论文部分内容阅读
摘要：烟叶等级的划分是烤烟收购过程中的重要措施，能够合理分配和利用烟叶资源，从而有效提高后期烟制品的质量，提高经济效益。烟叶图像采集是基于图像处理技术的烤烟智能化分级的基础，图像质量及预处理结果决定着后期烟叶分级的准确性及可靠性。为了减少外界环境对图像质量的影响，采用自控化密闭不透光采集装置对烟叶进行图像采集，同时采用高斯滤波方法对烟叶图像进行去噪处理，并选用相对熵（RE）及峰值信噪比（PSNR）为评价指标，确定较优的高斯滤波参数高斯核k及标准差σ，从而获得較好的烟叶图像去噪效果。
关键词：烤烟烟叶；图像处理；高斯滤波；峰值信噪比；相对熵
中图分类号： S126；TP391.41 文献标志码： A
文章编号：1002-1302（2016）11-0373-03
烟草是一种重要经济作物，在国民经济中占有很大的比重[1-3]。烤烟烟叶作为一种重要原料，其质量直接影响后期烟制品的加工工艺和品质。因此，在烟叶收购过程中，通常须要根据烟叶的外观品质和内在质量对烟叶进行等级判定，以便能合理分配和利用烟叶[4]，从而提高烟制品的质量。
传统的烟叶分级主要是依靠人为经验和感官进行判定，存在很大的主观性和随机性，分级效率和精度低[5-8]，逐渐难以适应烟叶质量检测与分级标准不断细化和规范化的客观要求。随着信息技术及模式识别在烟草领域的应用[9-11]，烟叶分级逐步趋于智能化和自动化。图1为基于机器视觉的烤烟烟叶智能化分级系统图。
由图1可知，烟叶图像采集是烤烟烟叶分级中特征提取的关键基础，然而在烟叶图像采集过程中，由于烟叶在收获或放置环境中会产生皱缩现象，因此在拍摄过程中烟叶处于不平整的状态，拍摄到的烟叶图像可能会出现局部的暗光[12]。另外，拍摄环境以及成像设备等噪声的干扰，使得采集的图像含有噪音，对后期烟叶图像特征提取产生一定的干扰，产生特征信息上的偏差，从而影响烟叶分级的准确性。因此在进行特征提取前，须对图像进行去噪处理，以保证在提高图像质量的同时保留足够的图像信息[13]，以确保后期特征数据的可靠性及准确性。
本研究采用一种自控化密闭不透光采集装置，能够减少外界环境对烟叶成像过程中的噪声干扰，同时针对所采集到的烟叶图像，运用开放源代码的图像及视频分析库OpenCV对图像进行高斯去噪处理，降低图像在采集、传输及存储时所产生的噪声，保证图像质量。相比于单独使用Visual C ，OpenCV为数字图像处理提供了较多函数[14]，从而减少大量编码信息[15]，降低编程难度，简化程序复杂性，缩短图像处理时间，提高烟叶分级效率。
1 试验材料、设备与方法
由于生长环境以及生长区域的差异，烟叶的种类、形态以及生态特性会有所不同。本研究所选用的烟叶产自河南，其长度约为52 cm，宽度为15 cm，经烤制后进行烟叶图像采集以及高斯去噪研究。烘烤后烟叶含水率为11%左右，颜色呈橘黄色，无明显的残伤，烟叶相对比较完整。图2为所用烤烟烟叶。
烟叶图像采集所用设备为一种自控化密闭不透光采集装置，如图3所示（除去密闭装置）。该装置上方固定1个小型 USB 3.0接口数字面阵CCD彩色面阵相机（型号为 MV-VDM200SM/SC）进行逐行扫描，并配以2个对称的LED光源作为反射光源。为了避免在采集过程中外界光线进入到采集箱中，装置用银灰色遮光布进行遮挡，以保证采集装置处于不透光的环境，确保所采集到烟叶图像的准确性。相机的拍摄由光电传感器进行外触发，实现对烟叶图像的间断采集。
图4为烟叶图像处理系统流程。采集时，将烤烟烟叶平铺放置在采集装置输送带上，并以0.05 m/s的速度输送。相机距输送带0.54 m，照度取（2 070±50）lx。通过该采集装置，可一定程度减少外界环境对图像采集的部分噪声干扰，增强图像质量，为后续烟叶分级提供可靠的图像基础。
2 烟叶图像的高斯去噪
