共查询到17条相似文献，搜索用时 328 毫秒
1.
蝗虫显微切片图像纹理边缘细节丰富,在图像获取、增强等预处理过程中经常会受到外部噪声的干扰,因此针对蝗虫切片图像去噪同时并保留纹理边缘细节的探索是研究不同蝗虫种类细胞构造的基础。基于张量的传统二维小波因其滤波器各向同性,只能表示水平和垂直两个方向,在去噪的同时会把图像中边缘纹理等细节模糊,而剪切波构造的滤波器各向异性,能够表示多个方向,这些优点使得剪切波可以有效地处理高维数据,在逼近奇异曲线时达到最优逼近。本文提出的基于Meyer窗函数的剪切波算法可以识别出图像边缘和纹理,并在去噪的同时保留纹理,以Meyer小波作为剪切波基函数,利用Meyer小波函数和尺度函数构造窗函数,然后采用Meyer窗函数来建立各向异性剪切波滤波器,再利用该剪切波滤波器对蝗虫切片图像进行多尺度分析,经过剪切波变换获得剪切波系数,最后应用硬阈值方法去除蝗虫切片图像噪声系数,经过逆变换得到蝗虫切片去噪图像。采用经典图像质量评价指标均方误差（MSE）、峰值性噪比（PSNR）、结构相似度（SSIM）对本文算法去噪性能进行评价,在噪声标准差等于30时,将本文算法与Meyer小波、偏微分方程等去噪方法进行比较,其中PSNR比Meyer小波提高2.5dB左右,比偏微分方程算法的PSNR提高2dB左右。仿真试验结果表明,本文算法去噪后的蝗虫切片图像去噪效果明显优于其他传统去噪算法,去噪结果在视觉效果上也优于其他传统去噪算法。 相似文献
2.
3.
4.
基于小波变换的Wiener滤波算法去除苹果图像噪声 总被引：1，自引：1，他引：1
在小波变换的基础上，提出了一种基于小波变换的Wiener滤波去噪方法。采用该方法对苹果图像的加性噪声（高斯白噪声）去噪，结果PSNR为184．94，视觉效果清晰（而含噪声图像的PSNR为158．23，噪声太多不清晰）。好于邻域平均法（PSNR为174．15，视觉上含部分噪声）、中值滤波法（PSNR为182．4Z）、小波阔值去噪（PSNR为171．59，视觉上也含部分噪声）和Wiener滤波去噪法（PSNR为173．65）的去噪结果，更好于数学形态学的去噪结果（PSNR为150．46，视觉上含较多噪声）。试验结果表明，基于小波变换的Wiener滤波方法对苹果图像加性噪声的去噪效果具有信噪比高、视觉效果好等优点。 相似文献
5.
《农业机械学报》2019,(Z1)
为去噪的同时最大程度地保留蝗虫切片图像细小的边缘与纹理特征,利用Bandelet变换的多尺度特性和图像的几何特性,提出了基于Bandelet变换的参数化阈值函数的去噪算法。首先采用具有平移不变性的平稳小波对图像进行分解,然后利用Birge-Massart策略估计阈值、最小化Lagrange函数取得最佳几何流方向,并利用最小均方误差(MSE)原则优化四叉树,最后采用自适应Bayesshrink参数化阈值函数对图像进行去噪。实验结果表明,本文算法对图像边缘的稀疏表示效果比较理想,降噪后边缘更加清晰,纹理特征更多。对比其他方法,通过本文算法获得的峰值信噪比(PSNR)和结构相似度(SSIM)结果表明,其降噪性能显著提高。说明将基于Bandelet变换的参数化阈值函数算法应用于蝗虫切片图像去噪有效、可行,可为后续研究提供技术支持。 相似文献
6.
