基于提升小波变换的薯类视觉图像滤波处理

对农产品检测过程中所获得的视觉图像中时常出现的噪声滤波问题进行研究,以薯类视觉图像为例提出了一种基于提升小波变换的自适应滤波算法。该算法首先采用分解、预测、更新对噪声图像进行单层提升小波变换,保留低频分解系数不变;其次对高频分解系数采用自适应Canny边缘算子进行边缘轮廓提取,保留边缘轮廓,对图像剩余部分进行有针对性地自适应滤波;再提出一种新型小波阈值函数模型对低频分解系数进行噪声抑制,最后进行分解系数重构。为了进一步改善滤波后图像的视觉效果,采用自适应同态滤波进行增强处理。仿真结果表明,该算法对薯类等农产品视觉图像中噪声的处理比小波阈值法、自适应中值滤波算法有优势。     

1种离散小波域荔枝图像处理模型

利用机器人采摘荔枝的过程实质上是分析和识别所获取图像的过程,但由于荔枝生长环境复杂、成像系统电压不稳定,导致在模/数转换、图像解码等环节中图像清晰度降低,最直观的体现是图像中存在不同程度的斑点噪声。针对该情况并结合离散小波变换这一图像分析框架,提出一种荔枝图像高效处理模型。首先,该模型对图像进行多尺度离散小波变换,以获得低频分解系数和各方向分布的高频分解系数;然后提出一种二维多方向加权中值滤波算法,实现对高频分解系数的自适应处理;最后对低频分解系数和滤波后的多方向分布高频分解系数进行重构。采用MATLAB软件编写程序进行算法实现,并与经典中值滤波算法、二维多方向中值滤波算法进行性能对比。结果表明,本研究提出的图像处理模型对该类图像的处理效果明显优于其余2类算法且模型耗时更短。     

一种新型高斯噪声滤波算法

为了更有效滤除数字图像中的高斯噪声,提出了一种新型滤波算法.该算法首先将含有高斯噪声的图像进行二维小波分解,得到高频和低频小波分解系数;然后保留低频小波系数不变,对高频小波系数通过维纳滤波器进行滤波,并进行小波系数重构;最后将重构图像进行多尺度小波分解,通过设定新的阈值和判别函数,弱化不重要的小波分解系数,并进行小波分解系数重构.分别采用该滤波算法、维纳滤波、小波阈值法以及均值滤波进行高斯噪声滤除处理,试验证明该滤波算法去噪后图像的PSNR值明显高于其他三种方法.     

基于脊波变换域BDND的农作物图像改进中值滤波算法

实地获取农作物图像对于农作物长势以及病虫害进行监测具有重要作用,对此,结合脊波变换这一多尺度图像分析方法,在图像脊波变换域引入了边界判别噪声检测方法(Boundary discrimination noise detection,BDND),对经典中值滤波算法进行了改进,提出了一种基于脊波变换域BDND改进的中值滤波算法。该方法首先对图像进行多尺度脊波变换,获得了低频和高频分解图像,考虑到低频图像的视觉特征,采用同态滤波方法进行增强处理;然后对高频图像结合区域灰度值分布特征,设定2个自适应阈值,将经过2次噪声检测后处于该2个阈值间的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对视觉效果改善的低频图像和滤波后的高频图像进行逆脊波变换。分别采用C++语言对中值滤波、脊波域阈值去噪以及本文算法进行编程试验。结果表明,本文算法对于农作物图像的滤波效果稍优于其余2种方法。     

基于离散脊波变换的农作物图像去噪算法

由于农作物生长环境的复杂性,导致在获取农作物图像过程中或多或少存在一定程度的噪声,这给农作物成熟果实的自动化采摘造成了很大不便。因此,结合离散脊波变换,提出了1种农作物图像自适应去噪算法,该算法通过对图像实现多尺度脊波变换,保持低频分解系数不变,对于高频分解系数,首先分别采用改进非局部均值滤波算法(improved non-local means filtering,INLM)以及改进小波硬阈值去噪模型进行消噪;然后实现低频分解系数与各自消噪后的高频分解系数重构,从而获得2幅重构图像;最后实现2幅重构图像的等权融合处理,获得消噪后的农作物图像。结合相关试验,分别将该算法与经典非局部均值滤波算法(non-local means filtering,NLM)、已有的改进非局部均值滤波算法以及小波硬阈值去噪算法进行去噪效果比较,主观、客观分析结果表明,用该研究算法处理后的图像清晰度较高且残留噪声较少。     