图像在采集、传输以及存储的过程中会存在噪声，并产生叠加[16]，影响图像的视觉效果，并使得图像产生特征退化，图像质量降低，从而为后期的图像处理造成相当大的难度，影响所提取图像特征信息的准确性。为了减少噪声的干扰，保证获得准确的烟叶图像信息，可采用滤波方法对图像进行去噪处理[17]。整个去噪过程在Visual studio中调用OpenCV函数库完成。
在图像处理中，由于大多数噪声都可近似服从高斯分布的白噪声[18]，通过高斯函数进行滤波去噪具有重要的应用价值。相比于其他滤波算法，高斯滤波具有较好的平滑效果和灵活的滤波调节尺度，因此广泛应用于图像处理及模式识别中[19]。如下所示为3×3高斯滤波模板：
采用高斯滤波方法去噪，其效果为平滑和模糊图像。为了减少图像中的平滑模糊效果，离中心点越近，权重越大。由式1可知，权重系数大小由高斯函数σ值确定，其值越大，高斯函数越平缓。因此，运用高斯滤波去除图像噪声前，需选择较好的σ值。
3 去噪试验及结果分析
由高斯滤波的原理可知，对烟叶图像应用高斯滤波去噪时，其影响因素有2个，分别为核大小k和高斯函数标准差σ。在不同核大小及标准差σ下应用Visual studio中的OpenCV函数库分别对同一烟叶图像进行高斯滤波，滤波效果如图5所示。
从图像上很难看出高斯滤波后烟叶图像的区别，为此可以一种客观的方法评判图像去噪效果。本研究以峰值信噪比PSNR及相对熵RE为评价指标，通过数据分析不同核大小k及标准差σ下烟叶图像的峰值信噪比（PSNR）及相对熵（RE）值，确定较优的高斯滤波效果。图像相似度是图像质量客观评价中常用的一种特征统计计算评价方法，通过计算处理后图像与原图像之间的统计误差来衡量处理图像的质量，误差越小，相似度越高，质量越好[20]。
在对烟叶图像进行去噪处理时，为了保证图像质量不失真，从而引入图像相似度测量参数PSNR这一客观标准对去噪前后烟叶图像质量进行衡量。PSNR越大，图像质量越好。 但RE值最小，烟叶图像去噪效果不是最理想的。
（3）随着高斯滤波核的增大，图像会丢失更多的细节信息，图像模糊，图像质量下降。当k=7且标准差σ由1逐步增至2时，PSNR和RE的相对变化较高斯滤波核k=5大，这表明运用k=7的高斯滤波进行烟叶图像去噪时可能会模糊图像，丢失细节信息。
（4）由（1）、（2）、（3）分析知：当对烟叶图像进行高斯滤波时，较优的滤波核大小为k=5。在k=5的基礎上，标准差由σ=1.5增至σ=2时，烟叶图像PSNR和RE值的变化比标准差比σ由1增至1.5时小，且当σ=2时，由图5可看到烟叶图像相对较模糊。
经过分析，为了减少噪声对烟叶图像信息的影响，可选用k=5、σ=1.5的高斯滤波方法对烟叶图像进行去噪处理，以获得较优的去噪效果。
4 结论
基于烟叶图像对烟叶进行智能化分级时，如何保证图像质量是考虑的关键。
采用自控化密闭不透光采集装置，能够在拍照时将烟叶与外界环境隔开，从而减少外界环境对烟叶成像的影响，在一定程度上增强图像质量；以峰值信噪比PSNR及相对熵RE为评价指标，对烟叶图像进行高斯滤波仿真试验。通过分析评价指标值随高斯滤波核k及标准差σ变化时的规律可知，当k=5、标准差σ=1.5时，烟叶图像高斯滤波的去噪效果相对最好。
参考文献：
[1]马建元，伍铁军. 基于图像处理和模糊识别的烟叶分级技术研究[J]. 机械制造与自动化，2011，40（1）：90-93.
[2]韩力群，何 为，苏维均，等. 基于拟脑智能系统的烤烟烟叶分级研究[J]. 农业工程学报，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]王亚平. 烟叶分级存在问题及改进措施[J]. 宁夏农林科技，2013，54（1）：112-113.
[5]申振宇，申金媛，刘剑君，等. 基于神经网络的特征分析在烟叶分级中的应用[J]. 计算机与数字工程，2012，40（7）：122-124.