针对叶片卷曲度和厚度交互式测量方式费时、费力、误差大,传统图像处理算法普适性不高等问题,以无芒隐子草叶片为研究对象,采用基于Graham 算法的最小外接矩形法实现叶片卷曲度的测量,采用矢量积法和角点检测相结合的凹凸点检测算法实现叶片厚度的测量。首先,通过石蜡制片获取无芒隐子草叶切片,利用显微镜连接计算机获取切片图像;然后,采用红色灰度化方法结合阈值分割将切片图像的目标和背景分离;最后,根据叶片卷曲度和厚度的实际测量方式,采用Graham算法通过求取目标区域的最小外接矩形实现叶片卷曲度的测量,将矢量积法和角点检测相结合检测目标区域的凹凸点,通过凹点与凹点、凸点与凸点匹配实现叶片厚度的测量。选取30幅无芒隐子草叶切片图像为样本进行了试验,结果显示,采用本文提出的红色灰度化方法和分量法、最大值法、平均法、加权平均法对图像进行灰度化处理后,图像信息熵分别为6.4280、6.3612、5.6679、5.9348、6.0526,图像平均梯度分别为0.0785、0.0242、0.0158、0.0093、0.0104,图像对比度分别为0.2641、0.1130、0.0574、0.0703、0.0784,说明本文方法能更好地保持图像的边缘、细节等信息,图像清晰度更高。进行自动阈值分割后,分割的平均误检率为0.75%,平均漏检率为3.49%,平均整体分割精度达到98.14%。在有效分割目标和背景的基础上,对叶片卷曲度和厚度进行测量,并与交互式测量结果进行相比,结果表明,采用本文方法对叶片卷曲度和厚度的测量值与交互式测量值的平均相对误差分别为0.96%和3.69%,测量速度分别提高了约10倍和37倍。 相似文献
7.
蛋鸡声音信号去噪方法对比分析 总被引：1，自引：0，他引：1
声音分析技术已成为研究动物行为、动物福利的一种重要工具,蛋鸡声音可用来评价其健康或福利状况,然而规模化蛋鸡舍中存在较多风机噪声等声源干扰,这对准确识别蛋鸡发声有很大影响。本文以海兰褐蛋鸡为例,预处理获取的声音信号,以减少风机噪声的干扰。利用数字化声音采集平台采集不同类型的蛋鸡发声和风机噪声音频,采用Lab VIEW软件进行声音信号处理并分析蛋鸡声音和风机噪声的时频特征。同时,对比分析不同去噪方法(IIR滤波器去噪、小波阈值去噪和改进谱减法去噪)在去除风机噪声方面的效果。结果表明,在信噪比为-8~20 d B声音环境下,改进谱减法均方根误差最小(0.03~0.38),算法运行耗时最短(6~7 ms),在实际应用中去噪效果较好,可为规模化蛋鸡舍中风机噪声环境下的蛋鸡声音信号处理和分析提供参考。 相似文献
8.
在印刷品质量检测系统中，采集来的图像不可避免会出现噪声。针对这种情况，本文提出了基于小波阈值的图像去噪方法。该方法首先对噪声图像进行小波变换得到小波系数矩阵，硬阈值化后，对阈值化后的小波系数矩阵逆变换。得到去噪图像。实验结果表明，该方法比中值滤波具有更好的去噪效果。 相似文献
9.
苹果夜视图像小波变换与独立成分分析融合降噪方法 总被引：2，自引：0，他引：2
对不同人工光源辅助下采集到的夜视苹果图像,通过噪声分析,判定苹果夜视图像的噪声以高斯噪声为主,并混有部分椒盐噪声。针对高斯噪声去除难题,将小波变换(Wavelet transform,WT)与独立成分分析(Independent component analysis,ICA)理论引入夜视图像的处理系统,为了最大程度地降低噪声污染,提出WT-ICA融合降噪方法。通过仿真实验,结果表明融合降噪效果较为理想。为了更好地评价夜视图像的降噪效果,以自然光下的图像为参照基准,提出相对峰值信噪比(Relative peak signal-to-noise ratio,RPSNR)的概念。对所采集到的不同的夜视图像进行多次重复实验,结果表明,从视觉上看WT-ICA降噪方法得到的低噪图像噪点明显减少;从RPSNR看,WTICA得到的低噪图像,分别比原始图像、小波软阈值降噪、ICA降噪方法平均提高29.94%、8.09%、7.54%;白炽灯下的图像处理后的RPSNR最高,适合作为人工光源。WT-ICA融合降噪方法通过连续处理,排除夜视图像的噪声干扰,得到的低噪图像更利于进一步识别,从而为实现苹果采摘机器人的全天候作业打下基础。 相似文献
10.