一种基于图像分析的玉米病虫害智能化识别方法

农业病虫害智能化探测是现代农业发展的必然趋势,也是基本要求之一。以玉米病虫害为研究对象,借助计算机图像分析技术,提出了一种玉米病虫害智能化识别方法。首先对降质的玉米病虫害图像实现单层小波分解,以实现图像信号的多尺度分解,获得低频分解系数和高频分解系数。由于低频分解系数包含绝大多数图像低频信号,降质程度可忽略不计,设计了一种具有调节因子的自适应增强函数模型,通过设定固定阈值,对高于该阈值的系数进行只适应增强,反之则进行抑制。然后对上述各高频系数进行第二层小波分解,对获得的低频分解系数予以舍弃,对于高频系数则通过设计一种随着分解层数的变化而自适应调整阈值的小波阈值函数模型来进行处理。最后分别进行2层小波系数重构。结果表明,该方法对玉米病虫害图像的复原效果优于小波硬、软阈值函数模型,能够根据复原后的图像进行病虫害的准确识别,稍加改进可应用与农业智能化设备(如农业机器人)的内置程序中,能实现对病虫害图像的实时化地获取、处理,智能化地识别。     

1种小波域改进SVD的农作物图像去噪新方法

在对奇异值分解(singular value decomposition,SVD)去噪基本原理深入分析的基础上,结合小波变换提出了一种农作物图像小波域改进自适应SVD去噪算法。本研究所用算法首先对农作物噪声图像进行3层小波变换,保留低频子图像不变;然后对于水平、垂直、对角方向分布的高频子图像采用改进的自适应SVD算法进行噪声滤除;最后进行小波系数重构。为了有效测试该算法性能,实地拍摄2幅某温室大棚农作物图像作为测试图像,分别将本研究所用算法、SVD算法以及改进过的SVD算法进行去噪性能比较,引入峰值信噪比(Peak signal to noise ratio,PSNR)对几类算法的去噪结果进行定量评价。结果表明,本研究所用算法性能优于另外2种算法,这为农作物噪声图像的处理提供了一种较有效的方法。     

基于双域分解的复杂环境下奶牛监测图像增强算法

针对天气变化及光照不足导致的奶牛监测图像降质问题,提出一种基于双域分解的复杂环境下奶牛图像增强算法。该算法首先采用双域滤波图像去噪,将输入图像分解为低频图像和高频图像;其次根据贝叶斯估计得到不同高频图像的小波阈值,利用改进的Garrote阈值函数进行小波去噪,并结合伽马变换对去噪的高频图像进行矫正,实现对高频图像的滤波和对比度调整;再次通过暗通道先验对低频图像进行去雾,并结合对比度受限自适应直方图均衡化(contrast limited adaptive histogram equalization, CLAHE)算法对去雾后整体偏暗的低频图像进行增强,进一步提高图像的对比度和整体亮度;最后将处理后的高频图像和低频图像进行重构,得到最终的增强图像。以不同时段光照、复杂气象条件下实地拍摄的奶牛场监测图像为样本,采用主观视觉和客观评价将该算法与现有算法进行试验对比。结果表明,该算法能够对复杂光照下奶牛图像有效去噪、增强整体和细节信息、改善图像视觉效果等,相比于HE算法、Retinex算法、CLAHE算法、自适应Retinex算法,标准差分别平均提高1.929 5、4.681 2、3.245...     

