一种大田烟叶图像去噪方法
【技术领域】
[0001] 本发明涉及数字图像处理领域，更具体地，涉及一种大田烟叶图像去噪方法。
【背景技术】
[0002] 边缘检测作为烟叶图像分析的基本环节之一，其检测结果的好坏会直接影响到后 续的特征提取及分类识别。而在实际成像过程中，由于成像系统本身和外界因素的原因，图 像不可避免地会受到噪声的污染。因此研究一种具有抗噪性的边缘检测方法，更加鲁棒地 提取图像的边缘具有重要的实际意义。现有的边缘检测方法主要分为空域方法和变换域方 法。其中空域边缘检测方法又分为曲面拟合法和梯度阈值法。曲面拟合法提取的边缘定位 准确，且是单像素响应，但由于利用像素的灰度值进行拟合，对噪声十分敏感。梯度阈值法 本身也不具有抗噪性，为使此方法适用于含噪图像，一般在采用梯度阈值法处理的前后增 加图像去噪过程，以提高边缘检测的抗噪性。现有的方法适用于阶跃性较大的边缘，而对弱 边缘的检测，纹理的抑制效果不佳。
【发明内容】
[0003] 本发明提供一种大田烟叶图像去噪方法，该方法具有更强的抗噪能力，且有效地 避免了纹理。
[0004] 为了达到上述技术效果，本发明的技术方案如下：
[0005] -种大田烟叶图像去噪方法，包括以下步骤：
[0006] Sl :对含噪图像进行NSST分解，得到含噪图像在NSST域的高频系数；
[0007] S2:选取相邻两个大尺度的高频系数进行改进尺度积运算，得到一个尺度多方向 的尚频系数；
[0008] S3 :对S2中得到的高频系数进行NSST模极大值运算，得到边缘二值图像；
[0009] S4:向左上角平移边缘二值图像，依据区域连通性去除边缘二值图像中残留的孤 立噪声点，得到最终的边缘图像。
[0010] 进一步地，所属步骤S2中改进尺度积运算的过程如下：
[0011] S21 :对含噪图像I进行S尺度、D方向的NSST分解，得到第s尺度、第d方向的 NSST 高频系数57/f (/，./):
[0012] S22 :令图像I大小为HXW，按下述公式进行自动阈值μ选取：
[0013] U=F(HXWXn)
[0014] 式中，F(HXWX η)表示将图像I像素点从大到小排列，并取第HXWX η个数值 作为阈值；
[0015] S23:对廉?进行阈值处理，去除其中负高频系数的影响，并减少正高频系数 中的噪声、纹理分量： CN 105139402 A 兄明书 2/4 页
[0016]
[0017] S24 :按下式进行尺度积运算得到新的高频系数你/):
[0018]
?
[0019] 本发明中，在新的高频系数中，边缘系数得到增强，噪声、纹理系数被削 弱，且由于使用了自适应阈值处理，较大程度地减少了现有尺度积中的双边缘和伪边缘现 象。因此，经改进尺度积后的高频系数进行NSST模极大值可以有效地抑制噪声、纹理，得到 单像素响应边缘。
[0020] 进一步地，所述步骤S3中NSST模极大值运算的过程如下：
[0021] S31 :对s尺度下'1-方向和# + 1-乃方向的高频系数分别求和，得到像素点 (i，j)在边缘处的水平分量·!爲/)和竖直分量
[0022]
[0023]
[0024] S32 :分别求出像素点（i，j)在s尺度下的模值系数Ms (i，j)和对应的边缘方向 9s(i, j)：
[0025]
[0026]
[0027] 式中，f( ·)为角度函数表示系数最大的方向对应的角度；
[0028] 533:利用求得的模值系数凡(1，」）和边缘方向0上，」），利用非极大值抑制方法 检测边缘；
[0029] S34 :对每一尺度检测出的模极大值边缘图像进行NSST反变换，并经阈值化得到 最终的边缘图像。
[0030] 本发明中，使用NSST模极大值进行边缘检测时，由于噪声在不同方向均表现出较 弱的系数，而边缘、纹理在其对应方向上则呈现较强的系数，故使用同一尺度不同方向系数 之和可在一定程度上抑制噪声，但对纹理的抑制效果较差，且在NSST反变换过程中，由于 尺度的不同会使检测到的边缘存在双边缘和伪边缘现象，因此，这里使用尺度积的方法先 将高频系数转化到一个尺度，再使用NSST模极大值进行边缘检测，减少伪边缘的影响。
[0031] 与现有技术相比，本发明技术方案的有益效果是：
[0032] 本发明提出了一种基于NSST模极大值和改进尺度积的边缘检测方法，对于含噪 图像，NSST域的大尺度高频系数中噪声、纹理分量较少，采用大尺度进行边缘检测，增强了 该方法的抗噪性，还有效地避免了多边缘，减少了伪边缘；采用NSST模极大值方法获得单 像素边缘，并利用区域连通性去除残留的孤立噪声点，再次增强了边缘检测方法的抗噪性， 该方法具有更强的抗噪性和纹理抑制能力，检测的边缘多为单像素响应，且连续性好，是一 种行之有效的含噪图像边缘检测方法。
【附图说明】
[0033] 图1为本发明方法流程图。
【具体实施方式】
[0034] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0035] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品 的尺寸；
[0036] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解 的。
[0037] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0038] 实施例1
[0039] 如图1所示，一种大田烟叶图像去噪方法，包括以下步骤：
[0040] Sl :对含噪图像进行多尺度、多方向无下采样Shearlet变换（NSST)分解，得到含 噪图像在NSST域的高频系数；
[0041] S2:选取相邻两个大尺度的高频系数进行改进尺度积运算，得到一个尺度多方向 的尚频系数；
[0042] S3 :对S2中得到的高频系数进行NSST模极大值运算，得到边缘二值图像；
