基于改进三维块匹配滤波的图像去噪算法.pdf

第2 7 卷第1期2024年2 月扬州大学学报（自然科学版）Journal of Yangzhou University(Natural Science Edition)Vol.27 No.1Feb.2024基于改进三维块匹配滤波的图像去噪算法刘熟*，张亚亚，黄金，赵利民，赵玉祥（天水师范学院电子信息与电气工程学院，甘肃天水7 410 0 1)摘要：为了有效滤除樱桃图像在获取过程中混杂的不同噪声，保障图像识别与机器自动采摘时良好的图像信息质量，提出一种改进三维块匹配滤波（block-matchingand3Dfiltering，BM 3D）的图像去噪方法.首先，在三维块匹配滤波的基础估计阶段构建自适应中值滤波处理器，滤除图像中部分椒盐噪声，并改进优化硬阈值、滑窗步长及三维硬阈值等关键参数快速滤除高斯噪声；其次，在基础估计阶段与最终估计阶段之间引人中值滤波，最大限度地去除图像中剩余的混合噪声；最后，通过仿真实验验证所提算法的有效性，并对比分析改进前后算法的归一化均方误差、峰值信噪比、信噪比改善因子及结构相似性等性能.结果表明，改进的BM3D方法在保持好樱桃图像细节信息的同时，能有效去除高斯噪声和滤除大概率椒盐噪声，且随混合噪声干扰的增强，所提算法的去噪性能更佳且优于其他滤波方法.关键词：三维块匹配滤波；自适应中值滤波；混合噪声；图像去噪中图分类号：TP391.41D0I:10.19411/j.1007-824x.2024.01.007文献标志码：A文章编号：10 0 7-8 2 4X(2024)01-0047-09当前农业生产中的水果采摘方式仍以传统的手工劳作为主，该方式劳动强度大，采摘效率低，对水果品质的判识与分类标准不统一，影响了水果产业链的发展与质量的提升，故智能采摘机器人被提出.智能采摘机器人作业环境较复杂，需要通过一系列传感器和人工智能算法分析作业对象的位置和成熟度，其主要任务是对目标图像进行采集和分割识别门。由于受传感器的限制和外界环境的干扰，采集的目标图像通常存在光照条件不确定、果实颜色相近或不均匀以及目标图像定位与提取中受噪声影响等问题2-3，对于复杂环境下的水果图像采集，Lyu等采用自适应伽马校正方法，对水果RGB图像的R通道和G通道图像进行处理；Chu等5提出在不同光照条件下利用水果遮挡感知网络克服自然光照的方法，并研究了该方法对后续图像分割与检测的影响.针对水果图像获取中的噪声滤除问题，Dorj等6 研发了利用图像处理技术对柑橘进行计算机视觉检测的算法系统，由于该系统仅简单运用传统中值滤波滤除水果图像中的椒盐噪声，所以噪声去除效果较差；胡智元等门提出了一种改进的门限型中值滤波算法，可有效保留图像的细节和边缘信息，且能去除水果图像中的噪声；Lu等8 提出了一种基于图像二维经验模态分解隔离并消除噪声的方法，利用结构照度反射成像系统，获取亚表面擦伤或表面缺陷水果样品的直接图像和幅度分量图像，进而得到高质量的重建图像，实现水果图像的去噪增强.然而，上述算法都是针对含单一椒盐噪声或高斯噪声的水果采集图像，随着干扰的增强，算法去噪能力有限，不能有效滤除图像中的混合噪声；因此，本文拟提出一种改进的三维块匹配滤波（block-matching and 3D filtering，BM 3D)E9-10 图像去噪算法，并用于滤除樱桃水果图像中的混合噪声。收稿日期：2 0 2 3-10-16.联系人，E-mail：lq lz u 12 6.c o m.基金项目：国家自然科学基金资助项目（6 146 10 46）；甘肃省自然科学基金资助项目（2 0 JR10RA802，2 0 JR5RA 49 4）；甘肃省教育厅教育揭榜挂帅项目（2 0 2 1jyjbgs-06）；国家级大学生创新训练计划项目（2 0 2 110 7 39 0 0 2）；天水市秦州区科技计划项目（2 0 2 3-SHFZG-6497）；天水师范学院研究生创新引导项目（TYCX2036）.引文格式：刘熟，张亚亚，黄金，等基于改进三维块匹配滤波的图像去噪算法J。扬州大学学报（自然科学版），2 0 2 4，27(1):47-55.48扬州大学学报（自然科学版）第2 7 卷1BM3D去噪算法BM3D算法11主要结合空间域和变换域对图像自身相似重复结构进行降噪处理，常用于消除图像中掺杂的加性高斯噪声.该算法主要分为基础估计和最终估计2 个阶段.第一阶段是获得噪声图像的基础估计首先，将含噪图像按照移动窗步长划分成固定大小的若干块，并对每个参考块执行相邻图像块匹配，将若干相似的块整合为1个三维矩阵，在三维空间进行协同滤波处理；其次，将滤波结果反变换融合到二维空间，得到所有块的预估值并返回到图像原始位置进行加权平均处理，即得到基础估计图像.第二阶段则是将第一阶段的输出作为最终估计阶段中维纳滤波的输入，进一步提高去噪性能.两阶段的操作流程相似，均分别包含相似块分组、协同滤波和聚合等3个部分.BM3D算法流程如图1所示.1.1 基础估计1.1.1相似块分组将含噪图像Z(）按照滑窗步长划分成若干固定大小的图像块，作为算法的基本处理单元.