刘宝锺　徐欣

摘要：农业图像增强对于提高图像识别与分析结果的准确性有很大帮助。多尺度Retinex（muti-scale retinex，MSR）算法由于对噪声具有较强的敏感性，容易在增强图像信息的同时放大噪声，为此结合形态学滤波思想对MSR算法进行改进。首先分别采用半径为1、2的棱形结构元素构建了开启-闭合、闭合-开启的形态滤波器，将它们分别对含有噪声的农业图像进行滤波，获得了滤波图像1、滤波图像2；然后根据局部像素最大化原则对滤波图像1、滤波图像2进行融合，得到滤波后图像；最后采用MSS算法对滤波后的图像进行增强。分别采用图像标准差（standard devia-tion，SD）、归一化均方根误差（normalized mean square error，NMSE）对增强后的图像进行客观性评价。结果表明，该算法对于低对比度且含有噪声的农业图像的增强效果明显优于形态学滤波、MSR算法。

关键词：形态学融合滤波；农业图像；MSR算法；局部像素最大化原则

中图分类号：TP391.41 文献标志码：A 文章编号：1002—1302（2016）01—0394—02

农业图像增强的根本目的是突出图像中的感兴趣信息，弱化其余信息，尽可能提高图像判读、分析的针对性。农业图像受野外成像环境多样性的影响以及在传输、解码过程中会存在不同程度的噪声并且在此过程中图像对比度也有所降低。对于农业图像的预处理，近年来学者们着重在滤波、增强2个方面进行针对性的研究，但是该类成果要么是针对图像中的噪声进行滤波，要么着重于进行图像增强，因而倾向性较为明显。当处理对比度较低且含有噪声的农业图像时，该类算法的处理效果则不尽如人意。因此，要实现对农业图像的有效处理，将图像滤波和增强算法进行有机融合是比较理想的选择。根据这一思路，本研究将形态学滤波与多尺度Retinex（muti-scale retinex，MSR）增强算法有机结合，提出了1种改进型MSR增强算法，即首先提出了1种形态学融合滤波算法对图像进行噪声滤除，然后对滤波后的图像进行MSR增强。

1算法原理

1.1形态学融合滤波

形态学图像处理的基本思路是采用预先设计的不同形状（圆形、矩形、菱形等）、不同尺寸（结构元素半径）的结构元素通过不同的运算方法来对图像进行处理和分析。形态学运算方法最基本的是腐蚀和膨胀运算，令函数F（i，j）表示任意一幅图像，B（i，j）为结构元素，腐蚀和膨胀运算定义为：

膨胀运算能够将图像中处于结构元素范围内的信息进行合并，对于图像中的空洞或凹陷部分（如裂缝）能够进行适当填补，能够滤除图像中负噪声点（噪声点灰度值明显低于图像中其余像素点灰度值），但是对于图像中的正噪声（噪声点灰度值明显高于图像中其余像素点灰度值）则无能为力。腐蚀运算则能够有效去除图像中的正噪声点，对于图像中小于结构元素尺寸且亮度较大的区域能够进行削弱甚至消除。因此，腐蚀和膨胀运算互补性较强，将二者进行有机组合，形成了开启运算、闭合运算：

开启运算能够有效去除图像中呈孤立分布的正噪声点（如图像中孤立存在的斑点、毛刺），从整体上平滑图像，但如果图像中的负噪声点过于密集且彼此间的距离明显小于结构元素尺寸，开运算处理的结果只能是进一步放大图像中负噪声点的分布区域；如果图像中的正噪声点较多，对图像首先进行膨胀运算然后进行腐蚀运算（即闭运算）也难以有效去除该类噪声点。开动、闭合运算的性能是基于采用同一形状、同一尺寸的结构元素得出的，进一步提高噪声滤波性能，最为有效的思路是采用不同尺寸的结构元素。这是因为采用尺寸较大的结构元素能更为有效地去除噪声点，但是会模糊图像；而采用尺寸较小的结构元素，尽管噪声去除能力下降，但能很好地刻画图像中的边缘轮廓信息。基于上述分析，本研究采用不同尺寸的结构元素（图1）将开启、闭合运算有机结合，并采用图像融合的策略，提出了农业图像形态学融合滤波的思路，具体步骤如下。

（1）采用如图1-a所示的尺寸为1的菱形结构元素对含有噪声的农业图像（尺寸大小为M×N）首先进行开启运算，然后进行闭合运算，得到滤波图像1。

（2）采用如圖1-b所示的尺寸为2的菱形结构元素对含有噪声的农业图像首先进行闭合运算，然后进行开启运算，得到滤波图像2。