基于提升小波变换的农产品图像有效处理方法.docx

    基于提升小波变换的农产品图像有效处理方法    卫娟+孙冬Reference：提出了1种基于提升小波变换的有效滤波算法该算法对含有噪声的农产品图像实现单层提升小波分解，然后对获得的低频和高频分解系数再次实现提升小波变换，舍弃由低频系数经过第二层提升小波变换后获得的低频系数以及由高频系数经过第二层提升小波变换后获得的高频系数；对剩余的高频和低频系数分别采用改进阈值函数模型以及改进非局部均值滤波算法进行处理，在此基础上实现小波系数重构引入直方图均衡化算法进行处理，使得滤波后的农产品图像不但噪声得到抑制而且图像对比度得以提升试验结果表明，该算法性能优于已有的小波域阈值法以及改进非局部均值滤波算法Keys：农产品图像；提升小波变换；改进阈值函数模型；改进非局部均值滤波算法；图像去噪TP391；S126： A：1002-1302（2014）06-0364-03收稿日期：2014-02-26基金项目：河南省教育厅科学技术重点研究项目（编号：14A520045）；河南省教育科学“十二五”规划课题（编号：[2012]-JKGHAC-0116）；河南省高等学校青年骨干教师资助计划（编号：2011GGJS-198）。

作者简介：卫娟（1980—），女，河南新乡人，讲师，研究方向为计算机图形图像处理、计算机软件技术、农业信息化E-mail：[email protected]由于农产品图像的质量受到农产品生长环境、图像获取硬件等因素的影响，在一般情况下所获取的图像往往掺杂一定程度的噪声，对图像中目标信息难以实现有效识别；因此，实现对该类图像的有效处理，对于后续的农产品分类检测具有重要意义周胜灵等开发了一种基于DM642的图像边缘检测系统，能够实现对农产品的边缘高精度检测[1]；宋怀波等将Contourlet变换成功应用于农产品图像去噪研究，取得了较好效果[2]；杨福增等提出一种基于小波变换的农产品图像滤波算法，滤波后图像质量显著提高[3]总体来说，对于该类图像的处理，目前研究仍不够深入提升小波变换采用“分步骤”的思想来实现小波变换，即采用预测和更新2个环节实现对图像高频和低频信息的高效率分离，计算效率得到提高；通过原位操作，能够实现图像的整数小波变换，在分解和重构过程中对图像信号刻画更为精确提升小波变换在图像滤波[4]、图像复原[5]、图像重构[6]等方面得到成功的应用，但对于农产品图像的处理，目前这方面的研究报道还较少[7-8]。

本研究借助提升小波变换理论框架，提出了1种基于提升小波变换的农产品图像有效滤波方法1农产品图像提升小波变换流程分析第一步：分解（split），将图像信号集合分解成偶数序列η2j和奇数序列：φ2j-1，并且该两类序列彼此互不相交，该步骤中图像信号序列可表示成：Split（Sj）={η2j，φ2j-1}第二步：预测（predict），采用相邻信号偶数序列对奇数序列进行预测，通过对奇数序列的真实值与预测值做差，该差值可称为细节系数，预测可定义为：D2j-1=η2j-p[φ2j-1]2）式中：D2j-1为细节系数，p[·]代表预测算子第三步：更新（update），采用更新算子U[·]对第二步中产生的序列D2j-1进行更新，其过程为：Sj-1=η2j+U[D2j-1]（3）2一种新型小波域阈值函数模型近年来，在经典硬阈值、软阈值函数模型的基础上，提出了一系列的改进函数模型1）折中法的改进阈值模型：w～j，k=sign（wj，k）·（|wj，k|-α·T）|wj，k|≥T0其他（4）式中：w～j，k为滤波后的小波系数，|wj，k|为小波分解系数幅值，T为小波阈值2）指数型改进阈值函数模型：w～j，k=sign（wj，k）·（|wj，k|-exp（β·T）exp（β·|wj，k|）·T）|wj，k|>T0其他（5）式中：相关的系数同上。

