農作物病害圖像清晰化處理算法的應用

王偉+韓寶如

摘要：農作物視頻監控圖像由于受到拍攝時光照不均勻的影響以及在圖像傳輸、解碼、存儲過程中不可避免地會混入一定程度的隨機噪聲，導致圖像對比度下降，圖像中的目標物難以準確辨認。因此，在對多方向中值濾波算法（MMF）基本原理深入研究的基礎上，提出一種改進自適應多方向中值濾波算法。該算法首先提出一種噪聲檢測方法實現對圖像中噪聲的識別并加以標記，然后對圖像中的噪聲點分別進行水平、垂直、對角等4個方向的中值濾波，然后對獲得的濾波值集合分別求取其最大（小）值、平均值、中間值以及與噪聲點像素值組成新的集合，最后求取該新集合的中間值并作為最終的濾波結果。采用實地拍攝的2幅農作物病害圖像進行算法測試，結果表明本算法與中值濾波以及MMF相比具有一定的優勢與實用性。

關鍵詞：農作物病害圖像；清晰化處理；噪聲；中值濾波算法

中圖分類號：TP391；S126 文獻標志碼：A

文章編號：1002-1302（2014）08-0405-03

對農作物生長的各個階段進行實時化監控，可以及時發現農作物在生長過程中出現的諸如病害等問題，以便及時對病害的類型以及病害的危害程度進行準確判斷并制定有效的農藥噴灑計劃而提供恰當的依據^[1-2]。在一般情況下，由于視頻監控圖像拍攝的環境較為復雜以及圖像在傳輸、解碼、存儲等過程中時常混入一定程度的隨機噪聲，導致所獲取的圖像清晰度不高，由此看來，對于該類圖像的清晰化處理是一個十分必要的環節。近年來，隨著計算機圖像處理技術的發展，切實有效的算法大量涌現，并成功地應用于農業視頻圖像的處理工作中，如王曉虹等將Ridgelet變換域Wiener算法并應用于蘋果圖像中的噪聲處理^[3]，宋懷波等提出了一種基于Contourlet變換的農產品圖像噪聲濾除算法^[4]，韓偉等將非下采樣Contourlet變換應用于雜草圖像去噪^[5]，可見目前在農業圖像處理方面應用較多的是基于變換域的處理方法。這類方法的基本思路是：首先對圖像進行多尺度變換，然后對獲得的分解系數分別加以處理，然后進行系數的重構運算，圖像的反復分解與重構運算量較大，不利于農業圖像的快速有效處理。

多方向中值濾波算法（multi-direction median filtering，MMF）^[6-9]為一種典型的空間域圖像處理方法，能夠對圖像實現多方向的有效濾波，其性能相對于經典中值濾波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在對MMF適當改進的基礎上，提出了一種改進自適應多方向中值濾波算法（improved adaptive multi-direction median filtering，IAMMF），并將其應用于農作物病害圖像的清晰化處理，試驗證明該算法具有較好的性能。

1 改進自適應多方向中值濾波算法

1.1 多方向中值濾波算法的基本原理

SMF將圖像劃分成數量眾多的子塊，每個子塊等同于1個濾波模板，通過對每個圖像子塊中的像素灰度值進行排序，輸出其中的中間值作為濾波點的修正值，這對圖像中隨機分布的噪聲點來說具有一定的作用。但存在的問題在于圖像中的目標地物特別是農作物圖像中植物根莖、葉片邊緣等連續性較強，在圖像中表現為1條連續的直線或曲線，若采用SMF進行處理難免會導致圖像中相當一部分信息出現移位或變形。

MMF將SMF濾波模板進一步分解成水平、垂直、對角等方向的子窗口，再對每個窗口分別進行濾波，這對保持圖像中信息的連續性具有很好的效果，以7×7為例，該算法的濾波窗口如圖1所示。

3 結束語

為了實現對農作物病害圖像的清晰化處理，在對MMF基本原理深入分析的基礎上，對其進行適當改進，提出了一種改進自適應多方向中值濾波算法并成功地對2幅黃瓜病害噪聲圖像進行高質量復原處理，復原后，圖像清晰度明顯提高了。理論分析結果與對應的試驗結果基本反映出本算法對這類圖像的清晰化處理是有效的。

參考文獻：

[1]趙 云，宋寅卯，刁智華. 基于圖像技術的農作物病害識別[J]. 河南農業，2013（16）：62-64.