[6]张惠民，韩力群，段正刚. 基于图像特征的烟叶分级[J]. 武汉大学学报：信息科学版，2003，28（3）：359-362.
[7]张 帆，张新红，张 彤. 模糊数学在烟叶分级中的应用[J]. 中国烟草学报，2002，8（3）：44-48.
[8]谭 旭，唐云岚，陈英武. 基于粗糙集的烤烟烟叶智能分级方法[J]. 农业机械学报，2009，40（6）：169-174.
[9]张丽英，鲜兴明，杨 杰，等. 烘烤过程中烟叶颜色特征参数与色素含量的关系[J]. 烟草科技，2013（8）：85-90.
[10]史龙飞，宋朝鹏，贺 帆，等. 基于机器视觉技术的烤烟鲜烟叶成熟度检测[J]. 湖南农业大学学报：自然科学版，2012，38（4）：446-450.
[11]刘华波，贺立源，马文杰，等. 透射图像颜色特征在烟叶识别中应用的探索[J]. 农业工程学报，2007，23（9）：169-171.
[12]潘治利，祁 萌，魏春阳，等. 基于图像处理和支持向量机的初烤烟叶颜色特征区域分类[J]. 作物学报，2012，38（2）：374-379.
[13]杨永敏，樊继壮，赵 杰，等. 强反射表面缺陷图像预处理[J]. 光学精密工程，2010，18（10）：2288-2296.
[14]张 静. OpenCV 2计算机视觉编程手册[M]. 北京：科学出版社，2013.
[15]王小力. 基于OPENCV和VC 的目标提取技术[J]. 硅谷，2010（15）：164-165.
[16]齐 蕾，张闻文，陈 钱，等. EMCCD图像自适应模糊中值滤波算法研究[J]. 红外与激光工程，2013，42（11）：3150-3155.
[17]张旭明，徐滨士，董世运. 用于图像处理的自适应中值滤波[J]. 计算机辅助设计与图形学学报，2005，17（2）：295-299.
[18]姒绍辉，胡伏原，顾亚军，等. 一种基于不规则区域的高斯滤波去噪算法[J]. 计算机科学，2014，41（11）：313-316.
[19]王文远. 基于图像信噪比选择优化高斯滤波尺度[J]. 电子与信息学报，2009，31（10）：2483-2487.
[20]靳 明，宋建中. 一种自适应的图像双边滤波方法[J]. 光电工程，2004，31（7）：65-68，72.
[21]李旭超，朱善安. 基于小波模极大值和Neyman-Pearson准则阈值的图像去噪[J]. 中国图象图形学报，2005，10（8）：964-969.
关键词：烤烟烟叶；图像处理；高斯滤波；峰值信噪比；相对熵
中图分类号： S126；TP391.41 文献标志码： A
文章编号：1002-1302（2016）11-0373-03
烟草是一种重要经济作物，在国民经济中占有很大的比重[1-3]。烤烟烟叶作为一种重要原料，其质量直接影响后期烟制品的加工工艺和品质。因此，在烟叶收购过程中，通常须要根据烟叶的外观品质和内在质量对烟叶进行等级判定，以便能合理分配和利用烟叶[4]，从而提高烟制品的质量。
传统的烟叶分级主要是依靠人为经验和感官进行判定，存在很大的主观性和随机性，分级效率和精度低[5-8]，逐渐难以适应烟叶质量检测与分级标准不断细化和规范化的客观要求。随着信息技术及模式识别在烟草领域的应用[9-11]，烟叶分级逐步趋于智能化和自动化。图1为基于机器视觉的烤烟烟叶智能化分级系统图。
由图1可知，烟叶图像采集是烤烟烟叶分级中特征提取的关键基础，然而在烟叶图像采集过程中，由于烟叶在收获或放置环境中会产生皱缩现象，因此在拍摄过程中烟叶处于不平整的状态，拍摄到的烟叶图像可能会出现局部的暗光[12]。另外，拍摄环境以及成像设备等噪声的干扰，使得采集的图像含有噪音，对后期烟叶图像特征提取产生一定的干扰，产生特征信息上的偏差，从而影响烟叶分级的准确性。因此在进行特征提取前，须对图像进行去噪处理，以保证在提高图像质量的同时保留足够的图像信息[13]，以确保后期特征数据的可靠性及准确性。