1种农产品图像混合滤波算法的应用

针对农产品图像中的混合噪声,提出了1种有效的滤波算法。首先从噪声检测和标记方法、自适应加权滤波等环节对中值滤波算法进行适当改进,从而提出了1种改进自适应加权中值滤波算法对混合农产品噪声图像进行第1阶段滤波;然后对滤波后图像分别采用3×3滤波窗口、5×5滤波窗口的均值滤波算法进行第2阶段滤波;最后对均值滤波后的图像进行等权融合处理。分别将研究的滤波算法与中值滤波、加权中值滤波、极值中值滤波、均值滤波等算法进行试验仿真对比,结果表明,经过研究的算法滤波后图像清晰度明显高于其余算法且噪声残留程度明显低于其余算法,这对于农产品的高效处理具有一定的借鉴价值。     

基于奇异值分解和非下采样Contourlet变换的红外图像增强新算法

针对夜间红外图像噪声大、对比度较低的问题,本文提出一种基于奇异值分解和非下采样Contourlet变换的夜间红外图像增强新算法。通过分解高频系数奇异值,对得到的奇异值矩阵进行权重排序分析,保留大权值的高频系数进行降噪;再使用自适应权值的增益函数对降噪处理后的高频系数进行增强处理。对低频系数则使用自适应权值的改进Sigmoid函数进行处理,不仅可提升图像整体对比度信息还可减少传统Sigmoid函数存在的过增强问题。实验结果表明,该算法能有效抑制红外图像噪声,提高图像对比度信息。     

一种非下采样轮廓波变换域水果图像预处理方法

水果图像在获取过程中受到拍摄系统自身的缺陷、复杂多变的成像环境等多重因素的限制,导致图像被掺杂进一些噪声,降低了图像的清晰度。结合非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT),提出了该类图像的有效预处理方法。该方法首先对图像进行多尺度NSCT分解,获得低频分解系数和高频分解系数;然后对低频分解系数进行模糊增强处理,对高频系数采用二维多级中值滤波算法(two-dimensional multi-stage median filtering algorithm)进行处理;最后进行分解系数重构,获得清晰度较高的水果图像。分别将此算法与已有的几类同类型算法对水果图像进行去噪处理,并引入峰值信噪比(peak signal noise to ratio,PSNR)作为处理效果评价指标,结果表明,此算法性能明显优于已有的同类型算法。     

基于二维经验模态分解与小波变换的农作物图像去噪

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。     

农业图像新型自适应混合滤波算法的应用

针对农业图像的获取受到拍摄设备电压不稳定、成像天气等不确定性因素的影响从而存在一定程度的噪声、图像视觉效果差这一问题,提出了一种新型农业图像自适应混合滤波算法。该算法首先采用改进型中值滤波算法进行预处理,以对图像中的噪声进行初步抑制;然后对经过预处理后的图像采用自适应维纳滤波算法进行处理,以进一步提高图像的清晰度,最大限度地恢复图像的本来面貌。分别将本研究算法、中值滤波算法、自适应维纳滤波算法、非局部均值滤波算法进行Matlab编程实现,并应用于处理农业图像。结果表明,本研究提出的算法对农业图像的滤波效果明显优于其余算法,这说明本研究提出的农业图像滤波算法具有一定的实用性。     

一种基于中值滤波和小波变换的图像去噪算法研究

针对同时含有脉冲噪声和高斯噪声的混合含噪图像特点,结合自适应中值滤波和小波变换的阈值滤波的各自优点,提出了一种基于中值滤波和小波变换阈值去噪相结合的图像去噪方法,即先对图像进行自适应中值滤波去除脉冲噪声,然后利用小波变换去除剩余的高斯噪声.实验表明：该方法能在有效去除混合噪声的同时,较好地保持边缘和细节信息.     

农作物病害图像清晰化处理算法的应用

农作物视频监控图像由于受到拍摄时光照不均匀的影响以及在图像传输、解码、存储过程中不可避免地会混入一定程度的随机噪声,导致图像对比度下降,图像中的目标物难以准确辨认。因此,在对多方向中值滤波算法(MMF)基本原理深入研究的基础上,提出一种改进自适应多方向中值滤波算法。该算法首先提出一种噪声检测方法实现对图像中噪声的识别并加以标记,然后对图像中的噪声点分别进行水平、垂直、对角等4个方向的中值滤波,然后对获得的滤波值集合分别求取其最大(小)值、平均值、中间值以及与噪声点像素值组成新的集合,最后求取该新集合的中间值并作为最终的滤波结果。采用实地拍摄的2幅农作物病害图像进行算法测试,结果表明本算法与中值滤波以及MMF相比具有一定的优势与实用性。     

