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。     

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。     

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。     

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。     

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。     

梯度信息自适应的非局部均值滤波算法对矿井图像降噪研究

为了提高非局部均值滤波算法对矿井图像的降噪效果,本文将改进的非局部均值滤波算法与八方向Prewitt算子相结合,通过梯度信息对滤波参数进行优化,赋予了该非局部均值滤波算法较强的自适应性。另外,八方向Prewitt算子增加了非局部均值滤波算法搜索窗口的移动方向,提高了搜索相似像素点的效率。本文算法在对人工加噪的图片进行处理时,所需时长仅为2.38 s,与经典的非局部均值滤波算法相比缩短了40%;本文算法处理所得图像的信噪比为26.473,是经典的非局部均值滤波算法的1.2倍。通过对处理所得图像质量进行对比发现,本文算法对矿井图像的降噪效果更为明显,且图像中边缘和纹理的细节信息更为丰富,可用于矿井检测图像的处理。     

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。     

基于小波域局部能量最大化的农产品图像滤波算法

提出一种农产品图像自适应滤波方法。首先,对原始图像进行单层小波分解,对于得到的背景图像采用直方图均衡化算法进行灰度拉伸处理,对于得到的细节图像采用一种基于局部图像块的改进加权均值滤波算法进行去噪,分别将处理后的背景、细节图像进行逆小波变换得到去噪图像,记为图像1。其次,对原始图像进行经典均值滤波,将滤波后图像记为图像2。最后,将图像1和图像2划分成规则尺寸的图像块,对2幅图像中处于相对应位置的图像块按照局部能量最大化原则进行融合。结果表明,该算法对于农产品图像的处理效果优于小波阈值去噪和均值滤波算法。     

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.     

林区TM图像消除噪声方法的比较

介绍了几种消除噪声滤波方法的数学基础,并结合吉林省汪清林业局数据,分别用低通滤波、统计滤波、增强型自适应滤波、均值平滑滤波、中值滤波方法对研究区TM遥感图像进行滤波消噪处理,并以平滑指数FI、边缘保持因素T和峰值信噪比PSNR为评价指标,对实验结果进行了对比分析,结果表明,统计滤波（D=1）和增强型自适应滤波用于林区TM图像消除噪声的滤波器中比较好。     

基于Mean-shift的棉花异性纤维图像分割

提出了一种基于均值平移(Mean - shift)算法和膨胀、滤波算法相结合的棉花异性纤维图像分割方法.选择具有代表意义的头发、麻绳和塑料布的灰度图像进行处理,首先对棉花异性纤维图像采用Mean - shift算法进行图像分割,然后对分割后的图像元素进行膨胀处理和滤波处理,实现棉花异性纤维图像的精确分割.实验结果表明,本文采用的图像分割方法具有较强的抗噪声能力,达到了比较满意的分割效果.     

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。     

基于形态学融合滤波的农业图像改进MSR增强算法

农业图像增强对于提高图像识别与分析结果的准确性有很大帮助。多尺度Retinex(muti-scale retinex,MSR)算法由于对噪声具有较强的敏感性,容易在增强图像信息的同时放大噪声,为此结合形态学滤波思想对MSR算法进行改进。首先分别采用半径为1、2的棱形结构元素构建了开启-闭合、闭合-开启的形态滤波器,将它们分别对含有噪声的农业图像进行滤波,获得了滤波图像1、滤波图像2;然后根据局部像素最大化原则对滤波图像1、滤波图像2进行融合,得到滤波后图像;最后采用MSS算法对滤波后的图像进行增强。分别采用图像标准差(standard deviation,SD)、归一化均方根误差(normalized mean square error,NMSE)对增强后的图像进行客观性评价。结果表明,该算法对于低对比度且含有噪声的农业图像的增强效果明显优于形态学滤波、MSR算法。     

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。     

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...     

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。     

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。