农作物病害图像清晰化处理算法的应用

王伟+韩宝如

摘要：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。

关键词：农作物病害图像；清晰化处理；噪声；中值滤波算法

中图分类号：TP391；S126 文献标志码：A

文章编号：1002-1302（2014）08-0405-03

对农作物生长的各个阶段进行实时化监控，可以及时发现农作物在生长过程中出现的诸如病害等问题，以便及时对病害的类型以及病害的危害程度进行准确判断并制定有效的农药喷洒计划而提供恰当的依据^[1-2]。在一般情况下，由于视频监控图像拍摄的环境较为复杂以及图像在传输、解码、存储等过程中时常混入一定程度的随机噪声，导致所获取的图像清晰度不高，由此看来，对于该类图像的清晰化处理是一个十分必要的环节。近年来，随着计算机图像处理技术的发展，切实有效的算法大量涌现，并成功地应用于农业视频图像的处理工作中，如王晓虹等将Ridgelet变换域Wiener算法并应用于苹果图像中的噪声处理^[3]，宋怀波等提出了一种基于Contourlet变换的农产品图像噪声滤除算法^[4]，韩伟等将非下采样Contourlet变换应用于杂草图像去噪^[5]，可见目前在农业图像处理方面应用较多的是基于变换域的处理方法。这类方法的基本思路是：首先对图像进行多尺度变换，然后对获得的分解系数分别加以处理，然后进行系数的重构运算，图像的反复分解与重构运算量较大，不利于农业图像的快速有效处理。

多方向中值滤波算法（multi-direction median filtering，MMF）^[6-9]为一种典型的空间域图像处理方法，能够对图像实现多方向的有效滤波，其性能相对于经典中值滤波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在对MMF适当改进的基础上，提出了一种改进自适应多方向中值滤波算法（improved adaptive multi-direction median filtering，IAMMF），并将其应用于农作物病害图像的清晰化处理，试验证明该算法具有较好的性能。

1 改进自适应多方向中值滤波算法

1.1 多方向中值滤波算法的基本原理

SMF将图像划分成数量众多的子块，每个子块等同于1个滤波模板，通过对每个图像子块中的像素灰度值进行排序，输出其中的中间值作为滤波点的修正值，这对图像中随机分布的噪声点来说具有一定的作用。但存在的问题在于图像中的目标地物特别是农作物图像中植物根茎、叶片边缘等连续性较强，在图像中表现为1条连续的直线或曲线，若采用SMF进行处理难免会导致图像中相当一部分信息出现移位或变形。

MMF将SMF滤波模板进一步分解成水平、垂直、对角等方向的子窗口，再对每个窗口分别进行滤波，这对保持图像中信息的连续性具有很好的效果，以7×7为例，该算法的滤波窗口如图1所示。

3 结束语

为了实现对农作物病害图像的清晰化处理，在对MMF基本原理深入分析的基础上，对其进行适当改进，提出了一种改进自适应多方向中值滤波算法并成功地对2幅黄瓜病害噪声图像进行高质量复原处理，复原后，图像清晰度明显提高了。理论分析结果与对应的试验结果基本反映出本算法对这类图像的清晰化处理是有效的。

参考文献：

[1]赵 云，宋寅卯，刁智华. 基于图像技术的农作物病害识别[J]. 河南农业，2013（16）：62-64.

[2]张红旗，王春光，张 永，等. 数字图像处理技术在变量农药喷洒装置中的应用研究[J]. 农机化研究，2013，35（9）：213-217.

[3]王晓虹，韦英华. 结合 Ridgelet 变换与 Wiener 滤波的苹果图像去噪算法[J]. 江苏农业科学，2013，41（10）：373-375.

[4]宋怀波，何东健，韩 韬. Contourlet变换为农产品图像去噪的有效方法[J]. 农业工程学报，2012，28（8）：287-292.

[5]韩 伟，刘 强. 一种 NSCT 域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.

[6]沈德海，刘大成，邢 涛. 一种纵横窗口关联的多级中值滤波算法[J]. 计算机科学，2012，39（5）：246-248.

[7]龙 云，韩立国，邓武斌，等. 自适应加权改进窗口中值滤波[J]. 世界地质，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，Foster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孙久运，汤海燕. 基于小波变换的图像混合噪声自适应滤波算法[J]. 微电子学与计算机，2012，29（6）：91-95.