上述2类函数模型的共性在于：（1）采用千篇一律的调节因子，滤波效果没有从根本上得到提高；（2）阈值的单一性，图像经过多层小波变换后的小波系数幅值会随着分解层数的增大而快速衰减，而相应的阈值并未随之改变因此，结合以上对2类改进阈值函数模型特性分析结果，提出一种新型提升小波变换的阈值函数模型，w～j，k=423·|wj，k||wj，k|>34T*N|wj，k|N-12N+2（T*）NT2<|wj，k|≤34T*122N+2·|wj，k|N-（T*）NT4<|wj，k|≤T*20|wj，k|≤T*4（6）式中：相关的系数同上，T*为阈值在阈值选取方面，经典软硬阈值以及上述式（4）和式（5）描述的改进型阈值函数均采用如下阈值选取策略：T=σ2ln（n）（7）式中：n为信号长度；σ小波分解系数的均方差，σ=median（|wj，k|）/0.674 58）可以看出该阈值属于全局阈值范畴，理论上讲，随着小波分解层数的增加，小波系数幅值快速衰减，那么，对应的阈值也应当呈现这一特征，对此，本研究对该阈值函数进行如下改进：T′=σ2ln（n）/22N-29）当实现单层提升小波变换时，该阈值即为经典阈值，当层数扩大时，阈值会随着分解层数的增大而自适应缩小。

为了更好地兼顾经典阈值和改进阈值的特点，本研究新型阈值为：T*=（T+T′）/210）将式（7）和式（9）代入式（10），可得 T*=（1+22N-222N-1）σ2ln（n）11）3改进非均局部均值滤波算法农产品噪声图像可采用如下模型表示：F（i）=X（i）+n（i）（12）式中：X（i）为图像有用信号，n（i）则为噪声信号对于噪声图像中任一像素点，采用非局部均值滤波进行处理时，则是通过求取该图像中所有像素点灰度值的加权平均值作为该点的滤波结果：NL[n]（i）=∑j∈Iw（i，j）·n（i）（13）式中：w（i，j）为权值，且w（i，j）∈[0，1]，∑j∈Iw（i，j）=1权值w（i，j）根据图像上任意2个像素点间的相似程度赋值，而2点间的相似程度由两者的灰度值矩阵决定一般来说，采用2点间的灰度值矩阵的欧氏距离来衡量两者的相似程度，即：D（i，j）=‖Ni-Nj‖22，a（14）式中：Ni、Nj分别表示像素i、j对应的灰度值矩阵，a为高斯加权标准差值那么，权值w（i，j）则可进行如下计算：w（i，j）=fε[D（i，j）]/W（i）（15）其中，W（i）=∑jfε[D（i，j）]，是归一化参数，fε（·）为核函数。

相关研究成果表明[9]，经典非局部均值中的指数型核函数对于强度较低的噪声滤波效果较为理想，当噪声持续增大时，效果则出现明显下降；而余弦型核函数滤波性能则与之相反，两者具有一定的互补作用因此，本研究提出一种新型核函数模型：f′[D（i，j）]=cos[π·D（i，j）2h]·exp[D2（i，j）h2]D（i，j）≤h0其他（16）该模型对经典非局部均值滤波算法中的指数型核函数增加了1个余弦型核函数作为其系数，以此来对原有的经典指数核函数滤波性能进行一定程度的提升4本研究算法仿真分析4.1本研究算法思路（1）将农产品噪声图像进行提升小波变换，获得高频分解系数1和低频分解系数1；（2）将低频分解系数1继续进行提升小波变换，获得高频分解系数2和低频分解系数2；（3）舍弃低频分解系数2，高频分解系数2采用改进阈值函数模型进行处理；（4）将高频分解系数1继续进行提升小波变换，获得高频分解系数2′和低频分解系数2′；（5）舍弃高频分解系数2′，对低频分解系数2′采用改进非局部均值滤波算法进行处理；（6）将（3）和（5）处理后的分解系数进行重构；（7）对（6）获得的重构图像进行直方图均衡化4.2仿真分析采用2幅随机拍摄的农产品图像来对本研究算法进行性能测试。

