基于频率域的种蛋图像增强

马秀莲，田丽，张楠

（黑龙江八一农垦大学信息技术学院，大庆163319）

在实际应用中，由于受传感器设备和种蛋采集条件等因素的限制，所采集到的种蛋图像不能保证都很清晰，图像中可能出现边缘模糊或对比度不均匀等情形。在这种情况下很难从图像中正确分离出种蛋边缘轮廓，实现较高的无精蛋识别精度非常困难。为了确保种蛋外形特征的提取正确，需要对原始种蛋图像进行增强处理，增加种蛋边缘轮廓的清晰度，增强种蛋区域和背景区域的对比度，减少噪声。种蛋图像的增强一般由规格化、方向图的计算、滤波几个部分组成。目前比较常用的种蛋图像增强方法是基于空域方法的种蛋图像增强[1，2]，这种方法算法虽然简单，但计算速度慢，图像模糊，边缘轮廓信息不整齐。为了保证边缘检测的质量，提出采用频域方法增强。对于无精蛋识别系统来说，最重要的是保持种蛋边缘轮廓的清晰，同时又能够去除高频噪声。为了兼顾抑止噪声和不丢失边缘轮廓信息，选择频域方法增强去除图像噪声干扰。利用频域方法增强进行平滑处理还可以保留更多的关于图像的灰度信息，使种蛋图像边缘检测的质量得到了提高，因此能检测出图像边缘的更多细节。实验表明，该方法增强效果明显，运算速度快。

1 常用种蛋图像增强算法

在种蛋图像处理的过程中，实际采集到的图像一般会因某种干扰而含有噪声，这些噪声将影响图像质量，并给种蛋的特征提取和无精蛋识别造成困难。在机器视觉系统中进行图像增强处理，可以尽可能减少噪音影响，增强种蛋外形特征。

一般情况下，各类图像系统中图像的传送和转换（如成像、复制、扫描、传输以及显示等）总要造成图像的某些部分降质。例如在摄像时，光学系统的失真、相对运动、大气流动等都会使图像模糊；在传输过程中，由于噪声污染，图像质量会有所下降。必须对降质的图像进行改善处理。通常改善方法有两种：一类是不考虑图像降质的原因，只将图像中感兴趣的特征有选择的突出，而衰减其次要信息；另一类是针对图像降质的原因，设法去补偿降质因素，从而使改善后的图像尽可能地逼近原始图像。第一类方法能提高图像的可读性，改善后的图像不一定逼近原始图像，如突出目标的轮廓、衰减各种噪声，将黑白图像转换成彩色图像等。第二类方法能提高图像质量的逼真度，一般称为图像复原技术。目前图像增强技术根据其处理的空间不同，可分为两大类：空域方法（In Spatial Domain）和频域方法（In Frequency Domain）。前者直接在图像所在像素空间进行处理，后者是通过对图像进行傅里叶变换后在频域上间接进行的。

1.1 邻域平均法

邻域平均法是线性滤波的一种，它属于空域滤波平滑技术，邻域平均法的主要思想是用几个像素灰度的平均值来代替某个像素。假定有一幅M*N个像素的图像f（x，y），平滑处理后得到一幅图像g（x，y），g（x，y）由下式决定：

式中x，y=0，1，2，…N-1，s是（x，y）点邻域中的坐标的集合，但其中不包括（x，y）点，M是集合内坐标点的总数。

假设噪声是加性噪声，在空间各点互不相关，且期望为0，方差为δ2，f是原始图像，含有噪声的图像g经邻域平均后为：

由上式可以看出，经邻域平均后，噪声均值不变，方差减少了M倍，说明噪声强度变弱了，即抑制了噪声。如图1、图2所示。

1.2 中值滤波法

中值滤波法是一种常用的非线性平滑滤波器[3]，其滤波原理有与均值滤波类似之处，二者不同之处在于：中值滤波输出的像素值是由邻域像素的中间值决定的。中值对极限像素值（与周围像素灰度值相差较大的像素）远不如平均值那么敏感，所以中值滤波器产生的模糊较少，更适合于消除图像的孤立噪声点。

图1 领域计算示意图Fig.1 Spatial domain calculation schemes

图2 领域处理结果Fig.2 Spatial domain processing result

中值滤波窗口一般选为正方形，中值滤波器首先将滤波器模板对应的像素灰度值｛a1，a2，…an｝进行排序，当n为奇数时，位于中间位置的那个数值称为这n个数的中值。当n为偶数时，位于中间位置的两个数值的平均值称为中值。表达式为：

正确选取窗口的尺寸大小n对滤波干扰有很大的影响，考虑到一般图像在两维方向上均具有相关性，因此，活动窗口一般选两维窗口（3×3，5×5或7×7），窗口常用形状如图3所示。当窗口尺寸大于脉冲干扰宽度的两倍时将有效去除干扰，相比而言，邻域平均法滤除脉冲干扰的能力就差一些。中值滤波效果如图4所示。

图3 滤波窗口示意图Fig.3 Filterwindow schemes

图4 中值滤波处理结果Fig.4 Median filter processing result

2 本文种蛋图像增强算法

2.1 频率域增强

图像增强的频率域法[4]就是在图像的某种变换域中（通常是频率域中）对图像的变换值进行某种运算处理，然后变换回空间域。例如：可以先对图像进行傅立叶变换，再对图像的频谱进行某种修正（如滤波等），最后再将修正后的图像进行傅立叶反变换回空间域中，从而增强该图像。它是一种间接处理方法，可用下图5来描述该过程。

图5 频率域增强模型Fig.5 Frequency domain enhancemodel

其数学描述如下：

2.2 算法流程

（1）将图像进行傅里叶变换，得到图像频域信号。

（2）频域信号进行滤波处理。

（3）通过傅里叶逆变换，将处理返回到空域，得到与原始图像数据类型一样的空域图像，效果如图6所示。

图6 频域方法增强处理结果Fig.6 Frequency domain algorithm enhance processing result

3 结论

本文采用MATLAB7.0软件[5]实现了上述3种算法，经测试，对3种种蛋图像增强方法进行比较，领域平均法的特点是简单易行，运算速度较快，去噪效果比较好，但由于邻域平均法在去除噪声的同时，也导致了一定程度的边界模糊，从而影响了边缘轮廓提取的准确性。中值滤波在保存边缘和纹理细节方面优于邻域平均法，但中值滤波需要对每个像素点大小进行排序，运算量较大，运算速度较慢。频率域增强运算速度比前两种方法快，不仅去除了图像噪声，图像清晰，而且增强后很好保存了种蛋的边缘轮廓，保证边缘轮廓提取的准确性。

［1］Lee Y H，tantaratana S.Decision-based order statistics filters［J］.IEEE Trans.Acoust，Speech，Signal Procession，1990，38（3）：406-420.

［2］岑益科.基于机器视觉的鸡蛋品质检测方法研究［D］.杭州：浙江大学，2006.

［3］Gabbouj M，Coyle E J，et.An overview of median and stack filtering［J］.Circuits Syst Signal Processing，1992（11）：7-45.

［4］盛道清.图像增强算法的研究［D］.武汉：武汉科技大学，2007.

［5］秦襄培.MATLAB图像处理与界面编程宝典［M］.北京：电子工业出版社，2009.