农产品检测图像智能化预处理方法研究

摘要：目前对农产品图像的智能化检测主要是通过对获得的高质量检测图像进行人工识别的方法进行，但由于农产品检测图像在获取过程中受到气候、图像传输解码等软硬件因素的影响，通常获取的检测图像基本上是降质图像。因此，提出了一种基于脊波变换的农产品检测图像智能化预处理方法。该方法首先对降质图像进行多尺度脊波变换，以获得低频和高频分解系数；其次对低频分解系数采用自适应同态滤波方法进行处理；然后针对高频系数中收到噪声污染的情形，引入一个阈值T，将所有高频系数幅与其比较，小于该阈值则认为是受到噪声的污染，进行中值滤波处理，其余系数则采用局部直方图均衡化算法进行动态范围的改善；最后进行分解系数的重构。仿真试验结果表明，该算法计算复杂度低，且性能优于中值滤波算法和直方图均衡化算法，对于该类图像的预处理能取得不错的效果。

关键词：智能化检测；农产品图像；脊波变换；中值滤波；自适应同态滤波；直方图均衡化算法

中图分类号： S126文献标志码： A文章编号：1002-1302（2014）06-0384-03

收稿日期：2013-10-03

作者简介：成敦杰（1963—），男，江苏盐城人，硕士，副教授，主要研究方向为农业信息处理、农业经济管理、人力资源管理。E-mail：chengdunjie@126.com。在现阶段，农产品的病虫害、质量、分级等方面检测的主流方法是对获取的视觉图像进行人工识别。近年来，机器视觉技术的发展为该领域的研究提供了一个很好的思路。将机器视觉领域的计算机图像处理技术引入到农产品检测方面，对获取的视觉图像进行图像特征提取、目标分割、去噪、增强等一系列处理，为后续的人工识别提供了高质量的图像，提高了识别的准确性和效率。农产品检测图像受到气候、成像环境、图像拍摄设备本身的缺陷以及图像传输等因素的影响，导致在很多时候所获取的图像为降质图像，若不进行预处理，则提高了后续的误识别率或者识别工作无法进行。图1-a为一幅梨的视觉图像，图1-b为受到噪声干扰的图像，由于梨本身存在一些斑点，若受到噪声干扰，与噪声斑点累加，则对图1-b中目标物的质量、大小、成熟度等无法进行准确辨认。因此，研究该类图像的预处理方法，具有一定的实用意义。

在小波变换[1-2]基础上发展起来的脊波变换能更好地刻画图像的细节信息，尤其对于信息丰富的农产品图像能更好地进行刻画。因此，本研究在脊波变换框架下，将滤波与增强技术相结合，对脊波变换所获得的不同频率的系数有选择性地进行中值滤波[3]和直方图均衡化[4]、自适应同态滤波[5]处理。

1直方图均衡化算法

直方图均衡化算法通过对图像的像素进行一定程度的调整，使其大致呈现均匀分布，对于灰度相似的信息能够加以区分，提高图像的对比度，达到增强图像细节信息的目的。按照处理对象是整幅图像还是图像的局部区域来划分，该算法可分为全局直方图算法（global histogram equalization，GHE）和局部直方图算法（local histogram equalization，LHE）。

1.1全局直方图均衡化算法（GHE）

GHE算法[6]依据一幅图像的整体灰度概率分布情况来改变图像的动态范围，实现对图像信息的拉伸。若对灰度级为[0，L-1]的图像进行GHE操作，则主要步骤有：

步骤1，图像像素归一化处理。记f（x，y）为图像中i级灰度级像素灰度值，Ni为该灰度级中对应像素数目，N为图像像素总数目，则对图像中的灰度进行统计，在此基础上进行归一化处理，

