基于OpenCV的烤煙煙葉圖像高斯去噪法

姬江濤+鄧明俐+賀智濤

摘要：煙葉等級的劃分是烤煙收購過程中的重要措施，能夠合理分配和利用煙葉資源，從而有效提高后期煙制品的質(zhì)量，提高經(jīng)濟效益。煙葉圖像采集是基于圖像處理技術的烤煙智能化分級的基礎，圖像質(zhì)量及預處理結果決定著后期煙葉分級的準確性及可靠性。為了減少外界環(huán)境對圖像質(zhì)量的影響，采用自控化密閉不透光采集裝置對煙葉進行圖像采集，同時采用高斯濾波方法對煙葉圖像進行去噪處理，并選用相對熵（RE）及峰值信噪比（PSNR）為評價指標，確定較優(yōu)的高斯濾波參數(shù)高斯核k及標準差σ，從而獲得較好的煙葉圖像去噪效果。

關鍵詞：烤煙煙葉；圖像處理；高斯濾波；峰值信噪比；相對熵

中圖分類號： S126；TP391.41 文獻標志碼： A

文章編號：1002-1302（2016）11-0373-03

煙草是一種重要經(jīng)濟作物，在國民經(jīng)濟中占有很大的比重[1-3]。烤煙煙葉作為一種重要原料，其質(zhì)量直接影響后期煙制品的加工工藝和品質(zhì)。因此，在煙葉收購過程中，通常須要根據(jù)煙葉的外觀品質(zhì)和內(nèi)在質(zhì)量對煙葉進行等級判定，以便能合理分配和利用煙葉[4]，從而提高煙制品的質(zhì)量。

傳統(tǒng)的煙葉分級主要是依靠人為經(jīng)驗和感官進行判定，存在很大的主觀性和隨機性，分級效率和精度低[5-8]，逐漸難以適應煙葉質(zhì)量檢測與分級標準不斷細化和規(guī)范化的客觀要求。隨著信息技術及模式識別在煙草領域的應用[9-11]，煙葉分級逐步趨于智能化和自動化。圖1為基于機器視覺的烤煙煙葉智能化分級系統(tǒng)圖。

由圖1可知，煙葉圖像采集是烤煙煙葉分級中特征提取的關鍵基礎，然而在煙葉圖像采集過程中，由于煙葉在收獲或放置環(huán)境中會產(chǎn)生皺縮現(xiàn)象，因此在拍攝過程中煙葉處于不平整的狀態(tài)，拍攝到的煙葉圖像可能會出現(xiàn)局部的暗光[12]。另外，拍攝環(huán)境以及成像設備等噪聲的干擾，使得采集的圖像含有噪音，對后期煙葉圖像特征提取產(chǎn)生一定的干擾，產(chǎn)生特征信息上的偏差，從而影響煙葉分級的準確性。因此在進行特征提取前，須對圖像進行去噪處理，以保證在提高圖像質(zhì)量的同時保留足夠的圖像信息[13]，以確保后期特征數(shù)據(jù)的可靠性及準確性。

本研究采用一種自控化密閉不透光采集裝置，能夠減少外界環(huán)境對煙葉成像過程中的噪聲干擾，同時針對所采集到的煙葉圖像，運用開放源代碼的圖像及視頻分析庫OpenCV對圖像進行高斯去噪處理，降低圖像在采集、傳輸及存儲時所產(chǎn)生的噪聲，保證圖像質(zhì)量。相比于單獨使用Visual C++，OpenCV為數(shù)字圖像處理提供了較多函數(shù)[14]，從而減少大量編碼信息[15]，降低編程難度，簡化程序復雜性，縮短圖像處理時間，提高煙葉分級效率。

1 試驗材料、設備與方法

由于生長環(huán)境以及生長區(qū)域的差異，煙葉的種類、形態(tài)以及生態(tài)特性會有所不同。本研究所選用的煙葉產(chǎn)自河南，其長度約為52 cm，寬度為15 cm，經(jīng)烤制后進行煙葉圖像采集以及高斯去噪研究。烘烤后煙葉含水率為11%左右，顏色呈橘黃色，無明顯的殘傷，煙葉相對比較完整。圖2為所用烤煙煙葉。

