一种结合小波变换的豆类图像增强算法

针对农业视觉图像时常受到噪声的干扰,导致图像质量在很大程度降低的问题,以豆类图像为例,提出了一种图像自适应增强算法。该算法将小波变换与改进自适应中值滤波有机结合,首先对降质豆类图像实现2层小波分解,小波基函数取sym8,获得小波高频和低频分解系数;然后从噪声检测、自适应滤波等2个环节中对自适应中值滤波加以改进,提出了一种改进自适应中值滤波算法用于对小波各方向高频分解系数的自适应滤波;最后实现小波低频和高频系数的重构。将本研究算法与小波软阈值法、自适应中值滤波进行仿真试验比较,结果表明,本研究算法效果最优,能够实现对降质的豆类图像高质量增强处理。     

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。     

结合边缘检测的农业图像非局部均值滤波算法

提出了1种结合边缘检测的农业图像自适应滤波算法。该算法首先对红外噪声图像采用LOG算子提取边缘图像;然后对于非边缘噪声图像采用非局部均值滤波算法进行处理;最后对边缘图像和滤波后的非边缘图像进行融合,得到最终的滤波后图像。分别采用农业图像对本算法的性能进行测试,与经典非局部均值滤波算法、已有的改进型非局部均值滤波算法、自适应维纳滤波算法进行去噪效果对比,并采用峰值信噪比（peak signal noise to ratio,PSNR）作为滤波算法性能的客观性评价指标,结果表明,本算法相对于其余算法而言,滤波效果较优,适合于农业图像处理。     

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。     

一种农业视觉图像改进自适应中值滤波算法

近年来,农业智能化水平日趋提高,大量优质的农业视觉图像是准确获取农业产量、制定农药喷洒计划、病虫害分析等的依据,而在大多数情况下,由于图像传感器中电压不稳定、成像环境复杂等因素的存在,导致所获取的图像清晰度不佳。对此,提出了一种改进的自适应中值滤波算法,该算法首先采用基于图像像素灰度值的二步判别法来准确检测图像中的噪声,然后针对图像中目标轮廓的复杂性,设计出3类多方向的滤波模板,并且结合图像中非噪声像素点与噪声像素点间的几何距离,进行加权滤波。以时令水果图像进行测试,结果表明,本研究算法对于图像的滤波处理效果明显好于中值滤波算法及其已有的2类改进型算法。     

基于改进Prewitt算子的农业图像去噪算法

农业图像的获取受到气候、光照、拍摄角度、拍摄器件电压等因素的限制,所获取的图像含有噪声,无法直接用于判读分析。对该类图像去噪进行研究,首先,将经典Prewitt算子的检测模板由2个方向扩充为8个方向,进一步丰富了Prewitt算子的检测模板序列,将其应用于农业图像边缘轮廓检测,获得边缘图像和非边缘图像;其次,对边缘图像采用经典中值滤波算法进行处理,剔除其中的噪声点;再次,在对经典中值滤波特征分析的基础上,提出了一种具有噪声检测功能的改进加权中值滤波算法,将其应用于处理非边缘图像;最后,将处理后的边缘图像、非边缘图像进行充分融合。试验结果表明,本研究算法对于农业图像的处理效果明显优于经典中值滤波以及2种改进型中值滤波。     

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。     

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。     

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。     

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。     

基于农业视觉图像的高效滤波处理方法

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。     

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。     

一种基于噪声点检测的自适应中值滤波方法

针对中值滤波在图像去噪时会造成图像细节丢失的问题,提出了一种新的基于噪声点检测的自适应中值滤波法.该方法对噪声点采用两级判断的方法:首先根据椒盐噪声的特点将图像像素点分为可疑噪声和信号两类;对于可疑噪声点,根据噪声与细节在图像中的表现,将可疑噪声分为噪声和边缘细节;然后采用不同的中值滤波窗口对噪声点进行滤波,对于两次判断得到的信号和边缘细节不进行处理以保持图像的细节.测试结果表明,与常用的中值滤波法相比,该方法不仅具有较好的去噪特性,还具有较强的细节保护能力.     