随机选择一个图像块作为参考块，以其左上点为中心，采用栅格扫描方式并以欧式距离d为判定准则搜索与之高度相关的相似块进行匹配.块之间的相似度大小为(1)(Nht)?式中X为整幅图像的像素点集合，R，分别为两图像块左上角坐标，NhtNht为图像块的大小，Za为定位在REX的参考块，Z，为待匹配的相似块，为硬阈值滤波函数，T2D表示二维线性变换函数.当噪声方差较大或图像分块较小时，图像块匹配的准确度较低.加性高斯噪声在正交变换域中具有噪声保持及稀疏性等性质，所以为了提高图像块匹配的准确性，先对含噪图像Z()中的相似块与参考块进行可分离二维正交变换，再将两图像块按欧氏距离d大小排序，只保留误差小于一定阈值的图像块进行分组，堆叠为三维数组，并得到相应的坐标集合参考块乙的相似图像块集合(2）式中为判定为两个相似块的最大误差阈值.1.1.2协同硬阈值滤波协同滤波是BM3D图像去噪算法的核心步骤，对最终去噪效果起着决定性作用.协同滤波去噪通过执行二维变换寻找组内相似块中各像素点之间的相似性，并利用一维变换寻找不同相似块在同一位置像素点的相似性12 ，从而提高降噪效果.协同滤波在相似块分组和块组内联合降噪起着桥梁作用.在去噪过程中，不同阶段会利用不同的协同滤波方法，在基础估计阶段采用硬阈值滤波，而在最终估计阶段采用维纳滤波10，基础估计阶段含噪图像将图像分成大小为Z(x)NhxNh的图像块欧式距离图像块分组最终估计阶段将图像分成大小为逐块估计NwiexNwie的图像块T逆三维变换维纳滤波欧式距离图像块分组三维块变换图1BM3D算法流程图Fig.1Flow chart of BM3D algorithmd(Zak Z.)=(Tan(Zx)=(Tap(Z.)E,SR=(EXld(ZR,Z.)t),逐块估计逆三维变换硬阈值滤波三维块变换聚合加权聚合一去噪图像加权第1期相似块之间执行二维正交变换得到的幅度系数偏小，仅少量系数具有较大的幅度，故可通过缩小大幅度系数来实现去噪，并对式（2)所得排列有序的三维矩阵进行三维小波硬阈值变换.三维协同硬阈值滤波可表示为(3)式中T3D，T s B分别为3D变换及其逆变换；Ys为由S个匹配块估计组成的重构估计.1.1.3聚合在相似块分组和协同硬阈值滤波过程中，参考块自身存在重叠现象，且不同参考块也可能包含重叠的相似块，导致经协同滤波后的图像存在过完备现象，故本文通过加权平均处理方法整合信息进行聚合处理。经过硬阈值收缩后，每个单元都会得到一个估计值，统计矩阵中非零频率系数的个数并进行权值分配，计算重复像素的权重(4)(1，其他，式中。为噪声方差，Nrd为非零频率系数的个数.首先，分别创建一个分子缓冲区和一个分母缓冲区，前者用于记录不同滤波后像素值的总和，后者负责记录滤波后不同的像素值个数；其次，遍历全部参考块，将分子缓冲区与分母缓冲区像素值个数作比值，得到某个像素经不同滤波后的平均像素值，即基础估计图像,VxEX,WRCm式中zE(0,1)为位于mEX处的相似块特征函数，Y，为匹配块预估值.1.2最终估计1.2.1相似块分组匹配类似于基础估计阶段，对基础估计图像Ybasic进行块匹配，选取NwieXNwie的图像块，得到候选匹配块集合为(6)(Nwie)2由Sie可得2 个三维矩阵，即堆叠基础估计图像匹配块得到三维矩阵Ypaic，堆叠含噪图像匹配块得到三维矩阵Zs1.2.2协同维纳滤波简单的硬阈值操作不能去除残留在低频系数上的噪声，且会丢失图像中的细节信息.维纳滤波具有统计特性，故经过维纳滤波后的输出与原无噪声图像的均方误差最小.为进一步提升去噪能力和更好地还原图像的纹理信息，在最终估计阶段采用协同维纳滤波取代硬阈值滤波，对三维矩阵进行点对点的系数收缩，得到组估计(7)式中T，（T s）-1为最终估计阶段的3D变换及其逆变换；Ws为维纳滤波的收缩系数，WsTT+1.2.3聚合与基础估计阶段相似，滤波后对其估计值进行聚合处理，经加权平均处理后的最终估计结果图像为刘熟等：基于改进三维块匹配滤波的图像去噪算法Ysx=Ts(y(Tap(ZsR),(oNrad)-1,Nrdl;WR=Yybasic=EX,WieSTRY=(Tt)(W(T(Zo)49(5)(8)扩大窗口50式中w为由收缩系数Ws整合分配的权重值，Yri（a）为最终估计阶段相似块组的像素估计值.2本文算法2.1中值滤波中值滤波是一种非线性处理算法，其基本思想是通过对像素值排序将像素点集合划分为相互独立的两个子集合，然后分别对这两个子集合继续进行排序，直至滤波窗口中所有像素点有序排列.算法的执行效率由快速排序算法的时间复杂度决定13，中值滤波器中每一像素点的灰度值被设置为该点邻域窗口内所有像素点灰度值的中值，即(10)式中Z()，Y()分别为输人图像和输出图像在点上的灰度值；A为模板窗口；Med()为返回模板窗口A中覆盖图像像素灰度排序的中值.