1农作物图像
SVD算法去噪记一幅农作物图像可以表示成矩阵形式:AＲm1×m2(m1×m2)，即:该图像矩阵的秩为，对该图像矩阵进行奇异值分解(SVD)可以表示成:A为含有噪声的农产品图像矩阵，A'为没有噪声干扰的农作物图像矩阵，N为噪声矩阵。对矩阵A进行奇异值分解后，噪声信息则表示为较小的矩阵奇异值，而图像中绝大部分的目标信息则对应较大的矩阵奇异值，因而可以通过选择少量较大的奇异值进行矩阵重构，从而起到滤除噪声的目的。
2小波域自适应SVD算法改进策略
农作物图像经过小波变换后，获得了不同方向的小波分解子图像，各子图像中的图像信息大体上呈水平、垂直或对角分布，这实质上是对图像中的信息进行某种程度的分类，有利于分别加以处理。图像经过奇异值分解后，对水平、垂直方向分布的子图像而言，图像信息集中于少数较大的奇异值对应的矩阵向量中;而对于对角方向分布的子图像而言，图像信息所对应的奇异值则没有明显的区别，即图像绝大多数的信息分布于数量较多的奇异值对应的矩阵向量中。对于这2个部分的图像滤波，学者们进行了一系列研究，例如，黄飞江等通过对图像进行分块，然后进行SVD，这在一定程度上提高了SVD算法性能，但是图像分块计算量较大，因而导致该算法的执行效率较低［8］;王敏等将对角分布的子图像旋转成水平或垂直方向，通过PSNＲ对重构后图像质量进行评价来选择参与重构的奇异值数量，但是该方法无法实现获得重构奇异值的数量，只能通过反复试验之后从众多试验结果中挑选出最佳的滤波图像，所以该方法实用性不强［7］。因此，本研究针对水平(或垂直)、对角分布的小波子图像分别提出一种改进自适应SVD算法。
3水平(或垂直)方向自适应SVD算法
对于该部分小波子图像采用奇异值分解后，绝大部分信息对应的非零奇异值序列为{λ1，λ2，λ3，…，λJ}，尽管较大的奇异值代表图像中的大部分信息，较小奇异值则代表较少的图像信息，但是若对小奇异值直接舍去，势必会影响图像重构效果，因此本研究提出一种奇异值数量选择方法，步骤如下:3算法性能的测试采用拍摄于甘肃省华亭县安口镇某蔬菜大棚的2幅农作物图像作为测试图像(图2)，采用本研究所用算法对其中加入不同密度的随机噪声进行去噪并将其去噪性能与SVD算法和改进SVD算法［7］进行对比。对上述试验结果引入峰值信噪比(peaksignaltoratio，PSNＲ)［9－10］进行精确评价，PSNＲ值越小，说明去噪后图像与原始图像越接近，反映去噪算法性能越优，测试结果如图3和图4所示，为了便于比较，所有图像均进行灰度化处理。对图2中2幅测试图像分别加入了密度为30%的随机噪声，获得了如图3－a和图4－a所示的噪声图像，其中出现了密密麻麻的的黑点、白点，特别是图3－a中的青椒已经无法辨认出来。采用SVD算法进行去噪后获得了如图3－b和图4－b所示的结果，可以看出图中密集的噪声点有所降低，取而代之的是大量的黑点，且图中青椒表面的黑点密度较大，严重干扰了对青椒的准确识别。图3－c和图4－c中的黑点密度有所降低，青椒能够基本辨认出来，这说明通对小波域对角方向高频子图像进行旋转至水平或垂直方向后进行SVD滤波这一改进思路是可行的。本研究所用算法的滤波结果如图3－d和图4－d所示，可以清晰地看出，图中仅存在极少量的黑点，图像清晰度得到最大限度地改善，这说明本研究的改进策略较文献［7］略胜一筹。从表1可以看出，本研究所用算法对于不同密度的噪声图像滤波结果均优于SVD以及改进过的SVD算法，特别是对于噪声密度为30%的噪声图像滤波，本研究所用算法的PSNＲ远远高于另外2种算法，说明本研究所用算法适合从图像中滤除密度较大的噪声，这与上述分析结果相互印证。
4小结
针对农作物图像中时常出现的大量随机噪声，在对SVD去噪算法基本原理深入分析的基础上，结合小波变换，提出一种小波域改进自适应SVD去噪算法。通过将实地拍摄2幅农作物图像进行算法性能测试，并与SVD算法以及改进过的SVD算法进行性能定性、定量比较，结果显示，本研究所用算法性能比另外2种算法略胜一筹，这为农作物噪声图像的处理提供一种有效方法。
作者：李春丽 单位：江西省信息中心
