基于农业视觉图像的高效滤波处理方法
2014-07-11 08:39:55杨青
江苏农业科学 2014年4期
摘要：机器视觉技术在农业领域的广泛应用，使得农业自动化水平有了很大提高；但由于农业视觉图像的获取受气候、温度、光照、成像设备、图像传输等诸多因素的限制，使得所获取的图像或多或少受到噪声干扰，因此图像出现一定程度的失真，给后续农业视觉图像的处理与分析带来了诸多不便。为了有效抑制农业视觉图像中时常出现的噪声，提出了一种具有噪声监测与检测功能的多方向改进加权均值滤波算法，算法首先对含有噪声的农业视觉图像进行粗检测和精检测，以精确标记出噪声点；然后针对图像信息的分布特征分别设计出3类不同尺度的8方向滤波窗口；最后根据粗检测和精检测结果分别对噪声图像进行加权滤波处理。试验结果表明，改进的滤波算法性能优于经典均值滤波法、自适应中值滤波法及加权均值滤波法，提高了农产品视觉图像的清晰度及图像目标识别的准确率。
关键词：农业视觉图像；图像噪声；噪声检测；滤波窗口；改进均值滤波
中图分类号： S126；TN911.73 文献标志码： A 文章编号：1002-1302（2014）04-0361-02
收稿日期：2013-09-01
作者简介：杨青（1983—），女，上海人，硕士，讲师，主要从事园林和高职教学研究。Tel：（021）58786389；E-mail：greensheep9@163.com。现代农业的深入发展为机器识别技术在农业领域的广泛应用提供了广阔空间。通过对农产品的外形、轮廓等信息的准确识别，可为农产品病虫害自动化监测及成熟果实采摘提供准确信息。但是由于气候、光照等成像因素的限制，使得所获取的图像不可避免地存在一定程度的失真，从而制约了机器视觉技术在农业领域的应用。对此，学者们也做了大量研究，主要集中在农产品图像的边缘检测[1]、图像增强[2]、图像分割[3]等领域，但是关于农产品视觉图像的视觉改善研究特别是对于图像中时常出现的噪声抑制的研究较少。在现实情况下，成像环境、成像设备以及电路等因素使得农业视觉影像在获取、传输、存储等环节中不可避免地受到各类噪声特别是脉冲噪声的干扰。这导致后续农业视觉图像的分析处理中出现大量的误判。针对图像噪声的滤波处理主要有小波变换[4]、中值滤波及其各类改进算法[5-6]、均值滤波及改进算法[7-8]、多尺度集合变换去噪[9]等。本研究提出了一种基于噪声检测的多方向均值滤波算法（improved multiple directions weighted mean filtering algorithm，IMDWMF），本算法首先对含有噪声的遥感影像噪声进行2次检测，然后有针对性地设计了3种尺度的8方向滤波窗口，最后实现对噪声的加权滤波。
1算法原理
1.1噪声有效检测策略
对农业视觉图像噪声的分布区域及密度进行有效检测，在此基础上进行有针对性的滤波，从而大大避免了经典滤波方法的盲目性。近年来学者们对此进行了大量研究，先通过对噪声点周围一定大小区域内的各像素点灰度值进行检测，然后根据检测结果判定极值点，从而实现对噪声点的滤除。本研究借鉴这一思路，将噪声检测分为粗检测和精细检测2个步骤，并设一幅大小为M×N的图像在任意点（x，y）处的灰度值为F（x，y）。
3总结
本研究以椒盐噪声为模型，针对农业视觉图像中存在的噪声进行了滤波算法研究，提出了一种基于噪声检测的多方向加权均值滤波算法。试验结果表明，本算法具有较优的噪声滤波性能。
参考文献：
[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]李志臣，陈南，安秋. 基于二维熵的农业图像目标分割[J]. 东北农业大学学报，2010，41（4）：130-132.
[3]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.
[4]刘艳霞，董蓓蓓，刘钰，等. 基于小波阈值的医学图像去噪研究[J]. 电视技术，2012，36（19）：183-185.
[5]黄宝贵，卢振泰，马春梅，等. 改进的自适应中值滤波算法[J]. 计算机应用，2011，31（7）：1835-1837，1883.
[6]孙树亮，王守觉. 一种基于改进的极值中值滤波算法[J]. 计算机科学，2009，36（6）：165-166.
[7]郭明，朱敏，周晓东. 去除椒盐噪声的非对称有向窗加权均值滤波[J]. 激光与红外，2011，41（11）：1267-1272.
[8]易子麟，尹东，胡安洲，等. 基于非局部均值滤波的 SAR 图像去噪[J]. 电子与信息学报，2012，34（4）：950-956.
[9]Starck J L，Candès E J，Donoho D L. The curvelet transform for image denoising[J]. IEEE Transactions on Image Processing：a Publication of the IEEE Signal Processing Society，2002，11（6）：670-684.