中值滤波容易受滤波窗口样式和大小的影响，若选择的窗口太小，无法达到降低噪声的目的；若选择的窗口过大，远远超过图像边缘细节大小，不但会导致其运行速率下降，而且无法保证目标对象的完整性，故应针对不同的处理对象选择合适的窗口样式和大小。本文选取33滤波窗口模板，以有效滤除噪声并保留图像轮廓和边缘.2.2自适应中值滤波自适应中值滤波能够根据图像信息中噪声点的数量和密集程度，利用去中值方法判断像素点是否为噪声点，并自适应地调节滤波器窗口模板大小，对更大或更小区域进行滤波.自适应中值滤波结合了小窗口中值滤波较好的细节保护能力和大窗口中值滤波较强的去噪能力，具有优异的综合滤波性能14.设rmax为最大滤波半径，ro为初始滤波半径，Z()为某一点含噪像素的灰度值，L为当前窗口A的大小，Zmin，Zm a x 分别为模板窗口A中像素的最小和最大灰度值，Zmed为模板窗口灰度值的中值，自适应中值滤波算法流程如图2 所示，其中噪声点判断过程如下：1）判断当前区域中值点是否为噪声点.若满足条件ZminZmedZmax，则此时中值点为非噪声点，运行下一步骤；否则，扩大滤波窗口半径为r=r十1，继续判断直至在更大范围内寻找到一个合适的非噪声点，然后跳转到下一步，若搜索窗口半径L大于rmax，则输出Zmed.2）判断中心点像素值是否为噪声点.若满足条件ZminZ(）Zm a x，则该点为非噪声点，输出当前像素点灰度值Z（），否则输出Zmed，即利用当前邻域灰度值中值点替代原始噪声点灰度值以滤除噪声2.3改进的BM3D算法本文在BM3D算法处理过程的基础估计阶段引入自适应中值滤波，在基础估计阶段末和最终估计扬州大学学报（自然科学版）Ywie()WieYyfinal(）Y()=Med(Z(),EA,窗口移动到下一个滤波点是否为有效灰度值而非噪声香否取当前邻域中值作为当前像素值预滤波点是否为图像的最后一点是去噪图像图2 自适应中值滤波流程图Fig.2Flow chart of adaptive median filtering第2 7 卷VaEX,(9)wieMESRm()含噪图像建立初始滤波窗口对灰度值进行排序邻域中值是否为噪声点当前像素值r=r+1是是原灰度值输出第1期阶段初引入中值滤波.在面对图像中的混合噪声时，若噪声密度点过高，图像块中信息则不规则，致使块匹配的准确性下降，进而影响降噪效果.故引入自适应中值滤波，在图像降噪初期有效滤除重度椒盐噪声15，增强后续块内联合降噪的鲁棒性。基础估计阶段作为最终估计阶段的先验模型，在复用基础估计结果时引入中值滤波，以期达到去除残余噪声的同时保持图像细节和局部一致性的目的，避免在后续复用时噪声较强区域产生模糊现象，从而提升降噪效果.然后通过调整阈值参数、滑窗步长及三维硬阈值参数等对含噪图像进行去噪处理.改进的BM3D算法流程如图3所示.含噪图像，自适应中值滤波Z(x)将图像分成大小为NhxNh的图像块欧式距离图像块分组最终估计阶段将图像分成大小为逐块估计NwiexNwic的图像块逆三维变换维纳滤波欧式距离图像块分组三维块变换图3改进的BM3D算法流程图Fig.3Flow chart of improved BM3D algorithm3仿真实验与结果分析3.1实验条件及参数设置硬件环境：CPU为AMDRyzen54600Uwith Radeon Graphics 2.10GHz，内存为16.0 GB;相机为佳能IXUS190，C C D 传感器，尺寸为1/2.3英寸，有效像素为2 X10.软件环境：MicrosoftWindows11操作系统，MATLAB2016a库函数.本实验数据集均为笔者课题组实地拍摄的樱桃图像.为使改进的BM3D算法对图像噪声去除效果最佳，对含椒盐噪声概率为0.4和高斯噪声标准差为15的樱桃图像，在基础估计阶段分别选择小波变换（biorl.5）、离散余弦变换（discrete cosinetransform，D CT）、离散正弦变换（discrete sine transform，D ST）及离散余弦随机变换（discretecosine random transform，D CRT)对图像进行二维变换，利用哈尔小波（Haar)进行一维变换，实施去噪处理.选择信噪比改善因子（the improvementof signal-to-noise ratio，ISNR）、峰值信噪比（peaksignal-to-noise ratio，PSNR）、结构相似度（structural-similarity-index-measure，SSIM)等客观评价指标，优化选择块间距离阈值参数t、滑窗步长Tstep和三维硬值参数入3D，图像去噪的质量评估结果如表1 4所示.由表14可见：选取滤波器系数为1.5的小波变换（biorl.5）进行二维线性变换后的图像降噪效果优于其他3种滤波方法，故三维变换为二维biorl.5和一维Haar小波变换；当块间距离阈值参数为2 0 0 0，滑窗步长Tstep为3，硬阈值参数入3D为3.1时，各项评估指标更好。