ra（i，j）。 　　（1） 　　式中：IMFa（i，j）为图像分解后第a个固有模态函数子图像，即高频子图像;Ra（i，j）为大尺度趋势项，即低频子图像。 　　1.2 小波域自适应去噪函数模型 　　近年来，在经典硬阈值、软阈值函数模型的基础上，提出一系列的改进函数模型，其中一类为折中法的改进阈值模型，代表性函数模型为： 　　w～j，k=sign（wj，k）?（|wj，k|-αT） |wj，k|≥T 　　0 else。 　　（2） 　　式中：w～j，k为滤波后的小波系数;w～j，k为小波分解系数