[0043] S4:向左上角平移边缘二值图像，依据区域连通性去除边缘二值图像中残留的孤 立噪声点，得到最终的边缘图像。
[0044] 步骤S2中改进尺度积运算的过程如下：
[0045] S21 :对含噪图像I进行S尺度、D方向的NSST分解，得到第s尺度、第d方向的 NSST 高频系数,S//:'U/);
[0046] S22 :令图像I大小为HXW，按下述公式进行自动阈值μ选取：
[0047] U=F(HXWXq)
[0048] 式中，F(HXWX η)表示将图像I像素点从大到小排列，并取第HXWX η个数值 作为阈值；
[0049] S23 :对沒?I/)进行阈值处理，去除其中负高频系数的影响，并减少正高频系数 中的噪声、纹理分量：
[0050]
[0051] S24 :按下式进行尺度积运算得到新的高频系数:
[0052]
[0053] 本实施例中，在新的高频系数Cwf 中，边缘系数得到增强，噪声、纹理系数被 削弱，且由于使用了自适应阈值处理，较大程度地减少了现有尺度积中的双边缘和伪边缘 现象。因此，经改进尺度积后的高频系数进行NSST模极大值可以有效地抑制噪声、纹理，得 到单像素响应边缘。
[0054] 步骤S3中NSST模极大值运算的过程如下：
[0055] S31 :对s尺度下1-^'方向和方向的高频系数分别求和，得到像素点 (i，j)在边缘处的水平分量和竖直分量
[0056]
[0057]
[0058] S32 :分别求出像素点（i，j)在s尺度下的模值系数Ms (i，j)和对应的边缘方向 9s(i, j)：
[0059]
[0060]
[0061] 式中，f( ·)为角度函数表示系数最大的方向对应的角度；
[0062] 533:利用求得的模值系数凡(1，」）和边缘方向0；3^」），利用非极大值抑制方法 检测边缘；
[0063] S34 :对每一尺度检测出的模极大值边缘图像进行NSST反变换，并经阈值化得到 最终的边缘图像。
[0064] 本实施例中，使用NSST模极大值进行边缘检测时，由于噪声在不同方向均表现出 较弱的系数，而边缘、纹理在其对应方向上则呈现较强的系数，故使用同一尺度不同方向系 数之和可在一定程度上抑制噪声，但对纹理的抑制效果较差，且在NSST反变换过程中，由 于尺度的不同会使检测到的边缘存在双边缘和伪边缘现象，因此，这里使用尺度积的方法 先将高频系数转化到一个尺度，再使用NSST模极大值进行边缘检测，减少伪边缘的影响。
[0065] 相同或相似的标号对应相同或相似的部件；
[0066] 附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
[0067] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对 本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本 发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求 的保护范围之内。
【主权项】
1. 一种大田烟叶图像去噪方法，其特征在于，包括以下步骤： 51 :对含噪图像进行NSST分解，得到含噪图像在NSST域的高频系数； 52 :选取相邻两个大尺度的高频系数进行改进尺度积运算，得到一个尺度多方向的高 频系数； 53 :对S2中得到的高频系数进行NSST模极大值运算，得到边缘二值图像； S4:向左上角平移边缘二值图像，依据区域连通性去除边缘二值图像中残留的孤立噪 声点，得到最终的边缘图像。2. 根据权利要求1所述的大田烟叶图像去噪方法，其特征在于，所属步骤S2中改进尺 度积运算的过程如下： 521 :对含噪图像I进行S尺度、D方向的NSST分解，得到第s尺度、第d方向的NSST 高频系数 522 :令图像I大小为HXW，按下述公式进行自动阈值y选取： y=F(HXWXq) 式中，F(HXWX q)表示将图像I像素点从大到小排列，并取第HXWX q个数值作为 阈值； 523 :对SYZfh./)进行阈值处理，去除其中负高频系数的影响，并减少正高频系数中的 噪声、纹理分量：524:按下式进行尺度积运算得到新的高频系数(/，./>:c〇r!；(/,./) -^sir(/,./) X ^sv/f,, (/,./),3. 根据权利要求2所述的大田烟叶图像去噪方法，其特征在于，所述步骤S3中NSST模 极大值运算的过程如下：方向的高频系数分别求和，得到像素点（i，j)在 边缘处的水平分量Mf(Ai):和竖直分量财>(U：hS32 :分别求出像素点（i，j)在s尺度下的模值系数Ms(i，j)和对应的边缘方向 0s(i, j)：(/,./) = /(max\SlIJs (/,./),^ e [I, D] j) 式中，f( ?)为角度函数表示系数最大的方向对应的角度； S33:利用求得的模值系数Ms(i，j)和边缘方向0s(i，j)，利用非极大值抑制方法检测 边缘； S34 :对每一尺度检测出的模极大值边缘图像进行NSST反变换，并经阈值化得到最终 的边缘图像。
【专利摘要】本发明提供一种大田烟叶图像去噪方法，对于含噪图像，NSST域的大尺度高频系数中噪声、纹理分量较少，采用大尺度进行边缘检测，增强了该方法的抗噪性，还有效地避免了多边缘，减少了伪边缘；采用NSST模极大值方法获得单像素边缘，并利用区域连通性去除残留的孤立噪声点，再次增强了边缘检测方法的抗噪性，该方法具有更强的抗噪性和纹理抑制能力，检测的边缘多为单像素响应，且连续性好，是一种行之有效的含噪图像边缘检测方法。
【IPC分类】G06T7/00
【公开号】CN105139402
【申请号】CN201510552197
【发明人】陈泽鹏
【申请人】中国烟草总公司广东省公司
【公开日】2015年12月9日
【申请日】2015年8月31日