Pf（x，y）[f（x，y）i]=Ni/N0≤i≤L-1。（1）

式中：Pf（x，y）[f（x，y）i]为像素灰度值为f（x，y）所对应的概率值。

步骤2，直方图累积化处理。对步骤1所获得的直方图进行累加，可得

P（Rj）=∑ji=0Pf（x，y）[f（x，y）i]-∑ji=0Ni/N。（2）

式中：P（Rj）为灰度值Rj所对应的累积概率。

步骤3，取整扩展处理。对步骤2所获得的直方图累积概率进行取整扩展后的灰度值可为

f′（x，y）j=INT[（L-1）P（Rj）+1/2]。（3）

式中：f′（x，y）j为扩展后的第j级图像灰度值。

步骤4，确定图像像素灰度值的映射关系式。

f（x，y）i→f′（x，y）j。（4）

步骤5，图像整体均衡化处理。根据步骤4所确定的映射关系，计算图像均衡化后的直方图，

P[f′（x，y）j]=∑Pf（x，y）[f（x，y）i]。

式中：P[f′（x，y）j]为按照步骤4确定的映射关系计算得到的均衡化后灰度值为f′（x，y）所对应的概率值，即完成了像素的直方图均衡化处理。

1.2局部直方图均衡化算法（LHE）

对应于GHE算法，LHE算法[7]针对图像的一定区域进行处理，因而图像被分成若干个区域，在各个区域中分别进行直方图均衡化。那么，依据各个区域边缘是否出现重叠，可将LHE算法分为区域不重叠和重叠2种类型。区域不重叠的LHE算法由于是对各个图像区域独立进行直方图均衡化处理，整幅图像势必会出现不连续，即会出现所谓的“块效应”的情形。基于区域重叠的LHE算法则只定义一个固定大小的区域（也称之为滑动窗口），通过将其在图像中按照某种固定方向进行滑动，滑动过程中进行直方图均衡化处理，能够消除“块效应”。这2类LHE算法中的直方图均衡化处理流程与“1.1”节中的步骤1至步骤5类似。

相对于GHE算法，LHE算法计算量较小，可对图像感兴趣区域特别是对比度较低的区域进行特定处理，而非对整幅图像进行操作，灵活性较强。因此，本研究也采用LHE算法处理，具体流程对应于“1.1”节中的步骤1至步骤5。

2本研究算法

2.1本研究算法基本思路

脊波变换相对于小波变换而言能更好地刻画图像信息的点、线奇异特性，可以认为，其多分辨特性优于小波变换。本研究将脊波变换作为研究分析的基本框架，在该框架中，对脊波变换获得的低频和高频分解系数分别进行处理，在此基础上实现处理后系数的重构，从而实现对原始低质量图像的较好增强。技术路线如图2所示。

2.2详细实现步骤

步骤1，对低质量的水果检测图像进行多尺度脊波变换，从而获得不同幅值的高频和低频分解系数，这些系数分别反映了图像低频和高频信息。

步骤2，低频脊波分解系数幅值较大，该部分系数主要反映了图像的基本信息，对比度较低，因此，可采用自适应同态滤波算法进行对比度的拉伸处理。

步骤3，高频系数就幅值而言小于低频系数，该部分是图像高频信息的主要体现，而图像中的降质量因素——噪声则主要集中于该部分系数中。受到噪声污染的高频系数幅度值明显小于其他系数，如果对所有的高频系数直接进行滤波，则一方面增大了计算量，另一方面会丢失大量细节信息。反之，如果忽略噪声，直接进行增强处理，则会导致噪声污染的区域被放大，增强后的图像质量无法提高。若从系数幅值角度分析，将幅值较大的系数与较小的系数分开，仅对较小幅值的系数进行滤波，对其余的进行增长，那么最终的处理效果势必比较理想。因此，本研究对高频系数引入了一个判别阈值，

