CN103369209B - 视频降噪装置及方法 - Google Patents

Abstract

本发明公开了一种视频降噪装置及方法，该方法包括如下步骤：利用前一帧图像的去噪结果及当前图像的梯度模值直方图获得当前图像的亮度差值直方图，根据亮度差值直方图对当前图像进行噪声级别估计；计算当前图像中任意两像素点的空域距离，获取该任意两像素点的空域相似度，并根据空域相似度对当前图像进行去噪；计算当前图像中任一像素点与前一帧去噪图像对应位置像素点的像素时域距离，并计算出相应的时域相似度，根据获得的时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪，本发明通过利用像素在空间上和时间上的相关性进行3维递归去噪，既能去掉较强的复杂噪声和保持图像细节，还能保证去噪效果的稳定性。

Description

视频降噪装置及方法

技术领域

本发明关于一种视频降噪装置及方法，特别是涉及一种基于像素相似性的视频降噪装置及方法。

背景技术

视频降噪一直是图像视频处理和计算机视觉研究的热点之一。图像视频去噪的直接目的是改善噪声污染的视频图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。去噪可以有效地提高视频图像质量，增大信噪比，更好的体现原始视频所携带的信息。好的去噪方法还会提高后续视频图像处理的质量，如目标分割、边缘提取、目标跟踪和识别等。

去噪的关键是在尽可能保持有用信息完整性的同时，又能够去除信号中干扰的信息。特别是当图像中有复杂强噪声而使图像细节模糊时，去噪的同时不模糊图像细节尤其重要。例如，红外图像在成像过程中存在多种干扰因素使得红外图像噪声严重而且边缘模糊不清。一般的去噪方法，如均值滤波、中值滤波、维纳滤波和小波软硬阈值法等，都不能取得较好的去噪结果。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种视频降噪装置及方法，通过利用像素在空间上(当前图像)和时间上(以前图像)的相关性进行3维递归去噪，既能去掉较强的复杂噪声和保持图像细节，还能保证去噪效果的稳定性。

本发明之另一目的在于视频降噪装置及方法，其在去噪之后，对视频图像进一步进行选择性增强，这样可以增强细节，却不会增强可能剩余的噪声。

为达上述及其它目的，本发明提出一种视频降噪装置，至少包括：

噪声级别估计模块，利用前一帧图像的去噪结果及当前图像的梯度模值直方图获得当前图像的亮度差值直方图，并根据当前图像的亮度差值直方图对当前图像进行噪声级别估计；

空域相似度去噪模块，计算当前图像中任意两像素点的空域距离，根据前一帧估计的噪声级别获得该任意两像素点的空域相似度，并根据空域相似度对当前图像进行去噪；

时域相似度计算模块，根据前一帧估计的噪声级别，计算当前图像中任一像素点与前一帧去噪图像对应位置像素点的像素时域距离，并获得相应的像素时域相似度；

递归去噪模块，根据获得的像素时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪。

进一步地，该噪声级别估计模块包括：

亮度差值计算模组，利用前一帧图像的去噪结果计算获得当前图像各像素点与前一帧图像对应像素点的亮度差值；

梯度模值计算模组，对当前图像中任意像素点，根据该像素点的4邻域像素获得该像素点的梯度模值；

梯度模值阈值确定模组，利用计算获得的梯度模值获得梯度模值直方图，并根据梯度模值直方图确定梯度模值的阈值；

亮度差值直方图确定模组，对获得的各像素点的亮度差值，依据获得的梯度模值阈值统计获得当前图像的亮度差值直方图；

噪声估计模组，基于当前图像的亮度差值直方图计算累积直方图，并基于累积直方图进行当前图像的噪声级别估计，获得噪声级别估计结果。

进一步地，该噪声级别估计模块还包括时域距离计算模组，该时域距离计算模组用于计算获取当前图像各像素与前一帧去噪图像中对应位置像素的时域距离，该亮度差值直方图确定模组依据获得的梯度模值阈值及时域距离，对获得的各像素点的亮度差值统计确定当前图像的亮度差值直方图。