[2]張紅旗，王春光，張 永，等. 數字圖像處理技術在變量農藥噴灑裝置中的應用研究[J]. 農機化研究，2013，35（9）：213-217.

[3]王曉虹，韋英華. 結合 Ridgelet 變換與 Wiener 濾波的蘋果圖像去噪算法[J]. 江蘇農業科學，2013，41（10）：373-375.

[4]宋懷波，何東健，韓 韜. Contourlet變換為農產品圖像去噪的有效方法[J]. 農業工程學報，2012，28（8）：287-292.

[5]韓 偉，劉 強. 一種 NSCT 域改進閾值函數的雜草圖像去噪方法[J]. 江蘇農業科學，2013，41（11）：151-153.

[6]沈德海，劉大成，邢 濤. 一種縱橫窗口關聯的多級中值濾波算法[J]. 計算機科學，2012，39（5）：246-248.

[7]龍 云，韓立國，鄧武斌，等. 自適應加權改進窗口中值濾波[J]. 世界地質，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，Foster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孫久運，湯海燕. 基于小波變換的圖像混合噪聲自適應濾波算法[J]. 微電子學與計算機，2012，29（6）：91-95.

[11]楊文波，馬天瑋，劉 劍. 非局部變分修復法去除高密度椒鹽噪聲[J]. 中國光學，2013，6（6）：876-884.endprint

摘要：農作物視頻監控圖像由于受到拍攝時光照不均勻的影響以及在圖像傳輸、解碼、存儲過程中不可避免地會混入一定程度的隨機噪聲，導致圖像對比度下降，圖像中的目標物難以準確辨認。因此，在對多方向中值濾波算法（MMF）基本原理深入研究的基礎上，提出一種改進自適應多方向中值濾波算法。該算法首先提出一種噪聲檢測方法實現對圖像中噪聲的識別并加以標記，然后對圖像中的噪聲點分別進行水平、垂直、對角等4個方向的中值濾波，然后對獲得的濾波值集合分別求取其最大（小）值、平均值、中間值以及與噪聲點像素值組成新的集合，最后求取該新集合的中間值并作為最終的濾波結果。采用實地拍攝的2幅農作物病害圖像進行算法測試，結果表明本算法與中值濾波以及MMF相比具有一定的優勢與實用性。

關鍵詞：農作物病害圖像；清晰化處理；噪聲；中值濾波算法

中圖分類號：TP391；S126 文獻標志碼：A

文章編號：1002-1302（2014）08-0405-03

對農作物生長的各個階段進行實時化監控，可以及時發現農作物在生長過程中出現的諸如病害等問題，以便及時對病害的類型以及病害的危害程度進行準確判斷并制定有效的農藥噴灑計劃而提供恰當的依據^[1-2]。在一般情況下，由于視頻監控圖像拍攝的環境較為復雜以及圖像在傳輸、解碼、存儲等過程中時常混入一定程度的隨機噪聲，導致所獲取的圖像清晰度不高，由此看來，對于該類圖像的清晰化處理是一個十分必要的環節。近年來，隨著計算機圖像處理技術的發展，切實有效的算法大量涌現，并成功地應用于農業視頻圖像的處理工作中，如王曉虹等將Ridgelet變換域Wiener算法并應用于蘋果圖像中的噪聲處理^[3]，宋懷波等提出了一種基于Contourlet變換的農產品圖像噪聲濾除算法^[4]，韓偉等將非下采樣Contourlet變換應用于雜草圖像去噪^[5]，可見目前在農業圖像處理方面應用較多的是基于變換域的處理方法。這類方法的基本思路是：首先對圖像進行多尺度變換，然后對獲得的分解系數分別加以處理，然后進行系數的重構運算，圖像的反復分解與重構運算量較大，不利于農業圖像的快速有效處理。

多方向中值濾波算法（multi-direction median filtering，MMF）^[6-9]為一種典型的空間域圖像處理方法，能夠對圖像實現多方向的有效濾波，其性能相對于經典中值濾波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在對MMF適當改進的基礎上，提出了一種改進自適應多方向中值濾波算法（improved adaptive multi-direction median filtering，IAMMF），并將其應用于農作物病害圖像的清晰化處理，試驗證明該算法具有較好的性能。