《农业机械学报》2017,(12)
声音分析技术已成为研究动物行为、动物福利的一种重要工具,蛋鸡声音可用来评价其健康或福利状况,然而规模化蛋鸡舍中存在较多风机噪声等声源干扰,这对准确地识别蛋鸡发声有很大影响。本文以海兰褐蛋鸡为例,预处理获取的声音信号,减少风机噪声的干扰。利用数字化声音采集平台采集不同类型的蛋鸡发声和风机噪声音频,采用LabVIEW软件进行声音信号处理并分析蛋鸡声音和风机噪声的时频特征。同时,对比分析不同去噪方法(IIR滤波器去噪、小波阈值去噪和改进谱减法去噪)在去除风机噪声方面的效果。结果表明,在信噪比为-8~20 dB声音环境情况下,改进谱减法均方根误差最小(0.03~0.38),算法运行耗时最短(6~7 ms),在实际应用中去噪效果较好。该研究可为规模化蛋鸡舍中风机噪声环境下的蛋鸡声音信号处理和分析提供参考。 相似文献
11.
农业图像采集过程中,环境因素常会带来噪声干扰,图像噪声又会对最终信息的分析结果带来影响,因此降噪对提高农业图像处理质量具有重要意义。基于块排序的非局部均值算法是一种有效的图像降噪方法,但是存在处理时间长,对大图像的处理内存要求高等问题。提出了分块优化方法,首先对大图像进行了适应于图像纹理丰富度的图像分块研究,然后分别对每个图像块进行处理。针对处理后的图像块再组合引起的边界效应,采用图像延拓的方法,有效地消除了边界影响,提高了图像降噪效果。实验结果表明,对于一般的硬件设备,改进的块排序非局部均值降噪算法能够快速处理农业中常用的图像。对于尺寸大小为512像素×512像素图像,当噪声标准偏差为50,分块数为16时,改进后的块排序降噪方法能够有效处理噪声图像。分块数为64时的处理速度是分块数为16时的1.89倍。 相似文献
12.
基于压缩感知的图像降噪处理研究 总被引：1，自引：0，他引：1
在农产品图像的动态采集中,可能会出现粘结、叠加及背景干扰等一系列缺陷,同时稀疏采样的图像也可能是不完整的。对于这个棘手的问题,由压缩感知理论可以找到答案。压缩感知理论首先对采集的图像进行稀疏表达,然后选取适合图像的最优小波基,采用凸优化理论及其算法,可以得到花生图像的特征点(降噪点)并进行处理,从而完成噪声的去除。为此,在压缩感知理论的基础上,提出了运用快速迭代阈值收缩(FISTA)算法进行去噪处理,与其他的图像降噪方法相比,体现了速度快、效率高、去噪效果好等优势。 相似文献
13.
作物病害图像中重叠病斑分离算法 总被引：4，自引：1，他引：4
针对传统的分水岭分割算法的不足,应用了一种基于标记测地重建的分水岭算法对棉花重叠病斑图像进行分离.首先对病斑二值图像利用多尺度距离变换获得病斑的距离图像,通过极限腐蚀操作检测出标记种子;然后以种子标记为基础.运用形态学测地重建运算获取测地影响区骨架SKIZ--分水岭线;最后利用分水岭线与原病斑图像进行交集运算.从而得到分离的图像.运用该算法对棉花重叠病斑图像进行分离,试验结果表明:该方法能较好地将图像中的重叠病斑分离,并较好地保存病斑边缘信息,对图像中的微小结构和噪声不敏感,具有良好的鲁棒性. 相似文献
14.