进一步地，像素的亮度差值统计到亮度差值直方图满足以下两个条件：

一是该像素的梯度模值小于或等于梯度模值阈值，二是该像素与前一帧去噪图像中对应位置像素的时域距离小于或等于一预定阈值。

进一步地，当前图像估计的噪声级别只能给下一幅图像处理中使用，当前图像只能使用前一帧图像估计的噪声级别。

进一步地，该空域相似度去噪模块包括：

结构信息计算模组，计算当前图像各像素点的水平和垂直梯度，通过将水平和垂直梯度结合获得各像素点的结构信息；

结构距离计算模组，利用获得的结构信息获得当前图像中任意两个像素点的结构距离；

空域距离计算模组，计算两个像素点的像素值距离，并根据获得的该两个像素点的结构距离，获得该两个像素点的空域距离；

空域相似度计算模组，基于两个像素点的空域距离，根据前一帧估计的噪声级别利用一空域相似度计算公式计算获得该两个像素点的空域相似度；

空域去噪模组，将当前图像从RGB空间转换到YUV空间，在YUV空间根据获得的空域相似度分别对YUV三个分量进行去噪，去噪后再将图像转回RGB颜色空间。

进一步地，该结构信息计算模组利用各像素点水平梯度和垂直梯度的差值来表示结构信息。

进一步地，该空域相似度计算公式为：

$smlr\_s={\exp }^{-\frac{dist\_s}{\mathrm{\σ}}},$

其中，σ＝k*nl,0＜k＜2，dist_s为两个像素点的空域距离，nl为前一帧估计的噪声级别，dist_s＝dist_grad_s+dist_pxl_s，dist_grad_s为两个像素点的结构距离，dist_pxl_s为两个像素点的像素值距离。

进一步地，该空域去噪模组对Y分量的去噪结果Y'_snr(r,c)如下：

$Y^{\′}\_snr(r,c)=\frac{1}{Z}\underset{(i,j)\∈\mathrm{\Ω}}{\Σ}Y(i,j)*smlr\_s(i,j),$

其中，smlr_s(i,j)为邻域内图像(i,j)位置像素点和当前像素的空域相似度，Z为邻域内像素相似度之和，即邻域像素坐标集合为Ω。

进一步地，该时域相似度计算模块包括：

时域结构信息计算模组，基于当前图像中像素点及前一帧去噪图像对应位置像素点的梯度，得到它们的时域结构信息；

时域结构距离计算模组，根据获得的时域结构信息计算出当前图像中像素点及前一帧去噪图像对应位置像素点的时域结构距离；

像素值距离计算模组，用于获得当前图像中像素点及前一帧去噪图像对应位置像素点的像素时域像素值距离；

像素时域距离计算模组，根据获得的时域结构距离、像素时域像素值距离以及前一帧估计的噪声级别计算获得当前图像中像素点及前一帧去噪图像对应位置像素点的像素时域距离；

时域相似度获取模组，根据获得的像素时域距离及前一帧估计的噪声级别利用时域相似度计算公式获得当前图像各像素的时域相似度。

进一步地，该像素时域距离为：

dist_t_m＝max(0,dist_grad_t+dist_pxl_t-k1*nl-k2*diff_snr)

其中，0<k1,k2<1，nl为前一帧估计的噪声级别，dist_grad_t为两个像素点的时域结构距离，dist_pxl_t为两个像素点的像素时域像素值距离，diff_snr为当前图像像素和其空域去噪结果的绝对差值。