T=σ2lnL。（5）

式中：σ为系数噪声信号标准差，L为系数长度。通过将所有高频系数幅值与该阈值进行比较，可将全部系数分成2类，即受到噪声污染的系数和尚未被噪声污染的系数。

步骤4，对于受噪声污染的系数，则引入中值滤波算法进行处理，通过邻域统计大小排序，剔除该部分噪声，在一定程度上也起到图像增强的作用。

步骤5，对于尚未被污染的系数，则可以理解成纯粹的对比度不高的情况，可采用局部直方图均衡化算法（LHE）进行处理，具体对应于“1.1”节中的步骤1至步骤5。

步骤6，对步骤2、步骤4、步骤5处理后的低频系数和高频系数进行系数重构，获得最终增强后的图像。

2.3仿真试验

对上述算法采用图1-a检测图像进行试验验证，尽管图像降质量因素较多，但汇集一点，各类降质因素最终导致图像模糊不清，且含有噪声。基于此，本研究通过对试验图像中加入一定程度的随机噪声来模拟降质图像。每幅图像降质程度有所不同，为了从宏观上对本研究算法的普适性进行验证，对所有降质因素加以抽象，构建模拟降质图像进行处理，其处理效果对于一类图像基本具有说服力，截取该图像的2个区域，分别添加不同密度的随机噪声进行试验，试验结果如图3、图4所示。

对图3、图4试验结果分析可知，全局直方图均衡化算法（GHE）对降质的水果图像基本上无能为力，尽管图像的对比度得到拉伸，但噪声依然存在，并且在某种程度上得到放大，图像质量没有得到有效提高。局部直方图均衡化算法（LHE）处理结果与GHE类似。这进一步说明对降质图像直接进行增强处理，收效甚微。对降质图像直接进行中值滤波（图3-e、图4-e）有一定效果，但图像较原始图像模糊，特别是图中梨本身的斑点基本难以辨认，且对高密度的噪声滤波效果也不是很理想。通过对比可以发现，本研究算法处理结果（图3-f、图4-f））兼顾了滤波和增强，在改善图像质量的同时，也突出了图像中的目标物，弱化了背景信息，起到了目标分割作用。

以上是从主观角度对试验结果进行分析评价，为了对本研究算法的性能进行一个定量评价，使其更具有说服力，引入峰值信噪比（PSNR[8]）以及计算复杂度2个指标来进行评价（表1、表2）。

表1几种算法的PSNR值比较

算法PSNR值（db）5%随机噪声15%随机噪声降质图像17.85415.338GHE18.76518.023LHE18.93718.362中值滤波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法计算时间与前三者相当，说明本研究算法在基本不延长处理时间的前

表2几种算法的计算时间比较

算法运算时间（s）GHE20.027LHE18.745中值滤波19.352本研究算法20.783

提下能够大幅度提高图像预处理质量，在最短的时间内将降质图像进行高质量的复原。

3结论

本研究对农产品检测图像预处理算法进行了研究，在脊波变换的框架下，将滤波与增强技术有机结合，提出了一种智能化处理算法。结果表明，该算法兼顾了图像增强和滤波的特点，在消除不同程度降质图像的降质因素的同时，能高质量地增强图像中的目标信息，弱化背景信息，在一定程度上具备了图像目标分割的功能。通过将算法程序内置于相关设备中，能够实现对该类图像的智能化预处理。

参考文献：

[1]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.

[2]邢航，张铁民，漆海霞，等. 薯类农产品视觉图像的去噪方法[J]. 农机化研究，2012，34（7）：43-47，52.

[3]郭承湘，高华玲，阳建中，等. 一种基于噪声检测的图像去噪算法[J]. 计算机工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方图均衡化的手背静脉图像对比度增强[J]. 计算机应用，2013，33（4）：1125-1127.

[5]杨勇，薛东旭，盖琦，等. 同态滤波法抑制离轴数字全息零级项[J]. 光学精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，Fatemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

[8]王小兵，孙久运，汤海燕. 一种基于数学形态学与小波域增强的滤波算法[J]. 微电子学与计算机，2012，29（7）：64-67.