1 改進自適應多方向中值濾波算法

1.1 多方向中值濾波算法的基本原理

SMF將圖像劃分成數量眾多的子塊，每個子塊等同于1個濾波模板，通過對每個圖像子塊中的像素灰度值進行排序，輸出其中的中間值作為濾波點的修正值，這對圖像中隨機分布的噪聲點來說具有一定的作用。但存在的問題在于圖像中的目標地物特別是農作物圖像中植物根莖、葉片邊緣等連續性較強，在圖像中表現為1條連續的直線或曲線，若采用SMF進行處理難免會導致圖像中相當一部分信息出現移位或變形。

MMF將SMF濾波模板進一步分解成水平、垂直、對角等方向的子窗口，再對每個窗口分別進行濾波，這對保持圖像中信息的連續性具有很好的效果，以7×7為例，該算法的濾波窗口如圖1所示。

3 結束語

為了實現對農作物病害圖像的清晰化處理，在對MMF基本原理深入分析的基礎上，對其進行適當改進，提出了一種改進自適應多方向中值濾波算法并成功地對2幅黃瓜病害噪聲圖像進行高質量復原處理，復原后，圖像清晰度明顯提高了。理論分析結果與對應的試驗結果基本反映出本算法對這類圖像的清晰化處理是有效的。

參考文獻：

[1]趙 云，宋寅卯，刁智華. 基于圖像技術的農作物病害識別[J]. 河南農業，2013（16）：62-64.

[2]張紅旗，王春光，張 永，等. 數字圖像處理技術在變量農藥噴灑裝置中的應用研究[J]. 農機化研究，2013，35（9）：213-217.

[3]王曉虹，韋英華. 結合 Ridgelet 變換與 Wiener 濾波的蘋果圖像去噪算法[J]. 江蘇農業科學，2013，41（10）：373-375.

[4]宋懷波，何東健，韓 韜. Contourlet變換為農產品圖像去噪的有效方法[J]. 農業工程學報，2012，28（8）：287-292.

[5]韓 偉，劉 強. 一種 NSCT 域改進閾值函數的雜草圖像去噪方法[J]. 江蘇農業科學，2013，41（11）：151-153.

[6]沈德海，劉大成，邢 濤. 一種縱橫窗口關聯的多級中值濾波算法[J]. 計算機科學，2012，39（5）：246-248.

[7]龍 云，韓立國，鄧武斌，等. 自適應加權改進窗口中值濾波[J]. 世界地質，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，Foster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孫久運，湯海燕. 基于小波變換的圖像混合噪聲自適應濾波算法[J]. 微電子學與計算機，2012，29（6）：91-95.

[11]楊文波，馬天瑋，劉 劍. 非局部變分修復法去除高密度椒鹽噪聲[J]. 中國光學，2013，6（6）：876-884.endprint

摘要：農作物視頻監控圖像由于受到拍攝時光照不均勻的影響以及在圖像傳輸、解碼、存儲過程中不可避免地會混入一定程度的隨機噪聲，導致圖像對比度下降，圖像中的目標物難以準確辨認。因此，在對多方向中值濾波算法（MMF）基本原理深入研究的基礎上，提出一種改進自適應多方向中值濾波算法。該算法首先提出一種噪聲檢測方法實現對圖像中噪聲的識別并加以標記，然后對圖像中的噪聲點分別進行水平、垂直、對角等4個方向的中值濾波，然后對獲得的濾波值集合分別求取其最大（小）值、平均值、中間值以及與噪聲點像素值組成新的集合，最后求取該新集合的中間值并作為最終的濾波結果。采用實地拍攝的2幅農作物病害圖像進行算法測試，結果表明本算法與中值濾波以及MMF相比具有一定的優勢與實用性。

