CN102497497A - 一种图像去噪算法中阈值动态调整的方法 - Google Patents

Abstract

本发明公开了一种图像去噪算法中阈值动态调整的方法，能对视频序列在各种场景，通过计算视频序列像素方差来得到动态的阈值，从而使得阈值能更好地体现当前视频序列的运动特征。通过计算帧间图像绝对误差均值MAD的方差，以方差来表征当前视频序列运动状态并计算得到下一帧阈值。本发明的积极效果是：1、使得在对每帧视频图像去噪处理中，在空间域上细分了运动块和静止块分别进行处理。2、从时间域上，以视频帧MAD方差来计算域值，动态地分析了视频序列的运动情况，使得域值的计算更加准确。

Description

一种图像去噪算法中阈值动态调整的方法

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种图像去噪算法中阈值动态调整的方法。

背景技术

图像在形成、传输、接收和处理过程中容易受到外界干扰产生一些脉冲噪声,从而在图像中产生黑色、白色的点，称为椒盐噪声。椒盐噪声会进一步影响边缘检测、图像分割和特征提取等后期图像应用的效果。因此，提高信噪比是图像处理的重要任务之一。

目前，图像去噪的方法主要分为空域滤波、时域滤波和时空结合滤波三类。空域滤波常采用对相邻像素点进行加权平均的方式滤波，所以空域滤波去除噪声效果较差且会牺牲图像高频细节部分，使图像产生失真。时域滤波由于考虑了视频图像在时间上的相关性，采用IIR滤波算法，进行帧间图像加权处理，图像序列越相似，相关性越强，去噪效果越好。但对于运动图像，运动目标会产生伪影等时域模糊现象。时空结合滤波采用对视频图像中静止部分进行时域滤波，对运动部分图像进行空域滤波，这就有效地解决了空域滤波去除噪声较差和时域滤波运动目标会产生伪影等时域模糊问题。但是如何判断视频图像中静止和运动的图像呢？

现有方法通常采用预测阈值法来判断，当帧间像素块差值大于此阈值时，该区域像素为运动块，对该块进行空域滤波。当小于此阈值时，判断该区域像素为静止块，对该块进行时域滤波。但现有方式存在如下问题：1、在图像静止区域，当噪声较大时，帧间像素块差值仍然比较大，就会将该块误判为运动块而进行空域滤波。2、在视频图像运动区域，如果阈值选择比较大，将该块判断为静止块进行时域滤波，从而使图像时域模糊。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种图像去噪算法中阈值动态调整的方法，能对视频序列在各种场景，通过计算视频序列像素方差来得到动态的阈值，从而使得阈值能更好地体现当前视频序列的运动特征。

本发明解决其技术问题所采用的技术方案是：一种图像去噪算法中阈值动态调整的方法，包括如下步骤：

步骤S1：将输入的原始视频信号分成串行的视频帧；判断该视频帧是否为去噪起始帧：如果是，则不做处理，原样输出；如果否，则进入下一步；

步骤S2：对当前待处理宏块CMB_x.y(t)进行IIR滤波，得到宏块PMB_x.y(t)，IIR滤波公式为：                                               

，其中：滤波系数b₁=0.9，a₁=0.1，PMB_x.y (t-1)为前一帧中相同位置的滤波后的宏块；

步骤S3：对当前待处理宏块CMB_x.y(t)与滤波后宏块PMB_x.y(t)进行差分，得到绝对误差均值MAD，差分公式为：MAD = 

/256；

步骤S4：用当前帧阈值和MAD进行比较并判断，大于MAD则当前块为运动块，小于MAD则当前块为静止块；判断当前帧是否结束：如果否，则返回步骤S2；如果是，则进入下一步； 

步骤S5：遍历一帧图像，得到一帧图像中每个宏块的属性表T_c；进而对T_c进行形态学开运算滤波，去除孤立属性块，得到当前帧中宏块属性表T_p；

步骤S6：查询T_p，对运动块进行空域滤波，对静止块进行IIR滤波；

步骤S7：计算当前帧MAD值方差，方差计算方法如下：

步骤S8：预测下一帧阈值，返回步骤S4；

步骤S9：返回步骤S2进行循环，遍历视频帧，得到去噪后的视频帧序列。

所述空域滤波采用非线形滤波，把数字图像序列中的某个像素点的值用该点邻域内各点的值的中值代替。

步骤S4中当前帧阈值的选取方法为：如果当前帧为第一个处理帧，则当前帧阈值取事先设定的初始阈值；否则，当前帧阈值取动态更新后的阈值。

与现有技术相比，本发明的积极效果是：通过计算帧间图像绝对误差均值（MAD）的方差，以方差来表征当前视频序列运动状态并计算得到下一帧阈值。具体表现如下：1、使得在对每帧视频图像去噪处理中，在空间域上细分了运动块和静止块分别进行处理。2、从时间域上，以视频帧MAD方差来计算域值，动态地分析了视频序列的运动情况，使得域值的计算更加准确。