煙葉圖像采集所用設備為一種自控化密閉不透光采集裝置，如圖3所示（除去密閉裝置）。該裝置上方固定1個小型 USB 3.0接口數(shù)字面陣CCD彩色面陣相機（型號為 MV-VDM200SM/SC）進行逐行掃描，并配以2個對稱的LED光源作為反射光源。為了避免在采集過程中外界光線進入到采集箱中，裝置用銀灰色遮光布進行遮擋，以保證采集裝置處于不透光的環(huán)境，確保所采集到煙葉圖像的準確性。相機的拍攝由光電傳感器進行外觸發(fā)，實現(xiàn)對煙葉圖像的間斷采集。

圖4為煙葉圖像處理系統(tǒng)流程。采集時，將烤煙煙葉平鋪放置在采集裝置輸送帶上，并以0.05 m/s的速度輸送。相機距輸送帶0.54 m，照度?。? 070±50）lx。通過該采集裝置，可一定程度減少外界環(huán)境對圖像采集的部分噪聲干擾，增強圖像質(zhì)量，為后續(xù)煙葉分級提供可靠的圖像基礎。

2 煙葉圖像的高斯去噪

圖像在采集、傳輸以及存儲的過程中會存在噪聲，并產(chǎn)生疊加[16]，影響圖像的視覺效果，并使得圖像產(chǎn)生特征退化，圖像質(zhì)量降低，從而為后期的圖像處理造成相當大的難度，影響所提取圖像特征信息的準確性。為了減少噪聲的干擾，保證獲得準確的煙葉圖像信息，可采用濾波方法對圖像進行去噪處理[17]。整個去噪過程在Visual studio中調(diào)用OpenCV函數(shù)庫完成。

在圖像處理中，由于大多數(shù)噪聲都可近似服從高斯分布的白噪聲[18]，通過高斯函數(shù)進行濾波去噪具有重要的應用價值。相比于其他濾波算法，高斯濾波具有較好的平滑效果和靈活的濾波調(diào)節(jié)尺度，因此廣泛應用于圖像處理及模式識別中[19]。如下所示為3×3高斯濾波模板：

采用高斯濾波方法去噪，其效果為平滑和模糊圖像。為了減少圖像中的平滑模糊效果，離中心點越近，權重越大。由式1可知，權重系數(shù)大小由高斯函數(shù)σ值確定，其值越大，高斯函數(shù)越平緩。因此，運用高斯濾波去除圖像噪聲前，需選擇較好的σ值。

3 去噪試驗及結果分析

由高斯濾波的原理可知，對煙葉圖像應用高斯濾波去噪時，其影響因素有2個，分別為核大小k和高斯函數(shù)標準差σ。在不同核大小及標準差σ下應用Visual studio中的OpenCV函數(shù)庫分別對同一煙葉圖像進行高斯濾波，濾波效果如圖5所示。

從圖像上很難看出高斯濾波后煙葉圖像的區(qū)別，為此可以一種客觀的方法評判圖像去噪效果。本研究以峰值信噪比PSNR及相對熵RE為評價指標，通過數(shù)據(jù)分析不同核大小k及標準差σ下煙葉圖像的峰值信噪比（PSNR）及相對熵（RE）值，確定較優(yōu)的高斯濾波效果。圖像相似度是圖像質(zhì)量客觀評價中常用的一種特征統(tǒng)計計算評價方法，通過計算處理后圖像與原圖像之間的統(tǒng)計誤差來衡量處理圖像的質(zhì)量，誤差越小，相似度越高，質(zhì)量越好[20]。

在對煙葉圖像進行去噪處理時，為了保證圖像質(zhì)量不失真，從而引入圖像相似度測量參數(shù)PSNR這一客觀標準對去噪前后煙葉圖像質(zhì)量進行衡量。PSNR越大，圖像質(zhì)量越好。

但RE值最小，煙葉圖像去噪效果不是最理想的。

（3）隨著高斯濾波核的增大，圖像會丟失更多的細節(jié)信息，圖像模糊，圖像質(zhì)量下降。當k=7且標準差σ由1逐步增至2時，PSNR和RE的相對變化較高斯濾波核k=5大，這表明運用k=7的高斯濾波進行煙葉圖像去噪時可能會模糊圖像，丟失細節(jié)信息。

（4）由（1）、（2）、（3）分析知：當對煙葉圖像進行高斯濾波時，較優(yōu)的濾波核大小為k=5。在k=5的基礎上，標準差由σ=1.5增至σ=2時，煙葉圖像PSNR和RE值的變化比標準差比σ由1增至1.5時小，且當σ=2時，由圖5可看到煙葉圖像相對較模糊。