本研究采用一种自控化密闭不透光采集装置，能够减少外界环境对烟叶成像过程中的噪声干扰，同时针对所采集到的烟叶图像，运用开放源代码的图像及视频分析库OpenCV对图像进行高斯去噪处理，降低图像在采集、传输及存储时所产生的噪声，保证图像质量。相比于单独使用Visual C ，OpenCV为数字图像处理提供了较多函数[14]，从而减少大量编码信息[15]，降低编程难度，简化程序复杂性，缩短图像处理时间，提高烟叶分级效率。
1 试验材料、设备与方法
由于生长环境以及生长区域的差异，烟叶的种类、形态以及生态特性会有所不同。本研究所选用的烟叶产自河南，其长度约为52 cm，宽度为15 cm，经烤制后进行烟叶图像采集以及高斯去噪研究。烘烤后烟叶含水率为11%左右，颜色呈橘黄色，无明显的残伤，烟叶相对比较完整。图2为所用烤烟烟叶。
烟叶图像采集所用设备为一种自控化密闭不透光采集装置，如图3所示（除去密闭装置）。该装置上方固定1个小型 USB 3.0接口数字面阵CCD彩色面阵相机（型号为 MV-VDM200SM/SC）进行逐行扫描，并配以2个对称的LED光源作为反射光源。为了避免在采集过程中外界光线进入到采集箱中，装置用银灰色遮光布进行遮挡，以保证采集装置处于不透光的环境，确保所采集到烟叶图像的准确性。相机的拍摄由光电传感器进行外触发，实现对烟叶图像的间断采集。
图4为烟叶图像处理系统流程。采集时，将烤烟烟叶平铺放置在采集装置输送带上，并以0.05 m/s的速度输送。相机距输送带0.54 m，照度取（2 070±50）lx。通过该采集装置，可一定程度减少外界环境对图像采集的部分噪声干扰，增强图像质量，为后续烟叶分级提供可靠的图像基础。
2 烟叶图像的高斯去噪
图像在采集、传输以及存储的过程中会存在噪声，并产生叠加[16]，影响图像的视觉效果，并使得图像产生特征退化，图像质量降低，从而为后期的图像处理造成相当大的难度，影响所提取图像特征信息的准确性。为了减少噪声的干扰，保证获得准确的烟叶图像信息，可采用滤波方法对图像进行去噪处理[17]。整个去噪过程在Visual studio中调用OpenCV函数库完成。
在图像处理中，由于大多数噪声都可近似服从高斯分布的白噪声[18]，通过高斯函数进行滤波去噪具有重要的应用价值。相比于其他滤波算法，高斯滤波具有较好的平滑效果和灵活的滤波调节尺度，因此广泛应用于图像处理及模式识别中[19]。如下所示为3×3高斯滤波模板：
采用高斯滤波方法去噪，其效果为平滑和模糊图像。为了减少图像中的平滑模糊效果，离中心点越近，权重越大。由式1可知，权重系数大小由高斯函数σ值确定，其值越大，高斯函数越平缓。因此，运用高斯滤波去除图像噪声前，需选择较好的σ值。
3 去噪试验及结果分析
由高斯滤波的原理可知，对烟叶图像应用高斯滤波去噪时，其影响因素有2个，分别为核大小k和高斯函数标准差σ。在不同核大小及标准差σ下应用Visual studio中的OpenCV函数库分别对同一烟叶图像进行高斯滤波，滤波效果如图5所示。
从图像上很难看出高斯滤波后烟叶图像的区别，为此可以一种客观的方法评判图像去噪效果。本研究以峰值信噪比PSNR及相对熵RE为评价指标，通过数据分析不同核大小k及标准差σ下烟叶图像的峰值信噪比（PSNR）及相对熵（RE）值，确定较优的高斯滤波效果。图像相似度是图像质量客观评价中常用的一种特征统计计算评价方法，通过计算处理后图像与原图像之间的统计误差来衡量处理图像的质量，误差越小，相似度越高，质量越好[20]。
在对烟叶图像进行去噪处理时，为了保证图像质量不失真，从而引入图像相似度测量参数PSNR这一客观标准对去噪前后烟叶图像质量进行衡量。PSNR越大，图像质量越好。 但RE值最小，烟叶图像去噪效果不是最理想的。
（3）随着高斯滤波核的增大，图像会丢失更多的细节信息，图像模糊，图像质量下降。当k=7且标准差σ由1逐步增至2时，PSNR和RE的相对变化较高斯滤波核k=5大，这表明运用k=7的高斯滤波进行烟叶图像去噪时可能会模糊图像，丢失细节信息。