1种农产品图像二维多级中值滤波改进算法

农产品图像在采集过程中由于拍摄系统电压不稳定、成像环境的复杂性等因素导致获取的图像中存在一些颗粒噪声点,这些噪声点存在极大模糊了图像中果实复杂的边缘信息。针对该类图像,在对二维多级中值滤波算法(two-dimensional multi-stage median filtering)原理深入分析的基础上,结合农产品图像的特点,提出了一种改进二维多级中值滤波算法(improved two-dimensional multi-stage median filtering)。该算法首先提出一种新型噪声自适应检测方法对图像中的噪声进行检测和标记;然后对检测出的噪声点分别采用8个多方向滤波模板进行处理;最后对8个模板的滤波结果在进行适当取舍的基础上分别进行基于像素点间几何距离的加权滤波,以获得清晰度较高的图像。理论分析和试验结果表明,改进的二维多级中值滤波算法对于农产品图像处理效果优于中值滤波算法、二维多级中值滤波算法、已有的改进二维多级中值滤波算法。     

基于不规则子块的农作物图像自适应增强算法

在对直方图均衡化算法基本原理深入分析的基础上,结合图像灰度值分布特征,提出一种改进的直方图均衡化增强算法,该算法首先引入自适应维纳滤波算法,对所获取的降质农作物图像进行预处理,以尽可能排除随机噪声;然后提出一种基于图像灰度信息的自适应子块获取方法,通过图像中灰度值的分布特点来自适应确定子块,对各子块分别进行直方图均衡化处理,从而获得高清晰度的农作物图像。采用峰值信噪比及均方根误差等指标,将图像自适应增强算法与自适应维纳滤波算法、直方图均衡化算法及其改进算法对降质农作物图像的处理性能进行定量评价,结果表明,图像自适应增强算法在去除噪声的同时能够有效提高图像对比度,对于农作物图像处理具有一定的借鉴价值。     

基于DWT-NLM模型的农产品图像处理算法

提出了一种基于离散小波变换(DWT)和非局部均值滤波(NLM)的农产品图像处理算法。首先对图像进行3层DWT,在变换域中对高频小波系数进行改进小波阈值模型去噪,对原始低频小波系数与去噪后的高频小波系数分别进行重构,得到背景图像和细节图像;再对细节图像进行区域划分,对每个图像区域分别采用NLM算法进行去噪;最后将背景图像和去噪后的细节图像进行叠加处理,得到去噪后农产品图像。引入边缘保持指数(edge protection index,EPI)、均方误差(mean square error,MSE)对试验结果进行评价,结果表明,本研究算法对该类图像的处理取得了较好的效果,且对NLM、小波阈值去噪等算法而言优势较明显。     

基于小波变换的指纹图像增强算法

小波变换在对图像进行增强处理的过程中也对图像中存在的噪声做了同样的处理,在增强图像边缘细节的同时没有很好的进行图像消噪。针对这些不足,对传统的小波变换算法进行了改进。基于Mallat算法对小波分解和重构,在分解后保持低频信息的不变性,并利用小波系数的变换使图像信息得到增强,同时具有一定的图像消噪效果,该方法与传统的小波变换算法相比在图像增强处理中具有更好的效果。     

基于视觉滤波算子的农业图像去噪研究

[目的]农业图像中难免存在噪声,噪声会干扰有用目标的识别。为了准确提取农业图像中的有用信息,拓展图像处理技术在农业工程中的应用,有必要去除农业图像中的噪声。[方法]本文将一种改进的中值滤波与视觉滤波LOG算子结合起来,用于对农业图像进行去噪。首先,通过LOG算子将图像分为边缘图像和非边缘图像,然后采用一种改进的加权中值滤波处理非边缘图像,边缘图像与处理后的非边缘图像融合为最终的去噪图像。[结果]利用本算法对农业图像进行测试,与传统的中值滤波算法进行对比,并采用峰值信噪比作为滤波算法性能的客观评价指标,本算法的峰值信噪比高于传统中值滤波算法8.15%,有更好的降噪效果。[结论]因此,该算法的滤波效果优于传统中值滤波算法,可有效去除农业图像中诸多因素产生的噪声。