植物叶片图像的采集过程中,由于自然环境或成像条件的影响,特别是夜间,采集到的图像大多带有椒盐噪声,造成图像质量下降。很多植物叶片含有丰富的叶脉,被噪声污染不利于后续的表型分析、图像分割等。椒盐噪声密度较小时,中值滤波降噪效果较好,但在噪声污染严重时滤波方法也无法有效去噪。针对这一问题,提出了基于概率PCA的图像修复模型。一幅光滑的不含噪图像通常可认为服从高斯分布,概率PCA能有效地提取描述这幅图像中的主要信息,通过估计模型参数重构因噪声引起的数据缺失,从而达到图像修复的目的。但是当噪声的缺失像素点聚集在叶脉上时,直接用概率PCA修复会出现明显的边界效应,因此本文先基于树的叶脉进行追踪,再对叶脉进行概率PCA修复,然后再基于整幅图像利用概率PCA模型修复,迭代次数根据修复后图像的PSNR值自适应地选择。为了验证所提出的模型的修复性能,进行了与常用滤波方法的对比试验。试验结果表明：去噪后的图像PSNR值比使用均值滤波高出6dB左右,比使用维纳滤波高出9dB左右,比使用高斯滤波高出7dB左右,比使用中值滤波高出1dB左右,并且在结构相似性上采用本文算法去噪后的图像与原始图像的相似度最高。因此,将概率PCA模型应用于植物叶片彩色图像修复是可行的、有效的,为其后续的图像处理提供了技术支持。 相似文献
15.
在显微镜下采集到的蝗虫切片图像通常同时具有高斯噪声和椒盐噪声。利用同时具有插值性、光滑性、紧支撑性及归一化特性的Shannon-Cosine小波,构造了多尺度插值小波算子,进而构造了去除图像中混合噪声的小波精细积分法。该方法在稀疏描述切片图像时,通过设置稀疏表示阈值,直接消除图像中的椒盐噪声;将图像的Shannon-Cosine小波稀疏表达式直接代入图像降噪P-M模型,将该模型变形为非线性常微分方程组,采用精细积分法求解,可实现图像的保边降噪,消除图像中的高斯噪声。实验结果表明,在满足降噪要求的情况下,本文方法可以较好地保持蝗虫切片图像中的各种纹理结构;随着高斯噪声方差由0.02增加到0.10,降噪图像的PSNR下降了11.67%,远低于其他方法。说明本文方法在处理蝗虫切片图像时具有较强的鲁棒性。采用本文方法描述蝗虫切片图像时,特征像素点只占图像像素总数的10%左右,有效降低了问题规模,提高了求解效率。 相似文献
16.
基于单元最邻近匹配的蝗虫切片图像修复方法 总被引：2，自引：0，他引：2
针对序列切片中带有褶皱的蝗虫切片图像,提出基于单元最邻近匹配的方法打开褶皱,首先利用尺度不变特征变换(Scale-invariant feature transform,SIFT)算法对放大2倍的切片图像提取褶皱切片和参考切片特征点,利用k-d树策略确定初始的匹配对;然后经RANSAC算法剔除误匹配;再分别对褶皱区域和褶皱切片进行单元划分,并用最小二乘法分别求每个褶皱子单元最邻近的切片子单元中匹配点对的空间映射模型;最后利用该空间映射模型求褶皱子单元的对应匹配块,完成褶皱区域的修复。试验表明:采用单元最邻近匹配的方法能够搜索到更多的特征点,建立的空间映射模型也能更好地匹配褶皱区域的图像纹理变化,能较好地完成对褶皱区域的修复,实现带破损切片的精确分割和修复。 相似文献
17.
针对基于生成对抗网络的多数图像修复算法所修复的图像纹理细节不清晰,不能充分融合神经网络提取的纹理细节信息和语义信息的问题,本文提出一种基于残差网络和特征融合的双阶段生成网络图像修复模型,通过修复训练集中被遮挡的图像,获取符合训练集整体分布的修复图像。首先,设计一种轻量型多尺度感受野残差模块,通过多个感受野不同的卷积核提取特征信息,提升粗化生成网络保留纹理信息的能力。其次构建一种双边精细修复网络结构,分别处理纹理细节信息和语义信息并进行聚合,实现图像的精细修复。最后基于GWHD数据集进行实验,验证本文算法的有效性。实验结果表明,本文模型较CE、GL、PEN-Net、CA算法,客观评价指标L1-loss降低0.56～3.79个百分点,PSNR和SSIM提升0.2～1.8 dB和0.02～0.08,并在人眼直观感受中实现了纹理结构清晰、语义特征合理的修复效果。相较于原GWHD数据集,在基于本文模型所扩充的小麦数据集中,运用YOLO v5s预测小麦麦穗的mAP提升1.41个百分点,准确率提升3.65个百分点,召回率提升0.36个百分点。 相似文献