刘勃等：基于改进三维块匹配滤波的图像去噪算法基础估计阶段逐块估计逆三维变换硬阅值滤波三维块变换51聚合中值滤波-加权聚合一去噪图像加权52表1不同二维变换方法下的图像去噪效果Tab.1Image denoising effect under differenttwo-dimensional transformation methods二维变换方法ISNR/dBbior1.527.1466DCT26.7564DST26.8796DCRT26.9944表2 不同块间距离值下的图像去噪效果Tab.2 Image denoising effect at differentblock distance thresholds t块间距离阈值tISNR/dB2.00027.28313.00026.9866400026.97225.00026.8010600027.0939700026.99233.2去去噪效果对比分析本文选取单樱桃、双樱桃、三樱桃和多樱桃等4类图像为样本.4类样本图像背景各不相同，其中单樱桃图像在获取时因叶片覆盖而导致自然光部分被遮挡，双樱桃图像有多余枝干但无杂叶，三樱桃为悬空拍摄并经过校正，多樱桃图像则以白色桌面为背景拍摄图像.首先将4类图像由RGB三通道图像转换为灰度图像，然后对灰度图像分别引入随机椒盐噪声概率与加性高斯噪声标准差之比为0.2/5、0.4/15、0.6/2 5的混合噪声，最后对加噪图像分别使用中值滤波13、自适应中值滤波14、BM3D16和本文方法进行去噪处理.3.2.1视觉效果预设自适应中值滤波的最大滤波半径rmax为10，初始滤波半径r。为1，当前滑动窗口大小L随滤波半径r改变.在上述3种不同混合噪声干扰的情况下，分别采用中值、自适应中值、BM3D及本文算法进行滤波实验对比，结果如图4所示.由图4可见，4种滤波算法均能滤除图像中的噪声，而中值滤波对图像中混合噪声的去除效果欠佳，处理后图像中仍残留混合噪声；自适应中值滤波可较好地去除图像中的椒盐噪声，但对高斯噪声的去除效果甚微；由于BM3D算法是针对加性高斯噪声提出的去噪模型，所以当其对混合噪声图像进行去噪处理时会产生图像平滑模糊现象；本文方法结合了3种滤波算法的优势并对BM3D算法进行优化改进，解决了BM3D算法处理混合噪声时出现的平滑模糊等问题，不但有效降低椒盐噪声和高斯噪声的干扰，而且去噪后所得图像与原图像的相似度最高，图像的目标边缘和细节保持完好，去噪效果最佳。3.2.2客观指标分析选择归一化均方误差（normalizedmean squared error，NM SE）、峰值信噪比（PSNR）、信噪比改善因子(ISNR)和结构相似度(SSIM)等4项指标评价算法的降噪性能.1）归一化均方误差.基于对均方误差能量归一化的测量，衡量去噪后图像与原始图像之间的差异和去噪效果，(11)Z,(Z()2式中Y（）为去噪后图像.NMSE值为O,1，其中0 表示完美匹配，1表示零匹配.扬州大学学报（自然科学版）表3不同滑窗步长Tstep下的图像去噪效果Tab.31Image denoising effect at different slidingwindow step TsepPSNR/dBSSIM31.86050.902.631.470 40.898131.59360.891531.70830.9023PSNR/dBSSIM31.997 10.903531.70050.895931.68610.901 531.515 00.896131.80790.896631.70630.8967Z,(Z()-Y()2NMSE=第2 7 卷滑窗步长TstepISNR/dB227.0175327.5659427.1817526.7878627.0497726.7524表4不同硬阈值参数入3D下的图像去噪效果Tab,4 Image denoising effect under different hardthreshold parameters 3D硬阅值参数入3DISNR/dB2.526.72692.726.79902.927.136 53.127.45853.327.114 3PSNR/dB31.731 532.279831.895631.501 831.763631.4663PSNR/dB31.440 931.512 931.850532.172 531.828 3SSIM0.90060.90180.90150.89610.90070.8994SSIM0.88970.90200.90060.912 60.9105第1期刘熟等：基于改进三维块匹配滤波的图像去噪算法53D(a）单樱桃图像ABCDF(b)双樱桃图像BDF(c)三樱桃图像(d)多樱桃图像A.原图像；B.加性混合噪声（概率为0.4的椒盐噪声与标准差为15的高斯噪声）图像；C.中值滤波；D.自适应中值滤波；E.BM3D；F.本文方法.图4樱桃图像去噪的主观效果Fig.4The subjective effect of cherry image denoising2）峰值信噪比.