对文献中所提出的小波阈值函数滤波算法[4]以及改进型非局部均值滤波算法[9]进行算法实现，并用来与本研究算法滤波性能进行横向比较采用峰值信噪比（PSNR）和均方根误差（RMSE）作为算法性能评价指标文献[4]、文献[9]以及本研究算法对于含有噪声密度为10%～30%的农产品图像滤波结果如图1、图2、表1、表2所示从上述结果可以看出，本研究算法性能优于文献[4]所提出的改进小波阈值法以及文献[9]所提出的改进非局部均值滤波算法，并且相应的PSNR和RMSE评价结果也佐证了这一结论相对于其他2类算法，本研究算法处理图像对比度得到增强，视觉效果较好，图1-d、图2-d中，番茄清晰可辨，尽管图中仍有少许的噪声遗留下的“黑点”，但这不影响对图中目标信息的识别5结语提出了1种基于提升小波变换的农产品图像有效滤波算法，理论分析和试验仿真结果表明，该算法对于农产品图像的处理取得了较好效果表1番茄图像1滤波结果PSNR、RMSE值定量比较噪声图像（%）PSNRRMSE文献[4]算法文献[9]算法 本研究算法文献[4]算法文献[9]算法 本研究算法1024.59525.02826.8940.5120.4120.2832022.20523.14225.6810.6510.5820.3133020.67722.01324.1270.7960.6210.438表2番茄图像2滤波结果PSNR、RMSE值定量比较噪声图像（%）PSNRRMSE文献[4]算法文献[9]算法 本研究算法文献[4]算法文献[9]算法 本研究算法1023.41524.21625.2710.5430.4060.3462021.37223.04524.5070.7140.5170.4273019.66120.99323.3250.8230.7230.558Reference：[1]周胜灵，丁珠玉. 基于DM642的农产品图像边缘检测系统设计[J]. 农机化研究，2012（3）：102-105.[2]宋怀波，何东健，韩韬. Contourlet变换为农产品图像去噪的有效方法[J]. 农业工程学报，2012，28（8）：287-292.[3]杨福增，田艳娜，杨亮亮，等. 基于杂交小波变换的农产品图像去噪算法[J]. 农业工程学报，2011，27（3）：172-178.[4]曹晓英，张智军，向建军. 基于提升小波改进阈值的雷达信号去噪方法[J]. 计算机工程与应用，2012，48（14）：143-147.[5]黄德天，吴志勇. 提升小波变换在NAS-RIF盲复原算法中的应用[J]. 计算机辅助设计与图形学学报，2012，24（12）：1614-1620. [6]侯兴松，张兰，肖琳. 合成孔径雷达图像的贝叶斯压缩感知重构算法[J]. 西安交通大学学报，2013，47（8）：74-79.[7]吴艳. 基于小波变换的核桃叶片图像编码优化算法研究[J]. 江苏农业科学，2014，42（1）：363-365.[8]李楠，张为. 基于提升小波变换的薯类视觉图像滤波处理[J]. 江苏农业科学，2014，42（1）：376-378.[9]刘晓明，田雨，何微，等. 一种改进的非局部均值图像去噪算法[J]. 计算机工程，2012，38（4）：199-201，207.（上接第344页）[5]Brumme R. Mechanisms of carbon and nutrient release and retention in beech forest gaps[J]. Plant and Soil，1995，168/169（1）：593-600.[6]Saner P，Lim R，Burla B，et al. Reduced soil respiration in gaps in logged lowland dipter。