摘要：机器视觉技术在农业领域的广泛应用，使得农业自动化水平有了很大提高；但由于农业视觉图像的获取受气候、温度、光照、成像设备、图像传输等诸多因素的限制，使得所获取的图像或多或少受到噪声干扰，因此图像出现一定程度的失真，给后续农业视觉图像的处理与分析带来了诸多不便。为了有效抑制农业视觉图像中时常出现的噪声，提出了一种具有噪声监测与检测功能的多方向改进加权均值滤波算法，算法首先对含有噪声的农业视觉图像进行粗检测和精检测，以精确标记出噪声点；然后针对图像信息的分布特征分别设计出3类不同尺度的8方向滤波窗口；最后根据粗检测和精检测结果分别对噪声图像进行加权滤波处理。试验结果表明，改进的滤波算法性能优于经典均值滤波法、自适应中值滤波法及加权均值滤波法，提高了农产品视觉图像的清晰度及图像目标识别的准确率。
关键词：农业视觉图像；图像噪声；噪声检测；滤波窗口；改进均值滤波
中图分类号： S126；TN911.73 文献标志码： A 文章编号：1002-1302（2014）04-0361-02
收稿日期：2013-09-01
作者简介：杨青（1983—），女，上海人，硕士，讲师，主要从事园林和高职教学研究。Tel：（021）58786389；E-mail：greensheep9@163.com。现代农业的深入发展为机器识别技术在农业领域的广泛应用提供了广阔空间。通过对农产品的外形、轮廓等信息的准确识别，可为农产品病虫害自动化监测及成熟果实采摘提供准确信息。但是由于气候、光照等成像因素的限制，使得所获取的图像不可避免地存在一定程度的失真，从而制约了机器视觉技术在农业领域的应用。对此，学者们也做了大量研究，主要集中在农产品图像的边缘检测[1]、图像增强[2]、图像分割[3]等领域，但是关于农产品视觉图像的视觉改善研究特别是对于图像中时常出现的噪声抑制的研究较少。在现实情况下，成像环境、成像设备以及电路等因素使得农业视觉影像在获取、传输、存储等环节中不可避免地受到各类噪声特别是脉冲噪声的干扰。这导致后续农业视觉图像的分析处理中出现大量的误判。针对图像噪声的滤波处理主要有小波变换[4]、中值滤波及其各类改进算法[5-6]、均值滤波及改进算法[7-8]、多尺度集合变换去噪[9]等。本研究提出了一种基于噪声检测的多方向均值滤波算法（improved multiple directions weighted mean filtering algorithm，IMDWMF），本算法首先对含有噪声的遥感影像噪声进行2次检测，然后有针对性地设计了3种尺度的8方向滤波窗口，最后实现对噪声的加权滤波。
1算法原理
1.1噪声有效检测策略
对农业视觉图像噪声的分布区域及密度进行有效检测，在此基础上进行有针对性的滤波，从而大大避免了经典滤波方法的盲目性。近年来学者们对此进行了大量研究，先通过对噪声点周围一定大小区域内的各像素点灰度值进行检测，然后根据检测结果判定极值点，从而实现对噪声点的滤除。本研究借鉴这一思路，将噪声检测分为粗检测和精细检测2个步骤，并设一幅大小为M×N的图像在任意点（x，y）处的灰度值为F（x，y）。
3总结
本研究以椒盐噪声为模型，针对农业视觉图像中存在的噪声进行了滤波算法研究，提出了一种基于噪声检测的多方向加权均值滤波算法。试验结果表明，本算法具有较优的噪声滤波性能。
参考文献：
[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]李志臣，陈南，安秋. 基于二维熵的农业图像目标分割[J]. 东北农业大学学报，2010，41（4）：130-132.
[3]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.
[4]刘艳霞，董蓓蓓，刘钰，等. 基于小波阈值的医学图像去噪研究[J]. 电视技术，2012，36（19）：183-185.
[5]黄宝贵，卢振泰，马春梅，等. 改进的自适应中值滤波算法[J]. 计算机应用，2011，31（7）：1835-1837，1883.
[6]孙树亮，王守觉. 一种基于改进的极值中值滤波算法[J]. 计算机科学，2009，36（6）：165-166.
[7]郭明，朱敏，周晓东. 去除椒盐噪声的非对称有向窗加权均值滤波[J]. 激光与红外，2011，41（11）：1267-1272.
[8]易子麟，尹东，胡安洲，等. 基于非局部均值滤波的 SAR 图像去噪[J]. 电子与信息学报，2012，34（4）：950-956.
[9]Starck J L，Candès E J，Donoho D L. The curvelet transform for image denoising[J]. IEEE Transactions on Image Processing：a Publication of the IEEE Signal Processing Society，2002，11（6）：670-684.
