基于小波域局部能量最大化农产品图像滤波算法.docVIP

基于小波域局部能量最大化农产品图像滤波算法 　　摘要：提出一种农产品图像自适应滤波方法。首先，对原始图像进行单层小波分解，对于得到的背景图像采用直方图均衡化算法进行灰度拉伸处理，对于得到的细节图像采用一种基于局部图像块的改进加权均值滤波算法进行去噪，分别将处理后的背景、细节图像进行逆小波变换得到去噪图像，记为图像1。其次，对原始图像进行经典均值滤波，将滤波后图像记为图像2。最后，将图像1和图像2划分成规则尺寸的图像块，对2幅图像中处于相对应位置的图像块按照局部能量最大化原则进行融合。结果表明，该算法对于农产品图像的处理效果优于小波阈值去噪和均值滤波算法。 　　关键词：农产品图像；细节信息；小波变换；均值滤波；局部能量最大化 　　中图分类号： TP391文献标志码： A文章编号：1002-1302（2016）05-0408-02 　　随着农业信息化水平的快速提高，农业图像成为现代各类农业信息的重要载体之一，实时获取的各类农业图像为杂草识别[1]、农业估产[2]、病虫害监测[3]等应用提供了大量可靠的基础信息。近年来，各类成像系统的分辨率尽管得到了较大提高，但图像的清晰度仍然受到诸如成像天气、温度的多变性以及成像系统电压的不稳定等不确定性因素的影响，在很多情况下，实时获取的各类农业图像存在不同程度的模糊。因此，对于所获取的农业图像进行预处理，有助于提高图像所承载的各类信息的准确性。对于该类图像的处理，艾剑锋等采用MATLAB软件对苹果图像的处理方法进行系统研究[4]；刘炳良对经典双边滤波算法进行改进，并结合小波变换用于抑制水果图像中的噪声[5]；卫娟等在提升小波变换域中改进了非局部均值滤波，用于处理农产品图像[6]；针对水果检测图像，毛丽民等提出了一种基于FPGA的图像增强方案[7]。为有效处理细节信息丰富的农产品图像，借鉴上述研究成果的思路，对均值滤波算法进行改进，并与基于图像局部能力最大化原则的融合方法相结合，提出一种小波域农作物图像滤波算法。 　　1基于局部图像块的改进加权均值滤波 　　均值滤波应用过程中存在一些问题，第一，滤波的前提是设定一定大小的邻域，那么该邻域大小如何设定，如果设定过大则增加了滤波过程中计算的复杂性，设定过小则无法去除噪声。第二，当受到噪声污染的像素点位于图像中诸如“叶片边缘、果实边缘”等区域时，通过简单的均值滤波，容易导致图像滤波后“叶片边缘、果实边缘”等细节信息出现丢失，增加了图像判读和分析的难度。为此，提出了一种基于局部图像块的改进加权均值滤波算法，首先，该算法以图像中任意待滤波点为中心，取1较大的滤波窗口（邻域）。其次，将该窗口（邻域）划分成多个规则的子窗口（子邻域），通过在各子窗口（子邻域）内分别进行均值滤波，得到多个滤波值。最后，对各滤波值进行加权均值滤波。具体步骤如下： 　　步骤1，对于图像中处于i，j位置灰度值为f（i，j）的像素点而言，以该像素点为中心，取大小为21×21滤波窗口（邻域）作为滤波区域。 　　步骤2，将尺寸为21×21滤波窗口（邻域）划分成49个互不重叠的尺寸为3×3滤波子窗口（子邻域），各子窗口（邻域）分别记为Cx（x∈[1，49]），并且各子窗口（子邻域）的中心点的灰度值分别为fx′（x∈[1，49]）。 　　步骤3，在C1中，对其中心点进行均值滤波得到中心点的滤波后的灰度值f1′，以此类推，分别对其余子窗口（邻域）进行均值滤波，得到各子窗口（子邻域）中心像素点滤波后的像素值集合：{ f1′，f2′，f3′，…，fx′}（x∈[1，49]）。 　　式中：f25′为f（i，j）所在子窗口（子邻域）的均值滤波结果。 　　步骤4，步骤2所得到的49个子窗口（子邻域）中，除C25外，按照其余48个子窗口（子邻域）的中心点与待滤波点的几何距离，进行如下加权滤波： 　　f′（i，j）=f1′?L1+f2′?L2+…+f24′?L24+f26′?L26+…+f49′?L49L1+L2+…+L24+L26+…+L49。（1） 　　式中：f′（i，j）为尺寸21×21滤波窗口（邻域）中心像素点（待滤波点）的加权滤波结果；L1，L2，…，L24，L26，…，L49分别为48个子窗口（子邻域）的中心像素点至待滤波点的几何距离。 　　步骤5，尺寸21×21滤波窗口（邻域）中心像素点（待滤波点）的最终滤波结果为[f′（i，j）+f25′]/2。 　　步骤6，反复执行step1～step5完成图像中其余噪声点的滤波工作。 　　2算法实现步骤 　　步骤1，对原始图像进行单层小波变换（小波基函数为“db7”），将原始图像分解为背景图像和细节图像2个部分。步骤2：由于背景图像体现了图像中的大部分信息，且该部分信息视觉对比度不强，因此，采用直方图均衡化方法对其进行灰度