關鍵詞：農作物病害圖像；清晰化處理；噪聲；中值濾波算法

中圖分類號：TP391；S126 文獻標志碼：A

文章編號：1002-1302（2014）08-0405-03

對農作物生長的各個階段進行實時化監控，可以及時發現農作物在生長過程中出現的諸如病害等問題，以便及時對病害的類型以及病害的危害程度進行準確判斷并制定有效的農藥噴灑計劃而提供恰當的依據^[1-2]。在一般情況下，由于視頻監控圖像拍攝的環境較為復雜以及圖像在傳輸、解碼、存儲等過程中時常混入一定程度的隨機噪聲，導致所獲取的圖像清晰度不高，由此看來，對于該類圖像的清晰化處理是一個十分必要的環節。近年來，隨著計算機圖像處理技術的發展，切實有效的算法大量涌現，并成功地應用于農業視頻圖像的處理工作中，如王曉虹等將Ridgelet變換域Wiener算法并應用于蘋果圖像中的噪聲處理^[3]，宋懷波等提出了一種基于Contourlet變換的農產品圖像噪聲濾除算法^[4]，韓偉等將非下采樣Contourlet變換應用于雜草圖像去噪^[5]，可見目前在農業圖像處理方面應用較多的是基于變換域的處理方法。這類方法的基本思路是：首先對圖像進行多尺度變換，然后對獲得的分解系數分別加以處理，然后進行系數的重構運算，圖像的反復分解與重構運算量較大，不利于農業圖像的快速有效處理。

多方向中值濾波算法（multi-direction median filtering，MMF）^[6-9]為一種典型的空間域圖像處理方法，能夠對圖像實現多方向的有效濾波，其性能相對于經典中值濾波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在對MMF適當改進的基礎上，提出了一種改進自適應多方向中值濾波算法（improved adaptive multi-direction median filtering，IAMMF），并將其應用于農作物病害圖像的清晰化處理，試驗證明該算法具有較好的性能。

1 改進自適應多方向中值濾波算法

1.1 多方向中值濾波算法的基本原理

SMF將圖像劃分成數量眾多的子塊，每個子塊等同于1個濾波模板，通過對每個圖像子塊中的像素灰度值進行排序，輸出其中的中間值作為濾波點的修正值，這對圖像中隨機分布的噪聲點來說具有一定的作用。但存在的問題在于圖像中的目標地物特別是農作物圖像中植物根莖、葉片邊緣等連續性較強，在圖像中表現為1條連續的直線或曲線，若采用SMF進行處理難免會導致圖像中相當一部分信息出現移位或變形。

MMF將SMF濾波模板進一步分解成水平、垂直、對角等方向的子窗口，再對每個窗口分別進行濾波，這對保持圖像中信息的連續性具有很好的效果，以7×7為例，該算法的濾波窗口如圖1所示。

3 結束語

為了實現對農作物病害圖像的清晰化處理，在對MMF基本原理深入分析的基礎上，對其進行適當改進，提出了一種改進自適應多方向中值濾波算法并成功地對2幅黃瓜病害噪聲圖像進行高質量復原處理，復原后，圖像清晰度明顯提高了。理論分析結果與對應的試驗結果基本反映出本算法對這類圖像的清晰化處理是有效的。

參考文獻：

[1]趙 云，宋寅卯，刁智華. 基于圖像技術的農作物病害識別[J]. 河南農業，2013（16）：62-64.

[2]張紅旗，王春光，張 永，等. 數字圖像處理技術在變量農藥噴灑裝置中的應用研究[J]. 農機化研究，2013，35（9）：213-217.

[3]王曉虹，韋英華. 結合 Ridgelet 變換與 Wiener 濾波的蘋果圖像去噪算法[J]. 江蘇農業科學，2013，41（10）：373-375.

[4]宋懷波，何東健，韓 韜. Contourlet變換為農產品圖像去噪的有效方法[J]. 農業工程學報，2012，28（8）：287-292.

[5]韓 偉，劉 強. 一種 NSCT 域改進閾值函數的雜草圖像去噪方法[J]. 江蘇農業科學，2013，41（11）：151-153.

[6]沈德海，劉大成，邢 濤. 一種縱橫窗口關聯的多級中值濾波算法[J]. 計算機科學，2012，39（5）：246-248.

[7]龍 云，韓立國，鄧武斌，等. 自適應加權改進窗口中值濾波[J]. 世界地質，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，Foster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孫久運，湯海燕. 基于小波變換的圖像混合噪聲自適應濾波算法[J]. 微電子學與計算機，2012，29（6）：91-95.

[11]楊文波，馬天瑋，劉 劍. 非局部變分修復法去除高密度椒鹽噪聲[J]. 中國光學，2013，6（6）：876-884.endprint