1种基于邻域相关性改进的农业图像中值滤波算法

         中图分类号： TP391；S126文献标志码： A文章编号：1002-1302（2015）09-0442-02
为了提高图像对比度，并去除图像中由于成像环境、成像设备固有缺陷等因素形成的各类噪声，采用图像滤波、增强等算法对实地获取的各类农业图像进行处理。虽然处理后的农业图像直接应用价值有限，但对于后续图像判读、目标识别[1]、目标检测[2]等结果的准确度有重要影响。近年来，随着计算机图像处理技术的快速发展，一些较为实用的图像滤波算法被应用于农业图像的处理，并取得了一定成果，但仍普遍存在一些不足之处。采用小波变换[3]、Contourlet变换[4]等多尺度方法对图像进行分析，不仅算法复杂度较大，且图像被反复分解、重构的过程中丢失了大量信息。滤波后的图像总体对比度有所提高，但植物根茎、叶片等目标边缘信息的连续性不强，甚至会丢失部分信息。中值滤波是一种经典的计算机图像滤波算法，对于一般的数字图像处理效果较好，但无法胜任处理细节信息较多的农业图像[5]。为此，本研究对中值滤波算法进行2点改进：首先引入检测方法对图像中的噪声进行初步检测，标记出疑似噪声点；根据每个疑似噪声点周围一定邻域内噪声的强度，自动采取不同的改进型中值滤波算法进行处理。
1算法原理
1.1图像中疑似噪声点的检测
疑似噪声点即为图像中灰度值异常的像素点，该类像素点可能由于自身信息而导致灰度值相对于邻域像素点突然变大或变小（如图像中果实表面的斑点、果实边缘等信息），也可能因噪声的干扰而产生。检测受噪声干扰的像素点最为有效的方法，是根据其灰度值特征进行鉴别，而仅根据灰度值信息鉴别出的像素点未必均为噪声点，因此该类像素点仅能称为疑似噪声点。对于大小为X·Y的农业图像，疑似噪声点检测方法如下：
在式（4）的基础上，分别计算该邻域内除中心点外其余所有疑似噪声点的灰度值与f-（x，y）之差，若该差值小于 fSTD（x，y） ，则认为此像素点未受到噪声干扰；反之则为噪声点。
将该邻域中所有非疑似噪声点，以及经上述计算比较后被鉴别为非噪声点的像素点进行大小排序，将其中间值赋值给邻域的中心点，作为滤波值输出。
1.3算法实现思路
（1）按照“1.2”节的方法，在图像中以一定顺序获取疑似噪声点周围5×5大小的邻域。（2）分别统计该区域内疑似噪声点的数目 。（3）若N=24或N=0，则认为该邻域内原本图像便为全黑或全白区域，没有受到噪声干扰，可不作处理。（4）若12