（4）由（1）、（2）、（3）分析知：当对烟叶图像进行高斯滤波时，较优的滤波核大小为k=5。在k=5的基礎上，标准差由σ=1.5增至σ=2时，烟叶图像PSNR和RE值的变化比标准差比σ由1增至1.5时小，且当σ=2时，由图5可看到烟叶图像相对较模糊。
经过分析，为了减少噪声对烟叶图像信息的影响，可选用k=5、σ=1.5的高斯滤波方法对烟叶图像进行去噪处理，以获得较优的去噪效果。
4 结论
基于烟叶图像对烟叶进行智能化分级时，如何保证图像质量是考虑的关键。
采用自控化密闭不透光采集装置，能够在拍照时将烟叶与外界环境隔开，从而减少外界环境对烟叶成像的影响，在一定程度上增强图像质量；以峰值信噪比PSNR及相对熵RE为评价指标，对烟叶图像进行高斯滤波仿真试验。通过分析评价指标值随高斯滤波核k及标准差σ变化时的规律可知，当k=5、标准差σ=1.5时，烟叶图像高斯滤波的去噪效果相对最好。
参考文献：
[1]马建元，伍铁军. 基于图像处理和模糊识别的烟叶分级技术研究[J]. 机械制造与自动化，2011，40（1）：90-93.
[2]韩力群，何 为，苏维均，等. 基于拟脑智能系统的烤烟烟叶分级研究[J]. 农业工程学报，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]王亚平. 烟叶分级存在问题及改进措施[J]. 宁夏农林科技，2013，54（1）：112-113.
[5]申振宇，申金媛，刘剑君，等. 基于神经网络的特征分析在烟叶分级中的应用[J]. 计算机与数字工程，2012，40（7）：122-124.
[6]张惠民，韩力群，段正刚. 基于图像特征的烟叶分级[J]. 武汉大学学报：信息科学版，2003，28（3）：359-362.
[7]张 帆，张新红，张 彤. 模糊数学在烟叶分级中的应用[J]. 中国烟草学报，2002，8（3）：44-48.
[8]谭 旭，唐云岚，陈英武. 基于粗糙集的烤烟烟叶智能分级方法[J]. 农业机械学报，2009，40（6）：169-174.
[9]张丽英，鲜兴明，杨 杰，等. 烘烤过程中烟叶颜色特征参数与色素含量的关系[J]. 烟草科技，2013（8）：85-90.
[10]史龙飞，宋朝鹏，贺 帆，等. 基于机器视觉技术的烤烟鲜烟叶成熟度检测[J]. 湖南农业大学学报：自然科学版，2012，38（4）：446-450.
[11]刘华波，贺立源，马文杰，等. 透射图像颜色特征在烟叶识别中应用的探索[J]. 农业工程学报，2007，23（9）：169-171.
[12]潘治利，祁 萌，魏春阳，等. 基于图像处理和支持向量机的初烤烟叶颜色特征区域分类[J]. 作物学报，2012，38（2）：374-379.
[13]杨永敏，樊继壮，赵 杰，等. 强反射表面缺陷图像预处理[J]. 光学精密工程，2010，18（10）：2288-2296.
[14]张 静. OpenCV 2计算机视觉编程手册[M]. 北京：科学出版社，2013.
[15]王小力. 基于OPENCV和VC 的目标提取技术[J]. 硅谷，2010（15）：164-165.
[16]齐 蕾，张闻文，陈 钱，等. EMCCD图像自适应模糊中值滤波算法研究[J]. 红外与激光工程，2013，42（11）：3150-3155.
[17]张旭明，徐滨士，董世运. 用于图像处理的自适应中值滤波[J]. 计算机辅助设计与图形学学报，2005，17（2）：295-299.
[18]姒绍辉，胡伏原，顾亚军，等. 一种基于不规则区域的高斯滤波去噪算法[J]. 计算机科学，2014，41（11）：313-316.
[19]王文远. 基于图像信噪比选择优化高斯滤波尺度[J]. 电子与信息学报，2009，31（10）：2483-2487.
[20]靳 明，宋建中. 一种自适应的图像双边滤波方法[J]. 光电工程，2004，31（7）：65-68，72.
[21]李旭超，朱善安. 基于小波模极大值和Neyman-Pearson准则阈值的图像去噪[J]. 中国图象图形学报，2005，10（8）：964-969.