进一步地，在获得像素时域距离后，该像素时域距离计算模组还对计算的时域像素距离进行平滑滤波以增加结果的稳定性。

进一步地，该时域相似度计算公式为：

$smlr\_t={\exp }^{-\frac{dist\_t}{\mathrm{\&sigma;}}},$

其中，σ＝k*nl,0＜k＜2，nl为前一帧估计的噪声级别，dist_t为滤波后的像素时域距离。

进一步地，该递归去噪模块利用如下加权公式进行三维递归去噪：

CF'＝smlr_t*(P1'-CF_snr)+P1'，

其中P1’前一帧去噪结果，CF_snr为当前图像空域相似度去噪结果，smlr_t为像素时域相似度。

进一步地，该视频降噪装置还包括选择性增强模块，用于对去噪图像进行选择性增强。

进一步地，该选择性增强模块计算像素点的梯度模值，利用梯度模值控制增强的程度，若梯度模值较小，像素点不作增强，若像素点梯度模值大小适中，则增强此像素，若像素梯度模值较大时，也不做增强。

为达到上述目的，本发明还提供一种视频降噪方法，包括如下步骤：

步骤一，利用前一帧图像的去噪结果及当前图像的梯度模值直方图获得当前图像的亮度差值直方图，根据当前图像的亮度差值直方图对当前图像进行噪声级别估计；

步骤二，计算当前图像中任意两像素点的空域距离，根据前一帧估计的噪声级别获得该任意两像素点的空域相似度，并根据空域相似度对当前图像进行去噪；

步骤三，根据前一帧估计的噪声级别，计算当前图像中任一像素点与前一帧去噪图像对应位置像素点的像素时域距离，并计算出相应的像素时域相似度；

步骤四，根据获得的像素时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪。

进一步地，该步骤一还包括如下步骤：

利用前一帧图像的去噪结果获得当前图像各像素点与前一帧图像对应像素点的亮度差值；

对当前图像中任意像素点，根据该像素点的4邻域像素获得像素点的梯度 模值；

利用计算获得的梯度模值获得梯度模值直方图，并根据梯度模值直方图确定梯度模值阈值；

对获得的各像素点的亮度差值，依据获得的梯度模值阈值统计获得当前图像的亮度差值直方图；

基于当前图像的亮度差值直方图计算累积直方图，并基于累积直方图进行当前图像的噪声级别估计，获得噪声级别估计结果。

进一步地，在统计获得当前图像的亮度差值直方图步骤前还包括计算获得当前图像各像素与前一帧去噪图像中对应位置像素的时域距离的步骤，同时，在获取当前图像的亮度差值直方图的步骤中，依据获得的梯度模值阈值及时域距离，对获得的各像素点的亮度差值统计确定当前图像的亮度差值直方图。