基于MATLAB软件的图像去噪方法比较

一幅图像在实际应用过程中可能存在各种各样的噪声,给后面的图像区域分割、分析判断等工作带来了困难,因此图像去噪是图像处理中的重要组成部分.利用MATLAB软件对均值滤波、中值滤波和自适应滤波3种图像去噪技术进行分析比较.结果表明:均值滤波方法适于去除高斯噪声;中值滤波方法适于去除椒盐噪声,同时能较好保护图像边界;自适应滤...     

基于改进数学形态学滤波的农产品图像处理

提出了一种针对农产品图像的改进数学形态学滤波算法(improved mathematical morphology filtering algorithm,IMMFA)。该算法首先在充分结合数学形态学开启-闭合,闭合-开启滤波器特点的基础上,引入了图像加权融合机制,构建了一种新型基于加权融合的数学形态学滤波器。然后,针对噪声的随机特性,设计出3类不同尺度的"棱形"结构元素,以实现对噪声的多尺度梯次滤波。最后,引入噪声判别机制融入了图像灰度值因素,通过对图像中噪声强度进行判别,根据判别结果来自适应选择参与滤波的数学形态学结构元素尺寸并对滤波后图像采用自适应同态滤波进行对比度增强处理,一方面在有效滤除噪声的同时尽量保持图像边缘的连续性,另一方面避免图像被"过滤波",提高滤波后图像视觉效果。理论和试验分析结果表明,该算法的性能较优,这说明这一改进思路对于农产品图像的处理具有一定的效果。     

基于改进高斯滤波算法的叶片图像去噪方法

[目的]使用改进的自适应高斯滤波算法对农作物叶片病虫害图像进行降噪处理,为叶片病虫害图像提供前期预处理的优化手段,从而提高诊断的准确性.[方法]通过计算图像像素矩阵区域内中心点邻域方差与二维高斯滤波函数的比值,确定高斯标准差,动态生成高斯卷积核,从而形成改进的自适应高斯滤波算法,对病斑图像进行降噪平滑处理;然后分别模拟不同噪声强度,比较算法的降噪效果;最后通过峰值信噪比(Peak signal-to-noise ratio,PSNR)定量计算改进前后高斯滤波算法的优化程度.[结果]首先,使用MATLAB 2014b对密刺黄瓜枯萎病斑RGB图像模拟出3组不同噪声强度下的干扰场景,并进行归一化处理;然后,分别利用3种算法对噪声图像进行降噪处理,得出当噪声强度较弱时,改进算法对高斯白噪声抑制效果明显;噪声强度增大时,改进算法的优化程度逐渐下降;其次,分别计算各算法改进前后的PSNR,得出当噪声强度为0.01、0.02和0.03时,即改进的自适应高斯滤波算法PSNR值分别比传统高斯滤波提升6.942、6.965和6.718 db;最后,通过计算100组采集叶片图像降噪处理后的PSNR值,得到改进的自适应高斯滤波的PSNR值平均提高13.8%.[建议]采集的农作物叶片图像试验材料需广泛化;推动优化图像预处理的进程;提升图像匹配准确性,推动叶片诊断专家系统的研究.     

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.     

北方旱育稀植水稻病害图像识别预处理研究

引入图像预处理及模式识别技术,实现北方旱育稀植水稻叶部病害图像的预处理。结合水稻叶部图像的特征,对传统的算法进行调整或改进优化:以改进系数的方法对图像进行灰度化处理;通过直方图均衡化提升图像的对比度;以改进矢量中值滤波算法保护图像边缘,滤除图像噪声;以优化的均值聚类算法进行图像分割,获得水稻病斑图像的主要特征,从而实现了对目标图像的去噪、增强,为病害进一步的智能化识别与处理打下良好的基础。     

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.