摘要：机器视觉技术在农业领域的广泛应用，使得农业自动化水平有了很大提高；但由于农业视觉图像的获取受气候、温度、光照、成像设备、图像传输等诸多因素的限制，使得所获取的图像或多或少受到噪声干扰，因此图像出现一定程度的失真，给后续农业视觉图像的处理与分析带来了诸多不便。为了有效抑制农业视觉图像中时常出现的噪声，提出了一种具有噪声监测与检测功能的多方向改进加权均值滤波算法，算法首先对含有噪声的农业视觉图像进行粗检测和精检测，以精确标记出噪声点；然后针对图像信息的分布特征分别设计出3类不同尺度的8方向滤波窗口；最后根据粗检测和精检测结果分别对噪声图像进行加权滤波处理。试验结果表明，改进的滤波算法性能优于经典均值滤波法、自适应中值滤波法及加权均值滤波法，提高了农产品视觉图像的清晰度及图像目标识别的准确率。
关键词：农业视觉图像；图像噪声；噪声检测；滤波窗口；改进均值滤波
中图分类号： S126；TN911.73 文献标志码： A 文章编号：1002-1302（2014）04-0361-02
收稿日期：2013-09-01
作者简介：杨青（1983—），女，上海人，硕士，讲师，主要从事园林和高职教学研究。Tel：（021）58786389；E-mail：greensheep9@163.com。现代农业的深入发展为机器识别技术在农业领域的广泛应用提供了广阔空间。通过对农产品的外形、轮廓等信息的准确识别，可为农产品病虫害自动化监测及成熟果实采摘提供准确信息。但是由于气候、光照等成像因素的限制，使得所获取的图像不可避免地存在一定程度的失真，从而制约了机器视觉技术在农业领域的应用。对此，学者们也做了大量研究，主要集中在农产品图像的边缘检测[1]、图像增强[2]、图像分割[3]等领域，但是关于农产品视觉图像的视觉改善研究特别是对于图像中时常出现的噪声抑制的研究较少。在现实情况下，成像环境、成像设备以及电路等因素使得农业视觉影像在获取、传输、存储等环节中不可避免地受到各类噪声特别是脉冲噪声的干扰。这导致后续农业视觉图像的分析处理中出现大量的误判。针对图像噪声的滤波处理主要有小波变换[4]、中值滤波及其各类改进算法[5-6]、均值滤波及改进算法[7-8]、多尺度集合变换去噪[9]等。本研究提出了一种基于噪声检测的多方向均值滤波算法（improved multiple directions weighted mean filtering algorithm，IMDWMF），本算法首先对含有噪声的遥感影像噪声进行2次检测，然后有针对性地设计了3种尺度的8方向滤波窗口，最后实现对噪声的加权滤波。
1算法原理
1.1噪声有效检测策略
对农业视觉图像噪声的分布区域及密度进行有效检测，在此基础上进行有针对性的滤波，从而大大避免了经典滤波方法的盲目性。近年来学者们对此进行了大量研究，先通过对噪声点周围一定大小区域内的各像素点灰度值进行检测，然后根据检测结果判定极值点，从而实现对噪声点的滤除。本研究借鉴这一思路，将噪声检测分为粗检测和精细检测2个步骤，并设一幅大小为M×N的图像在任意点（x，y）处的灰度值为F（x，y）。
3总结
本研究以椒盐噪声为模型，针对农业视觉图像中存在的噪声进行了滤波算法研究，提出了一种基于噪声检测的多方向加权均值滤波算法。试验结果表明，本算法具有较优的噪声滤波性能。
参考文献：
[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]李志臣，陈南，安秋. 基于二维熵的农业图像目标分割[J]. 东北农业大学学报，2010，41（4）：130-132.
[3]石永华，王波，王阿珍，等. 基于Contourlet变换的农业图像增强方法研究[J]. 安徽农业科学，2011，39（30）：18985-18986，19007.
[4]刘艳霞，董蓓蓓，刘钰，等. 基于小波阈值的医学图像去噪研究[J]. 电视技术，2012，36（19）：183-185.
[5]黄宝贵，卢振泰，马春梅，等. 改进的自适应中值滤波算法[J]. 计算机应用，2011，31（7）：1835-1837，1883.
[6]孙树亮，王守觉. 一种基于改进的极值中值滤波算法[J]. 计算机科学，2009，36（6）：165-166.
[7]郭明，朱敏，周晓东. 去除椒盐噪声的非对称有向窗加权均值滤波[J]. 激光与红外，2011，41（11）：1267-1272.
[8]易子麟，尹东，胡安洲，等. 基于非局部均值滤波的 SAR 图像去噪[J]. 电子与信息学报，2012，34（4）：950-956.
[9]Starck J L，Candès E J，Donoho D L. The curvelet transform for image denoising[J]. IEEE Transactions on Image Processing：a Publication of the IEEE Signal Processing Society，2002，11（6）：670-684.