[11]杨文波，马天玮，刘 剑. 非局部变分修复法去除高密度椒盐噪声[J]. 中国光学，2013，6（6）：876-884.endprint

摘要：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。

关键词：农作物病害图像；清晰化处理；噪声；中值滤波算法

中图分类号：TP391；S126 文献标志码：A

文章编号：1002-1302（2014）08-0405-03

对农作物生长的各个阶段进行实时化监控，可以及时发现农作物在生长过程中出现的诸如病害等问题，以便及时对病害的类型以及病害的危害程度进行准确判断并制定有效的农药喷洒计划而提供恰当的依据^[1-2]。在一般情况下，由于视频监控图像拍摄的环境较为复杂以及图像在传输、解码、存储等过程中时常混入一定程度的随机噪声，导致所获取的图像清晰度不高，由此看来，对于该类图像的清晰化处理是一个十分必要的环节。近年来，随着计算机图像处理技术的发展，切实有效的算法大量涌现，并成功地应用于农业视频图像的处理工作中，如王晓虹等将Ridgelet变换域Wiener算法并应用于苹果图像中的噪声处理^[3]，宋怀波等提出了一种基于Contourlet变换的农产品图像噪声滤除算法^[4]，韩伟等将非下采样Contourlet变换应用于杂草图像去噪^[5]，可见目前在农业图像处理方面应用较多的是基于变换域的处理方法。这类方法的基本思路是：首先对图像进行多尺度变换，然后对获得的分解系数分别加以处理，然后进行系数的重构运算，图像的反复分解与重构运算量较大，不利于农业图像的快速有效处理。

多方向中值滤波算法（multi-direction median filtering，MMF）^[6-9]为一种典型的空间域图像处理方法，能够对图像实现多方向的有效滤波，其性能相对于经典中值滤波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在对MMF适当改进的基础上，提出了一种改进自适应多方向中值滤波算法（improved adaptive multi-direction median filtering，IAMMF），并将其应用于农作物病害图像的清晰化处理，试验证明该算法具有较好的性能。

1 改进自适应多方向中值滤波算法

1.1 多方向中值滤波算法的基本原理

SMF将图像划分成数量众多的子块，每个子块等同于1个滤波模板，通过对每个图像子块中的像素灰度值进行排序，输出其中的中间值作为滤波点的修正值，这对图像中随机分布的噪声点来说具有一定的作用。但存在的问题在于图像中的目标地物特别是农作物图像中植物根茎、叶片边缘等连续性较强，在图像中表现为1条连续的直线或曲线，若采用SMF进行处理难免会导致图像中相当一部分信息出现移位或变形。

MMF将SMF滤波模板进一步分解成水平、垂直、对角等方向的子窗口，再对每个窗口分别进行滤波，这对保持图像中信息的连续性具有很好的效果，以7×7为例，该算法的滤波窗口如图1所示。

3 结束语

为了实现对农作物病害图像的清晰化处理，在对MMF基本原理深入分析的基础上，对其进行适当改进，提出了一种改进自适应多方向中值滤波算法并成功地对2幅黄瓜病害噪声图像进行高质量复原处理，复原后，图像清晰度明显提高了。理论分析结果与对应的试验结果基本反映出本算法对这类图像的清晰化处理是有效的。

参考文献：

[1]赵 云，宋寅卯，刁智华. 基于图像技术的农作物病害识别[J]. 河南农业，2013（16）：62-64.

[2]张红旗，王春光，张 永，等. 数字图像处理技术在变量农药喷洒装置中的应用研究[J]. 农机化研究，2013，35（9）：213-217.

[3]王晓虹，韦英华. 结合 Ridgelet 变换与 Wiener 滤波的苹果图像去噪算法[J]. 江苏农业科学，2013，41（10）：373-375.

[4]宋怀波，何东健，韩 韬. Contourlet变换为农产品图像去噪的有效方法[J]. 农业工程学报，2012，28（8）：287-292.

[5]韩 伟，刘 强. 一种 NSCT 域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.

[6]沈德海，刘大成，邢 涛. 一种纵横窗口关联的多级中值滤波算法[J]. 计算机科学，2012，39（5）：246-248.

[7]龙 云，韩立国，邓武斌，等. 自适应加权改进窗口中值滤波[J]. 世界地质，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，Foster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孙久运，汤海燕. 基于小波变换的图像混合噪声自适应滤波算法[J]. 微电子学与计算机，2012，29（6）：91-95.