进一步地，像素的亮度差值统计到亮度差值直方图满足以下两个条件：

一是该像素的梯度模值小于或等于梯度模值阈值，二是该像素与前一帧去噪图像中对应位置像素的时域距离小于或等于一预定阈值。

进一步地，该步骤二还包括如下步骤：

计算当前图像各像素点的水平和垂直梯度，通过将水平和垂直梯度结合获得各像素点的结构信息；

利用获得的结构信息获得当前图像中任意两个像素点的结构距离；

计算该任两个像素点的像素值距离，并根据获得的该两个像素点的结构距离，获得该两个像素点的空域距离；

基于该两个像素点的空域距离，根据前一帧估计的噪声级别利用一空域相似度计算公式计算获得该两个像素点的空域相似度；

将当前图像从RGB空间转换到YUV空间，在YUV空间根据获得的空域相似度分别对YUV三个分量进行去噪，去噪后再将图像转回RGB颜色空间。

进一步地，该步骤三还包括如下步骤：

对于当前图像中一像素点及前一帧去噪图像对应位置像素点，计算获得其 水平梯度及垂直梯度，并获得其时域结构信息；

根据获得的时域结构信息计算出该两个像素点的时域结构距离；

获取该两个像素点的像素时域像素值距离；

根据获得的时域结构距离、像素时域像素值距离以及前一帧估计的噪声级别计算获得像素时域距离；

根据获得的像素时域距离及前一帧估计的噪声级别利用时域相似度计算公式获得当前图像各像素的时域相似度。

进一步地，于获得像素时域距离后，还需对该像素时域距离进行平滑滤波以增加结果的稳定性。

进一步地，于步骤四中，利用如下加权公式进行三维递归去噪：

CF'＝smlr_t*(P1'-CF_snr)+P1'，

其中P1’前一帧去噪结果，CF_snr为当前图像空域相似度去噪结果，smlr_t为像素时域相似度。

进一步地，于步骤四之后，还包括对去噪图像进行选择性增强的步骤。

进一步地，该对去噪图像进行选择性增强的步骤包括如下步骤：

首先在亮度图计算像素点梯度grad，

计算选择性增强的权重w_enh，

去噪图像和增强图像的加权平均得到选择性增强的结果Y_Enh_sel，

Y_Enh_sel＝w_enh*(Y_Enh-Y_DN)+Y_DN，

其中，Y_Enh图像增强结果，Y_DN为去噪图像。

与现有技术相比，本发明一种视频降噪装置及方法利用像素在空间上(当前图像)和时间上(以前图像)的相关性进行3维递归去噪，既能去掉较强的复杂噪声和保持图像细节，还能保证去噪效果的稳定性，在去噪之后，本发明 还对视频图像进行选择性增强处理，这样可以增强细节，却不会增强可能剩余的噪声。

附图说明

图1为本发明一种视频降噪装置的系统架构图；

图2为本发明一种视频降噪方法的步骤流程图；

图3为本发明较佳实施例中视频降噪方法的细部流程图；

图4为本发明之噪声级别估计的步骤流程图；

图5则为本发明较佳实施例中噪声级别估计的细部流程图；

图6为本发明较佳实施例中梯度模值阈值计算的流程图；

图7为本发明之空域相似度去噪步骤的步骤流程图；

图8为本发明较佳实施例中空域相似度去噪的细部流程图；

图9为本发明之时域相似度计算的流程图；

图10为本发明较佳实施例中时域相似度计算的细部流程图；

图11为本发明较佳实施例中选择性增强的细部流程图；

图12为图11之较佳实施例中增强权重曲线的示意图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种视频降噪装置的系统架构图。如图1所示，本发明一种视频降噪装置，可用于对视频图像中的复杂强噪声(如红外图像噪声)进行去噪，其至少包括：噪声级别估计模块10、空域相似度去噪模块11、时域相似度计算模块12以及递归去噪模块13。

其中，噪声级别估计模块10利用前一帧图像的去噪结果及当前图像的梯度模值直方图获得当前图像的亮度差值直方图，根据当前图像的亮度差值直方图对当前图像进行噪声级别估计；空域相似度去噪模块11通过计算当前图像中任意两像素点的空域距离，根据前一帧估计的噪声级别获得该任意两像素点的空域相似度，并根据空域相似度对当前图像进行去噪；时域相似度计算模块12根据前一帧估计的噪声级别，计算当前图像中任一像素点与前一帧去噪图像对应位置像素点的像素时域距离，并计算出相应的像素时域相似度；递归去噪模块13根据获得的像素时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪。

噪声级别估计是视频图像去噪中的基础性工作。噪声的强弱会直接影响像素(空域和时域)相似性的度量和判断，进而会影响去噪的效果。本发明基于亮度差值直方图来估计噪声方差。对于当前图像中的每个像素点，都在前一帧图像的去噪图像对应位置存在一个与之对应的像素点，这两点亮度的绝对差用来生成亮度差值直方图。但只有当前后两幅图像的这两个像素点之间两个像素相似度高时，它们之间的亮度差值由噪声导致。

具体地说，噪声级别模块10进一步包括亮度差值计算模组101、梯度模值计算模组102、梯度模值阈值确定模组103、亮度差值直方图确定模组104以及噪声估计模组105。亮度差值计算模组101利用前一帧图像的去噪结果计算获得当前图像各像素点与前一帧图像对应像素点的亮度差值。在本发明较佳实施例中，记8比特RGB输入图像(0≤R,G,B≤255,如无特殊说明，以下RGB图像都是此范围)为CF，前一帧图像为P1，前一帧图像去噪结果记为P1’，CF和P1’的亮度分量分别为CFY和P1Y’。对于当前图像像素点CF(r,c)，其亮度差值dist_y如下计算：