用于衡量图像的失真程度，2552PSNR=10 1g式中N为待处理图像的大小PSNR值越大，说明图像失真越少，去噪效果越好.3）信噪比改善因子.反映去噪前后图像的改善程度，式中P()为噪声图像在处的像素值.ISNR越大，算法对噪声图像的复原效果越好.4）结构相似性.通过对图像的亮度、结构信息和对比度进行比较，衡量两幅图像的相似度，式中zMy分别为图像,Y的像素平均值；o,%分别为两幅图像的方差；为协方差；C1，C为维持结果稳定的常数.当两幅图像完全一致时，SSIM的值为1.为进一步验证本文算法的去噪性能，对含混合噪声的4类樱桃图像分别采用中值滤波、自适应中值滤波、BM3D和本文方法进行去噪，不同噪声下的性能指标值如表56 所示.(12)(Z()-Y()2Z,(Z()-P()2)ISNR=10 Ig,(Z()-Y()(2zy+ci)(20zy+c2)SSIM(Z,Y)=(+ci)(2+c2）(13)(14)54图像混合噪声中值滤波自适应中值滤波BM3D本文算法中值滤波自适应中值滤波BM3D本文算法0.2/531.117 0单樱桃0.4/150.6/250.2/5双樱桃0.4/150.6/250.2/5三樱桃0.4/150.6/250.2/5多樱桃0.4/150.6/25椒盐/高斯图像混合噪声中值滤波自适应中值滤波BM3D本文算法中值滤波自适应中值滤波BM3D本文算法0.2/50.0027单樱桃0.4/150.6/250.2/5双樱桃0.4/150.6/250.2/5三樱桃0.4/150.6/250.2/5多樱桃0.4/150.6/25由表56 可知：不同目标图像在不同混合噪声的干扰下，利用本文算法处理后图像的NMSE最小，而PSNR、ISNR及SSIM均高于其他3种方法的；随噪声干扰强度的增加，NMSE值略增大，PSNR、I SNR及SSIM虽下降，但本文算法的处理结果仍均优于其他3种方法，表明本文算法的综合滤波性能更优异，其噪声抑制和细节保护能力以及对混合噪声图像的复原能力均强于中值滤波、自适应中值滤波和传统BM3D滤波算法.综上，本文算法对樱桃图像的降噪效果表现优秀，其实用性和鲁棒性更强。参考文献：1XIONG Ya,GE Yuanyue,FROM J P.An obstacle separation method for robotic picking of fruits in clustersJ.Comput Electron Agric,2020,175:105397.2朱霞，陈仁文，夏桦康，等.智能机器人水果采摘识别系统设计J.计算机应用研究，2 0 14，31（9）：2 7 11-2714.3LI Tao,XIE Feng,ZHAO Zhuoqun,et al.A multi-arm robot system for efficient apple harvesting:perception,task plan and control J.Comput Electron Agric,2023,211:107979.4LYV Jidong,WANG Yijie,XU Liming,et al.A method to obtain the near-large fruit from apple image in or-chard for single-arm apple harvesting robot J.Sci Hortic,2019,257:108758.5CHU Pengyu,LI Zhaojian,ZHANG Kaixiang,et al.O2RNet:occluder-occludee relational network for robustapple detection in clustered orchard environments J.Smart Agric Technol,2023,5:100284.扬州大学学报（自然科学版）表5不同混合噪声对应的PSNR和 ISNRTab.5PSNR and ISNR values corresponding to different mixed noises椒盐/高斯ISNR34.699412.176 945.449 418.518924.409611.782 118.079 830.940933.932218.805124.045812.142 618.010.928.541 232.555 018.148 223.430.311.782 917.815 028.466533.364917.474 224.240410.833617.808.0表6 不同混合噪声下对应的NMSE和SSIMTab.6NMSE and SSIM values corresponding to different mixed noisesSSIM0.00120.23630.000 