經(jīng)過分析，為了減少噪聲對煙葉圖像信息的影響，可選用k=5、σ=1.5的高斯濾波方法對煙葉圖像進行去噪處理，以獲得較優(yōu)的去噪效果。

4 結論

基于煙葉圖像對煙葉進行智能化分級時，如何保證圖像質(zhì)量是考慮的關鍵。

采用自控化密閉不透光采集裝置，能夠在拍照時將煙葉與外界環(huán)境隔開，從而減少外界環(huán)境對煙葉成像的影響，在一定程度上增強圖像質(zhì)量；以峰值信噪比PSNR及相對熵RE為評價指標，對煙葉圖像進行高斯濾波仿真試驗。通過分析評價指標值隨高斯濾波核k及標準差σ變化時的規(guī)律可知，當k=5、標準差σ=1.5時，煙葉圖像高斯濾波的去噪效果相對最好。

參考文獻：

[1]馬建元，伍鐵軍. 基于圖像處理和模糊識別的煙葉分級技術研究[J]. 機械制造與自動化，2011，40（1）：90-93.

[2]韓力群，何 為，蘇維均，等. 基于擬腦智能系統(tǒng)的烤煙煙葉分級研究[J]. 農(nóng)業(yè)工程學報，2008，24（7）：137-140.

[3]Ji J T，Deng M L，He Z T，et al. Extraction of tobacco leaves color features based on HSI color space[J]. Applied Mechanics and Materials，2014（651）：2424-2429.

[4]王亞平. 煙葉分級存在問題及改進措施[J]. 寧夏農(nóng)林科技，2013，54（1）：112-113.

[5]申振宇，申金媛，劉劍君，等. 基于神經(jīng)網(wǎng)絡的特征分析在煙葉分級中的應用[J]. 計算機與數(shù)字工程，2012，40（7）：122-124.

[6]張惠民，韓力群，段正剛. 基于圖像特征的煙葉分級[J]. 武漢大學學報：信息科學版，2003，28（3）：359-362.

[7]張 帆，張新紅，張 彤. 模糊數(shù)學在煙葉分級中的應用[J]. 中國煙草學報，2002，8（3）：44-48.

[8]譚 旭，唐云嵐，陳英武. 基于粗糙集的烤煙煙葉智能分級方法[J]. 農(nóng)業(yè)機械學報，2009，40（6）：169-174.

[9]張麗英，鮮興明，楊 杰，等. 烘烤過程中煙葉顏色特征參數(shù)與色素含量的關系[J]. 煙草科技，2013（8）：85-90.

[10]史龍飛，宋朝鵬，賀 帆，等. 基于機器視覺技術的烤煙鮮煙葉成熟度檢測[J]. 湖南農(nóng)業(yè)大學學報：自然科學版，2012，38（4）：446-450.

[11]劉華波，賀立源，馬文杰，等. 透射圖像顏色特征在煙葉識別中應用的探索[J]. 農(nóng)業(yè)工程學報，2007，23（9）：169-171.

[12]潘治利，祁 萌，魏春陽，等. 基于圖像處理和支持向量機的初烤煙葉顏色特征區(qū)域分類[J]. 作物學報，2012，38（2）：374-379.

[13]楊永敏，樊繼壯，趙 杰，等. 強反射表面缺陷圖像預處理[J]. 光學精密工程，2010，18（10）：2288-2296.

[14]張 靜. OpenCV 2計算機視覺編程手冊[M]. 北京：科學出版社，2013.

[15]王小力. 基于OPENCV和VC++的目標提取技術[J]. 硅谷，2010（15）：164-165.

[16]齊 蕾，張聞文，陳 錢，等. EMCCD圖像自適應模糊中值濾波算法研究[J]. 紅外與激光工程，2013，42（11）：3150-3155.

[17]張旭明，徐濱士，董世運. 用于圖像處理的自適應中值濾波[J]. 計算機輔助設計與圖形學學報，2005，17（2）：295-299.

[18]姒紹輝，胡伏原，顧亞軍，等. 一種基于不規(guī)則區(qū)域的高斯濾波去噪算法[J]. 計算機科學，2014，41（11）：313-316.

[19]王文遠. 基于圖像信噪比選擇優(yōu)化高斯濾波尺度[J]. 電子與信息學報，2009，31（10）：2483-2487.

[20]靳 明，宋建中. 一種自適應的圖像雙邊濾波方法[J]. 光電工程，2004，31（7）：65-68，72.

[21]李旭超，朱善安. 基于小波模極大值和Neyman-Pearson準則閾值的圖像去噪[J]. 中國圖象圖形學報，2005，10（8）：964-969.