2本研究算法

2.1本研究算法基本思路

脊波变换相对于小波变换而言能更好地刻画图像信息的点、线奇异特性，可以认为，其多分辨特性优于小波变换。本研究将脊波变换作为研究分析的基本框架，在该框架中，对脊波变换获得的低频和高频分解系数分别进行处理，在此基础上实现处理后系数的重构，从而实现对原始低质量图像的较好增强。技术路线如图2所示。

2.2详细实现步骤

步骤1，对低质量的水果检测图像进行多尺度脊波变换，从而获得不同幅值的高频和低频分解系数，这些系数分别反映了图像低频和高频信息。

步骤2，低频脊波分解系数幅值较大，该部分系数主要反映了图像的基本信息，对比度较低，因此，可采用自适应同态滤波算法进行对比度的拉伸处理。

步骤3，高频系数就幅值而言小于低频系数，该部分是图像高频信息的主要体现，而图像中的降质量因素——噪声则主要集中于该部分系数中。受到噪声污染的高频系数幅度值明显小于其他系数，如果对所有的高频系数直接进行滤波，则一方面增大了计算量，另一方面会丢失大量细节信息。反之，如果忽略噪声，直接进行增强处理，则会导致噪声污染的区域被放大，增强后的图像质量无法提高。若从系数幅值角度分析，将幅值较大的系数与较小的系数分开，仅对较小幅值的系数进行滤波，对其余的进行增长，那么最终的处理效果势必比较理想。因此，本研究对高频系数引入了一个判别阈值，

T=σ2lnL。（5）

式中：σ为系数噪声信号标准差，L为系数长度。通过将所有高频系数幅值与该阈值进行比较，可将全部系数分成2类，即受到噪声污染的系数和尚未被噪声污染的系数。

步骤4，对于受噪声污染的系数，则引入中值滤波算法进行处理，通过邻域统计大小排序，剔除该部分噪声，在一定程度上也起到图像增强的作用。

步骤5，对于尚未被污染的系数，则可以理解成纯粹的对比度不高的情况，可采用局部直方图均衡化算法（LHE）进行处理，具体对应于“1.1”节中的步骤1至步骤5。

步骤6，对步骤2、步骤4、步骤5处理后的低频系数和高频系数进行系数重构，获得最终增强后的图像。

2.3仿真试验

对上述算法采用图1-a检测图像进行试验验证，尽管图像降质量因素较多，但汇集一点，各类降质因素最终导致图像模糊不清，且含有噪声。基于此，本研究通过对试验图像中加入一定程度的随机噪声来模拟降质图像。每幅图像降质程度有所不同，为了从宏观上对本研究算法的普适性进行验证，对所有降质因素加以抽象，构建模拟降质图像进行处理，其处理效果对于一类图像基本具有说服力，截取该图像的2个区域，分别添加不同密度的随机噪声进行试验，试验结果如图3、图4所示。

对图3、图4试验结果分析可知，全局直方图均衡化算法（GHE）对降质的水果图像基本上无能为力，尽管图像的对比度得到拉伸，但噪声依然存在，并且在某种程度上得到放大，图像质量没有得到有效提高。局部直方图均衡化算法（LHE）处理结果与GHE类似。这进一步说明对降质图像直接进行增强处理，收效甚微。对降质图像直接进行中值滤波（图3-e、图4-e）有一定效果，但图像较原始图像模糊，特别是图中梨本身的斑点基本难以辨认，且对高密度的噪声滤波效果也不是很理想。通过对比可以发现，本研究算法处理结果（图3-f、图4-f））兼顾了滤波和增强，在改善图像质量的同时，也突出了图像中的目标物，弱化了背景信息，起到了目标分割作用。

以上是从主观角度对试验结果进行分析评价，为了对本研究算法的性能进行一个定量评价，使其更具有说服力，引入峰值信噪比（PSNR[8]）以及计算复杂度2个指标来进行评价（表1、表2）。

表1几种算法的PSNR值比较

算法PSNR值（db）5%随机噪声15%随机噪声降质图像17.85415.338GHE18.76518.023LHE18.93718.362中值滤波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法计算时间与前三者相当，说明本研究算法在基本不延长处理时间的前