dist_y(r,c)＝|CFY(r,c)-P1Y’(r,c)|。

梯度模值计算模组102对当前图像中任意像素点CF(r,c),1≤r≤图像高度，1≤c≤图像宽度，根据该像素点CF(r,c)的4邻域像素获得像素点CF(r,c)的梯度 模值。在本发明较佳实施例中，为了简化，只计算亮度分量梯度。对于当前图像中任意像素点CF(r,c),1≤r≤图像高度，1≤c≤图像宽度，其梯度模值grad(r,c)利用其4邻域像素如下计算：

gradH(r,c)＝max(|CFY(r,c)-CFY(r,c-1)|,|CFY(r,c)-CFY(r,c+1)|),

gradV(r,c)＝max(|CFY(r,c)-CFY(r-1,c)|,|CFY(r,c)-CFY(r+1,c)|),

grad(r,c)＝max(gradH(r,c),gradV(r,c))。

梯度模值阈值确定模组103利用计算获得的梯度模值获得梯度模值直方图，并根据梯度模值直方图确定梯度模值阈值。在本发明较佳实施例中，梯度模值的阈值应该是图像内容自适应的。梯度模值阈值确定模组103首先统计得到梯度模值的直方图，然后得到直方图最大值对应的梯度模值，记为grad_peak，最后，计算内容自适应梯度模值的阈值TH_grad＝2*grad_peak+1。

亮度差值直方图确定模组104，对获得的各像素点的亮度差值dist_y，依据获得的梯度模值阈值统计获得当前图像的亮度差值直方图hist_dy。在本发明较佳实施例中，像素的亮度差值dist_y统计到直方图的条件为：梯度模值较小,即grad≤TH_grad。记统计得到的当前图像的亮度差值直方图hist_dy。对于RGB输入图像(0≤R,G,B≤255)，hist_dy有256个统计区间。

噪声估计模组105，基于当前图像的亮度差值直方图计算累积直方图，并基于累积直方图进行当前图像的噪声级别估计，获得噪声级别估计结果。计算累积直方图cumhist_dy：

$cumhist\_dy\left(i\right)=\underset{0\&le;k\&le;i}{\&Sigma;}hist\_dy\left(k\right),0\&le;i\&le;N,$

其中N(如256)为直方图统计区间个数，基于累积直方图，噪声级别可以估计得到：

$nl=\underset{0\&le;i\&le;N}{min}\{cumhist\_dy\left(i\right)\&GreaterEqual;k*num\_stat\}-1,$

其中num_stat为直方图hist_dy统计像素的总数，0<k<1(如k＝0.66)为算法参数。

在此需说明的是，当前图像估计的噪声级别只能给下一幅图像处理中使用，它只能使用前一帧图像估计的噪声级别。

另外，由于像素梯度模值大的像素点的时域相似度检测有可能不准确，所以这样的像素点也不参与亮度差值直方图统计。在本发明较佳实施例中，像素的亮度差值统计到直方图有两个条件：一是梯度模值较小；二是时域相似度较大。因此，在本发明较佳实施例中，噪声级别估计模块10还包括时域距离计算模组106，时域距离计算模组106计算获得当前图像像素和前一帧去噪图像中对应位置像素的时域距离记为dist_t，当时域距离dist_t较小时，像素时域相似度较大。当dist_t＝0时，两个像素完全相同(不考虑噪声的影响)，所以，像素亮度差值统计到直方图还必须满足：dist_t小于某个阈值TH_dt。具体地说，亮度差值直方图确定模组104对获得的各像素点的亮度差值dist_y，应依据获得的梯度模值阈值及时域距离统计获得当前图像的亮度差值直方图hist_dy，具体的，在亮度差值直方图确定模组104中，像素的亮度差值dist_y统计到直方图的两个具体条件如下：