10.05310.01280.25540.05630.00410.00200.06670.02000.30940.08010.00410.00160.04530.013.40.19640.04900.00340.00110.04220.00890.19480.0391第2 7 卷dBPSNR18.987 89.327836.31587.821827.742.712.570941.421 19.730734.63358.242727.497 212.278037.354 39.458 532.030 47.952 525.528 111.194 940.166 38.338 334.345 36.746 226.234.6NMSE0.45740.000.70.6524 0.00590.28030.000 40.53910.001 70.75940.009 00.17520.000.50.33540.001 90.47440.008 30.17920.000.20.34600.000 90.49920.005 622.55109.450615.333 84.482 810.777718.439721.418 39.365814.611 64.472410.340316.282220.26078.935 314.286.94.330010.349 617.289522.18739.342016.123 54.489111.44820.86900.76150.24460.26390.03710.10600.86780.79130.27310.30880.04950.12860.85040.79450.28670.33000.06520.156.80.86560.78230.29810.33340.06250.161 50.057433.320 40.256727.238 90.520320.446 00.062628.913.40.282225.19590.575 119.833 10.058325.089 10.263.922.783.50.535 618.098 90.046128.98320.203 126.207 70.396819.891 20.02280.990.40.0094 0.92510.00610.672 10.03920.976.90.016.90.906 50.010.00.666 70.05920.975.50.02790.910.50.01550.671 10.04360.979 90.0180 0.92620.01010.714 8第1期6DORJ U,LEE M,YUN S.An yield estimation in citrus orchards via fruit detection and counting using imageprocessing JJ.Comput Electron Agric,2017,140:103-112.7胡智元，刘祚时，程素平。改进门限中值滤波算法在水果图像噪声中应用研究J。机械设计与制造，2 0 19(7)：177-179,183.8LU Yuzhen,LU Renfu.Fast Bi-dimensional empirical mode decomposition as an image enhancement techniquefor fruit defect detection J.Comput Electron Agric,2018,152:314-323.9WEN Ying,GUO Zhichang,YAO Wenjuan,et al.Hybrid BM3D and PDE filtering for non-parametric singleimage denoising JJ.Signal Process,2021,184:108049.10HASAN M,EL-SAKKA M R.Improved BM3D image denoising using SSIM-optimized Wiener filter JJ.EURASIP J ImageVideoProcess,2018,2018:25.11CAO Jia,QIANG Zhenping,LIN Hong,et al.An improved BM3D algorithm based on image depth featuremap and structural similarity block-matching J.Sensors,2023,23(16):7265.12梁晨曦，张固澜，李磊，等。能量归一块匹配三维协同滤波及地震去噪应用J。