表2几种算法的计算时间比较

算法运算时间（s）GHE20.027LHE18.745中值滤波19.352本研究算法20.783

提下能够大幅度提高图像预处理质量，在最短的时间内将降质图像进行高质量的复原。

3结论

本研究对农产品检测图像预处理算法进行了研究，在脊波变换的框架下，将滤波与增强技术有机结合，提出了一种智能化处理算法。结果表明，该算法兼顾了图像增强和滤波的特点，在消除不同程度降质图像的降质因素的同时，能高质量地增强图像中的目标信息，弱化背景信息，在一定程度上具备了图像目标分割的功能。通过将算法程序内置于相关设备中，能够实现对该类图像的智能化预处理。

参考文献：

[1]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.

[2]邢航，张铁民，漆海霞，等. 薯类农产品视觉图像的去噪方法[J]. 农机化研究，2012，34（7）：43-47，52.

[3]郭承湘，高华玲，阳建中，等. 一种基于噪声检测的图像去噪算法[J]. 计算机工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方图均衡化的手背静脉图像对比度增强[J]. 计算机应用，2013，33（4）：1125-1127.

[5]杨勇，薛东旭，盖琦，等. 同态滤波法抑制离轴数字全息零级项[J]. 光学精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，Fatemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

[8]王小兵，孙久运，汤海燕. 一种基于数学形态学与小波域增强的滤波算法[J]. 微电子学与计算机，2012，29（7）：64-67.

2本研究算法

2.1本研究算法基本思路

脊波变换相对于小波变换而言能更好地刻画图像信息的点、线奇异特性，可以认为，其多分辨特性优于小波变换。本研究将脊波变换作为研究分析的基本框架，在该框架中，对脊波变换获得的低频和高频分解系数分别进行处理，在此基础上实现处理后系数的重构，从而实现对原始低质量图像的较好增强。技术路线如图2所示。

2.2详细实现步骤

步骤1，对低质量的水果检测图像进行多尺度脊波变换，从而获得不同幅值的高频和低频分解系数，这些系数分别反映了图像低频和高频信息。

步骤2，低频脊波分解系数幅值较大，该部分系数主要反映了图像的基本信息，对比度较低，因此，可采用自适应同态滤波算法进行对比度的拉伸处理。

步骤3，高频系数就幅值而言小于低频系数，该部分是图像高频信息的主要体现，而图像中的降质量因素——噪声则主要集中于该部分系数中。受到噪声污染的高频系数幅度值明显小于其他系数，如果对所有的高频系数直接进行滤波，则一方面增大了计算量，另一方面会丢失大量细节信息。反之，如果忽略噪声，直接进行增强处理，则会导致噪声污染的区域被放大，增强后的图像质量无法提高。若从系数幅值角度分析，将幅值较大的系数与较小的系数分开，仅对较小幅值的系数进行滤波，对其余的进行增长，那么最终的处理效果势必比较理想。因此，本研究对高频系数引入了一个判别阈值，

T=σ2lnL。（5）

式中：σ为系数噪声信号标准差，L为系数长度。通过将所有高频系数幅值与该阈值进行比较，可将全部系数分成2类，即受到噪声污染的系数和尚未被噪声污染的系数。

步骤4，对于受噪声污染的系数，则引入中值滤波算法进行处理，通过邻域统计大小排序，剔除该部分噪声，在一定程度上也起到图像增强的作用。

步骤5，对于尚未被污染的系数，则可以理解成纯粹的对比度不高的情况，可采用局部直方图均衡化算法（LHE）进行处理，具体对应于“1.1”节中的步骤1至步骤5。

步骤6，对步骤2、步骤4、步骤5处理后的低频系数和高频系数进行系数重构，获得最终增强后的图像。

2.3仿真试验

对上述算法采用图1-a检测图像进行试验验证，尽管图像降质量因素较多，但汇集一点，各类降质因素最终导致图像模糊不清，且含有噪声。基于此，本研究通过对试验图像中加入一定程度的随机噪声来模拟降质图像。每幅图像降质程度有所不同，为了从宏观上对本研究算法的普适性进行验证，对所有降质因素加以抽象，构建模拟降质图像进行处理，其处理效果对于一类图像基本具有说服力，截取该图像的2个区域，分别添加不同密度的随机噪声进行试验，试验结果如图3、图4所示。