具体实施方式

一种图像去噪算法中阈值动态调整的方法，包括如下步骤：

步骤S1：将输入的原始视频信号分成串行的视频帧，以16x16大

小的宏块为处理单位。判断该视频帧是否为去噪起始帧：如果是则不做处理，原样输出；如果否，则进入下一步。

步骤S2：首先，对当前待处理宏块CMB_x.y(t)进行IIR滤波，得到

宏块PMB_x.y(t)。IIR滤波公式为：

　　　

，

其中：滤波系数b₁=0.9，a₁=0.1

PMB_x.y (t-1)为前一帧中相同位置的滤波后的宏块，CMB _x.y(t)为当前待滤波宏块。

步骤S3：对当前宏块CMB_x.y(t)与滤波后宏块PMB_x.y(t)进行差分，

得到MAD。

公式为：

MAD = 

/256

步骤S4：用当前帧阈值和MAD进行比较并判断，大于MAD则当前块为运动块，小于MAD则当前块为静止块。如果当前帧为第一个处理帧，则当前帧阈值取事先设定的初始阈值，否则，当前帧阈值取动态更新后的阈值。判断当前帧是否结束：如果否，则返回步骤S2；如果是，则进入下一步。

步骤S5：遍历一帧图像，得到一帧图像中每个宏块的属性表T_c。

进而对这些宏块属性表T_c进行形态学开运算滤波，去除孤立属性块，重新得到当前帧中宏块属性表T_p。

其中B表示进行开运算的结构元素，采用3x3的十字型模板。

步骤S6：通过查表T_p，对运动块进行空域滤波，对静止块进行IIR滤波。空域滤波采用非线形滤波，把数字图像序列中的某个像素点的值用该点邻域内各点的值的中值代替，中值滤波定义如下：

设目标像素的邻域像素为

，把n个数按值的大小排列如下：

则滤波后目标像素的值为：

帧间IIR滤波实现方式如下：

PMB_t(i,j) = 0.8*PMB_t-1 (i,j) + 0.2*CMB _t(i,j)

步骤S7：计算当前帧MAD值方差。方差计算方法如下：

步骤S8：预测下一帧阈值，返回步骤S4。

实际视频帧中动态噪声，多为白噪声，服从均值为0、方差为的高斯分布，设在一定时间范围没有运动出现，图像间的差异主要由噪声引起，则有：

式中

代表场景的值，因无运动，是定值，n(t)代表噪声，是变化值。服从均值为0、方差为

的高斯分布。帧间差分图像定义为：

假设无运动存在，计算差分图像相临3个宏块都大于阈值TH或都小于阈值TH的概率。

相临3个宏块大于阈值的概率为：

假设

为5，当TH取1倍

时，计算出概率为0.004，当取TH为2倍

时，计算出概率为1.178x

，这是一个极小概率事件。同理，取一个稍大于方差

的阈值，也是一个极小概率事件。考虑到实际视频序列的特征，本算法取阈值TH为

。

步骤S9：返回第（2）步，按（2）（3）（4）（5）（6）（7）（8）（9）的步骤顺序进行循环，遍历视频帧，得到去噪后的视频帧序列。

Claims (3)

1.一种图像去噪算法中阈值动态调整的方法，其特征在于，包括如下步骤：

步骤S1：将输入的原始视频信号分成串行的视频帧；判断该视频帧是否为去噪起始帧：如果是，则不做处理，原样输出；如果否，则进入下一步；

步骤S2：对当前待处理宏块CMB_x.y(t)进行IIR滤波，得到宏块PMB_x.y(t)，IIR滤波公式为：                                               ，其中：滤波系数b₁=0.9，a₁=0.1，PMB_x.y (t-1)为前一帧中相同位置的滤波后的宏块；

步骤S3：对当前待处理宏块CMB_x.y(t)与滤波后宏块PMB_x.y(t)进行差分，得到绝对误差均值MAD，差分公式为：MAD = 

/256；

步骤S4：用当前帧阈值和MAD进行比较并判断，大于MAD则当前块为运动块，小于MAD则当前块为静止块；判断当前帧是否结束：如果否，则返回步骤S2；如果是，则进入下一步； 

步骤S5：遍历一帧图像，得到一帧图像中每个宏块的属性表T_c；进而对T_c进行形态学开运算滤波，去除孤立属性块，得到当前帧中宏块属性表T_p；

步骤S6：查询T_p，对运动块进行空域滤波，对静止块进行IIR滤波；

步骤S7：计算当前帧MAD值方差，方差计算方法如下：

步骤S8：预测下一帧阈值，返回步骤S4；

步骤S9：返回步骤S2进行循环，遍历视频帧，得到去噪后的视频帧序列。

2.根据权利要求1所述的图像去噪算法中阈值动态调整的方法，其特征在于：所述空域滤波采用非线形滤波，把数字图像序列中的某个像素点的值用该点邻域内各点的值的中值代替。

3.根据权利要求1所述的图像去噪算法中阈值动态调整的方法，其特征在于：步骤S4中当前帧阈值的选取方法为：如果当前帧为第一个处理帧，则当前帧阈值取事先设定的初始阈值；否则，当前帧阈值取动态更新后的阈值。