石油物探，2 0 2 2，6 1（3）：499-511.13赵君爱，魏艳春基于改进中值滤波的图像噪声去除算法的研究J浙江农业学报，2 0 15，2 7（6)：10 7 8-1082.14YAHYA A A,TAN Jieqing,SU Benyue,et al,BM3D image denoising algorithm based on an adaptive filteringJJ.Multimedia Tools Appl,2020,79(27):20391-20427.15LIANG Hu,LI Na,ZHAO Shengrong.Salt and pepper noise removal method based on a detail-aware filterJ.Sy m m e t r y,2 0 2 1,13(3):515.16崔程程，周先春，答明远，等基于自适应滤波的BM3D降噪算法JI。电子测量技术，2 0 2 1，44（12）：9 7-101.刘熟等：基于改进三维块匹配滤波的图像去噪算法55Image denoising based on improved 3D block matching filtering algorithmLIU Qing*,ZHANG Yaya,HUANG Jin,ZHAO Limin,ZHAO Yuxiang(School of Electronic Information and Electrical Engineering,Tianshui Normal University,Tianshui 741o01,China)Abstract:In order to effectively filter out the different noises mixed in the process of acquiring cher-ry images,and ensure the good image information quality of image recognition and automatic pick-ing by the machine,an image denoising method to improve three-dimensional block matching and3D filtering(BM3D)is proposed.Firstly,an adaptive median filter processor is constructed in thebasic estimation stage of 3D block matching filtering to filter out some salt and pepper noise in theimage,and the key parameters such as hard threshold,sliding window step size and 3D hard thresh-old are improved and optimized to quickly filter out the Gaussian noise.Secondly,median filter isintroduced between the basic estimation stage and the final estimation stage to remove the remainingmixed noise in the image to the maximum extent.Finally,the effectiveness of the proposed algo-rithm is verified by simulation experiments,and the performance of the algorithm before and afterthe improvement is compared and ananlyzed,such as normalized mean squared error,peak signal-to-noise ratio,signal-to-noise ratio improvement factor and structural similarity.The results showthat the improved BM3D method can effectively remove Gaussian noise and filter out high-probabili-ty pepper and salt noise while maintaining the detailed information of the big cherry image,and thedenoising performance of the proposed algorithm is better than that of other filtering methods withthe enhancement of mixed noise interference.Keywords:block-matching and 3D filtering(BM3D);adaptive median filtering;mixed noise;imagedenoising(责任编辑林子)