对图3、图4试验结果分析可知，全局直方图均衡化算法（GHE）对降质的水果图像基本上无能为力，尽管图像的对比度得到拉伸，但噪声依然存在，并且在某种程度上得到放大，图像质量没有得到有效提高。局部直方图均衡化算法（LHE）处理结果与GHE类似。这进一步说明对降质图像直接进行增强处理，收效甚微。对降质图像直接进行中值滤波（图3-e、图4-e）有一定效果，但图像较原始图像模糊，特别是图中梨本身的斑点基本难以辨认，且对高密度的噪声滤波效果也不是很理想。通过对比可以发现，本研究算法处理结果（图3-f、图4-f））兼顾了滤波和增强，在改善图像质量的同时，也突出了图像中的目标物，弱化了背景信息，起到了目标分割作用。

以上是从主观角度对试验结果进行分析评价，为了对本研究算法的性能进行一个定量评价，使其更具有说服力，引入峰值信噪比（PSNR[8]）以及计算复杂度2个指标来进行评价（表1、表2）。

表1几种算法的PSNR值比较

算法PSNR值（db）5%随机噪声15%随机噪声降质图像17.85415.338GHE18.76518.023LHE18.93718.362中值滤波22.25721.039本研究算法24.65323.958

本研究算法的PSNR值高于前三者，并且算法计算时间与前三者相当，说明本研究算法在基本不延长处理时间的前

表2几种算法的计算时间比较

算法运算时间（s）GHE20.027LHE18.745中值滤波19.352本研究算法20.783

提下能够大幅度提高图像预处理质量，在最短的时间内将降质图像进行高质量的复原。

3结论

本研究对农产品检测图像预处理算法进行了研究，在脊波变换的框架下，将滤波与增强技术有机结合，提出了一种智能化处理算法。结果表明，该算法兼顾了图像增强和滤波的特点，在消除不同程度降质图像的降质因素的同时，能高质量地增强图像中的目标信息，弱化背景信息，在一定程度上具备了图像目标分割的功能。通过将算法程序内置于相关设备中，能够实现对该类图像的智能化预处理。

参考文献：

[1]印红群，吴达胜. 5种小波阈值去噪法处理木材缺陷图像的仿真比较[J]. 江苏农业科学，2013，41（5）：288-290.

[2]邢航，张铁民，漆海霞，等. 薯类农产品视觉图像的去噪方法[J]. 农机化研究，2012，34（7）：43-47，52.

[3]郭承湘，高华玲，阳建中，等. 一种基于噪声检测的图像去噪算法[J]. 计算机工程，2012，38（21）：218-220.

[4]蔡超峰，任景英. 基于直方图均衡化的手背静脉图像对比度增强[J]. 计算机应用，2013，33（4）：1125-1127.

[5]杨勇，薛东旭，盖琦，等. 同态滤波法抑制离轴数字全息零级项[J]. 光学精密工程，2012，20（9）：1877-1882.

[6]Zhu H，Chan F H Y，Lam F K. Image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding，1999，73（2）：281-290.

[7]Iranli A，Fatemi H，Pedram M. Hebs：histogram equalization for backlight scaling[C]//Proceedings of the 42nd Annual Conferrence on Design Automation. New York：ACM，2005：346-351.

[8]王小兵，孙久运，汤海燕. 一种基于数学形态学与小波域增强的滤波算法[J]. 微电子学与计算机，2012，29（7）：64-67.