[11]杨文波，马天玮，刘 剑. 非局部变分修复法去除高密度椒盐噪声[J]. 中国光学，2013，6（6）：876-884.endprint

摘要：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。

关键词：农作物病害图像；清晰化处理；噪声；中值滤波算法

中图分类号：TP391；S126 文献标志码：A

文章编号：1002-1302（2014）08-0405-03

对农作物生长的各个阶段进行实时化监控，可以及时发现农作物在生长过程中出现的诸如病害等问题，以便及时对病害的类型以及病害的危害程度进行准确判断并制定有效的农药喷洒计划而提供恰当的依据^[1-2]。在一般情况下，由于视频监控图像拍摄的环境较为复杂以及图像在传输、解码、存储等过程中时常混入一定程度的随机噪声，导致所获取的图像清晰度不高，由此看来，对于该类图像的清晰化处理是一个十分必要的环节。近年来，随着计算机图像处理技术的发展，切实有效的算法大量涌现，并成功地应用于农业视频图像的处理工作中，如王晓虹等将Ridgelet变换域Wiener算法并应用于苹果图像中的噪声处理^[3]，宋怀波等提出了一种基于Contourlet变换的农产品图像噪声滤除算法^[4]，韩伟等将非下采样Contourlet变换应用于杂草图像去噪^[5]，可见目前在农业图像处理方面应用较多的是基于变换域的处理方法。这类方法的基本思路是：首先对图像进行多尺度变换，然后对获得的分解系数分别加以处理，然后进行系数的重构运算，图像的反复分解与重构运算量较大，不利于农业图像的快速有效处理。

多方向中值滤波算法（multi-direction median filtering，MMF）^[6-9]为一种典型的空间域图像处理方法，能够对图像实现多方向的有效滤波，其性能相对于经典中值滤波算法（standard median filtering，SMF）而言有一定程度的提高。因此，本研究在对MMF适当改进的基础上，提出了一种改进自适应多方向中值滤波算法（improved adaptive multi-direction median filtering，IAMMF），并将其应用于农作物病害图像的清晰化处理，试验证明该算法具有较好的性能。

1 改进自适应多方向中值滤波算法

1.1 多方向中值滤波算法的基本原理

SMF将图像划分成数量众多的子块，每个子块等同于1个滤波模板，通过对每个图像子块中的像素灰度值进行排序，输出其中的中间值作为滤波点的修正值，这对图像中随机分布的噪声点来说具有一定的作用。但存在的问题在于图像中的目标地物特别是农作物图像中植物根茎、叶片边缘等连续性较强，在图像中表现为1条连续的直线或曲线，若采用SMF进行处理难免会导致图像中相当一部分信息出现移位或变形。

MMF将SMF滤波模板进一步分解成水平、垂直、对角等方向的子窗口，再对每个窗口分别进行滤波，这对保持图像中信息的连续性具有很好的效果，以7×7为例，该算法的滤波窗口如图1所示。

3 结束语

为了实现对农作物病害图像的清晰化处理，在对MMF基本原理深入分析的基础上，对其进行适当改进，提出了一种改进自适应多方向中值滤波算法并成功地对2幅黄瓜病害噪声图像进行高质量复原处理，复原后，图像清晰度明显提高了。理论分析结果与对应的试验结果基本反映出本算法对这类图像的清晰化处理是有效的。

参考文献：

[1]赵 云，宋寅卯，刁智华. 基于图像技术的农作物病害识别[J]. 河南农业，2013（16）：62-64.

[2]张红旗，王春光，张 永，等. 数字图像处理技术在变量农药喷洒装置中的应用研究[J]. 农机化研究，2013，35（9）：213-217.

[3]王晓虹，韦英华. 结合 Ridgelet 变换与 Wiener 滤波的苹果图像去噪算法[J]. 江苏农业科学，2013，41（10）：373-375.

[4]宋怀波，何东健，韩 韬. Contourlet变换为农产品图像去噪的有效方法[J]. 农业工程学报，2012，28（8）：287-292.

[5]韩 伟，刘 强. 一种 NSCT 域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.

[6]沈德海，刘大成，邢 涛. 一种纵横窗口关联的多级中值滤波算法[J]. 计算机科学，2012，39（5）：246-248.

[7]龙 云，韩立国，邓武斌，等. 自适应加权改进窗口中值滤波[J]. 世界地质，2013，32（2）：396-402.

[8]Nieminen A，Heinonen P，Neuvo Y. A new class of detail-preserving filters for image processing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9（1）：74-90.

[9]Arce G R，Foster R E. Detail-preserving ranked-order based filters for image processing[J]. IEEE Transactions on Acoustics Speech and Signal Processing，1989，37（1）：83-98.

[10]王小兵，孙久运，汤海燕. 基于小波变换的图像混合噪声自适应滤波算法[J]. 微电子学与计算机，2012，29（6）：91-95.

[11]杨文波，马天玮，刘 剑. 非局部变分修复法去除高密度椒盐噪声[J]. 中国光学，2013，6（6）：876-884.endprint