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。     

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。     

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。     

基于Contourlet变换与LSSVM的玉米种子识别算法

基于Contourlet变换与最小二乘支持向量机(least squares support vector machine,LSSVM),提出了一种玉米种子高精度识别算法。该算法首先对玉米种子图像进行多层Contourlet分解,结合指数函数和反正弦函数,提出了一种新型的阈值函数模型对高频分解系数进行去噪处理;其次,将低频分解系数与去噪后的高频分解系数进行重构,得到去噪后的玉米种子图像;最后采用LSSVM对去噪后的玉米种子图像进行识别,采用径向基函数模型作为LSSVM核函数模型。试验结果表明,对去噪后的图像进行LSSVM识别的精度优于直接对图像进行LSSVM、SVM识别的精度。     

基于滤波器分解的图像融合算法研究

研究了一种空域中的图像分解技术,进而利用改种分解方法,探讨了图像融合算法。主要思想是利用类型确定的滤波器(如低通)对原始图像滤波,将图像分解为高频和低频2部分,再对分解得到的低频或高频成分进行同样的处理,继续这一过程,图像便可分解成不同频率分量的图层之和。进而在各个图层上进行相应的融合处理,最后利用逆变换得到最终的结果。     

基于双通道PCNN的玉米种子机械裂纹检测方法

针对玉米种子机械裂纹检测准确率低的问题,提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法:1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解,得到各自的高低频子带;2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作,得到融合后的高低频子带系数;3)通过NSCT反变换得到最终的玉米种子机械裂纹图像.试验结果表明:采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2％;图像熵、相关熵、相关系数、均方根误差分别为0.3511、1.7314、0.9835和0.5263,整体优于LoG、DWT、NSCT和PCNN方法;双通道PCNN方法的单张图像的执行时间为14.9007 s,运行时间最长,但效果最优.     

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。     

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。     

Laplace多尺度图像增强去噪算法

针对传统的单尺度图像增强算法的不足,提出了一种基于Laplace多尺度分解的图像增强算法。该算法将图像分为由高频到低频若干个子图像,对每个频道的细节图像进行不同的非线性变换,使得图像中最细微的、对诊断有用的信息得到有效的增强,同时图像又不被过增强,再通过分解的逆过程重建图像。试验表明,该方法能有效提高图像中细节的清晰度并抑制噪声。     

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。     

基于多小波域变换和分形维数的图像融合算法

为了充分利用图像的纹理特征,本文将多小波变换方法和分形理论相结合,提出了一种新的基于多小波变换域方向对比度和分形维数的图像融合算法。该图像融合算法首先通过多小波变换进行原始图像分解,然后采用差分和维数法计算分形维数相应的低频分解系数,建立基于分形维数的低频融合规则,高频部分则根据方向对比度的值通过选择法或加权平均法进行融合计算。该算法对IR图像和可见光图像进行融合实验,采用图像熵、标准偏差以及质量度量这些客观指标评估图像融合的质量。实验结果表明,把分形维数与多小波变换方法相结合进行图像融合处理,图像融合质量和效率都明显提高。     

基于形态学和小波变换的图像边缘检测方法

电力机房图像边缘提取是实现电力机房三维重建的重要辅助环节,机房图像边缘提取越精准,三维重建将会更准确.本文提出一种融合小波变换模极大值和多尺度多结构形态学的图像边缘检测算法对电力机房图像进行处理.首先,对原始电力机房图像进行小波分解得到高频图像和低频图像;然后,采用小波变化模极大值算法提取高频图像的边缘信息,多尺度多结构数学形态学算法提取低频图像的边缘信息;最后,通过叠加运算融合高频和低频的边缘信息,得到原始图像的边缘信息.通过仿真实验表明,本文提出的边缘检测算法在抗噪性能、边缘连续性、定位精度上综合实力最强.     

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。     

综合小波和模糊方法的图像边缘检测

为了更好地对图像边缘进行检测,提出一种基于小波局部极大模和模糊方法相结合的图像边缘检测算法．它将图像分为高频和低频部分分别进行处理．高频部分利用小波局部极大模的方法进行边缘检测,低频部分则利用模糊方法进行处理,并对两种边缘图像进行了融合．试验结果证实了该算法的可行性．     

基于小波变换的图像融合算法

图像融合技术的研究目的就是综合不同类型的传感器所获取的图像信息,通过对多幅图像间冗余数据的处理提高图像的可靠性和可观察性,通过对多幅图像间互补信息的处理提高图像的效果。提出了一种基于小波的融合算法,该算法基于小波图像的能量集中在低频子带、细节体现在高频子带的特点,在低频部分对小波系数采用基于局部能量的加权融合方法处理,高频部分采用基于边缘信息的加权算法进行融合。结果表明:所采用的方法避免了图像融合过程中因平均化而出现的模糊现象,融合后的图像内容更加清晰,更容易识别。实践证明,基于小波变换的图像融合可以取得良好的结果和较快的处理速度。