一是梯度模值较小,即grad≤TH_grad；二是时域相似度较大，即dist_t≤TH_dt。

相似性图像去噪在去除噪声的同时，还能不模糊图像细节。空域相似度去噪模块11利用当前图像中与当前像素相似的像素来去噪，相似像素根据相似度进行加权平均，得到去噪结果。可靠的相似度度量会直接影响去噪好坏。像素间的相似度，不仅考虑它们像素值差异，还考虑了像素点局部结构的差异，结构信息的加入使相似度度量更加准确和可靠。

在本发明较佳实施例中，空域相似度去噪模块11进一步包括结构信息计算模组110、结构距离计算模组111、空域距离计算模组112、空域相似度计算模组113以及空域去噪模组114。其中，结构信息计算模组110，计算各像素点的水平和垂直梯度，通过将水平和垂直梯度结合获得各像素点的结构信息。在本发明较佳实施例中，为了更好地表示结构信息，除了计算水平梯度和垂直梯 度，本发明还用它们的差值来表示结构信息。对于离散数字图像中的每个像素点，本发明用两组梯度来两组结构信息。这两组结构信息合起来组成了像素点的结构信息。对于当前图像中任意像素点CF(r,c),1≤r≤图像高度，1≤c≤图像宽度，计算如下的水平和垂直梯度：

gradH0(r,c)＝CFY(r,c)-CFY(r,c-1),

gradH1(r,c)＝CFY(r,c+1)-CFY(r,c),

gradV0(r,c)＝CFY(r,c)-CFY(r-1,c),

gradV1(r,c)＝CFY(r+1,c)-CFY(r,c)。

然后，由计算的梯度组成两组结构信息：

struct0(r,c)＝(gradH0(r,c),gradV0(r,c),gradV0(r,c)-gradH0(r,c))，

struct1(r,c)＝(gradH1(r,c),gradV1(r,c),gradV1(r,c)-gradH1(r,c))。

像素的结构信息由这两组结构信息的联合表示。

结构距离计算模组111利用获得的结构信息获得当前图像中任意两个像素点的结构距离。在本发明较佳实施例中，对于当前图像中任意两个像素点CF(r0,c0)和CF(r1,c1),它们的结构信息分别是(struct0(r0,c0),struct1(r0,c0))和(struct0(r1,c1),struct1(r1,c1))。这两个像素点的结构距离如下：

dist_grad_s＝max(dist_grad0_s,dist_grad1_s)，

其中，

dist_grad0_s＝DIST(struct0(r0,c0),struct0(r1,c1))，

dist_grad1_s＝DIST(struct1(r0,c0),struct1(r1,c1))，

DIST函数的定义为

DIST((a₁,a₂,a₃),(b₁,b₂,b₃))＝max(|a₁-b₁|,|a₂-b₂|,|a₃-b₃|)。

空域距离计算模组112，计算两个像素点的像素值距离，并根据获得的该两个像素点的结构距离，获得该两个像素点的空域距离。具体地，两个像素点的像素值距离为

dist_pxl_s＝DIST((R(r0,c0),G(r0,c0),B(r0,c0)),(R(r1,c1),G(r1,c1),B(r1,c1)))。

其中，DIST函数同上定义。这样，两个像素点的距离(即空域距离)为结构距离和像素值距离之和：

dist_s＝dist_grad_s+dist_pxl_s。

空域相似度计算模组113基于两个像素点的空域距离，根据前一帧估计的噪声级别利用一空域相似度计算公式计算获得该两个像素点的空域相似度smlr_s。在本发明较佳实施例中，空域相似度计算公式为：

$smlr\_s={\exp }^{-\frac{dist\_s}{\mathrm{\&sigma;}}},$

其中，σ＝k*nl,0＜k＜2，nl为前一帧估计的噪声级别。

空域去噪模组114将当前图像从RGB空间转换到YUV空间，在YUV空间根据获得的空域相似度分别对YUV三个分量进行去噪，去噪后再将图像转回RGB颜色空间。具体的，对当前图像的任意像素点CF(r,c)，记其邻域像素坐标集合为Ω。为了更好地去噪，去噪在YUV空间分别对三个分量分别进行。故要先将图像从RGB空间转换到YUV空间，在YUV分量的去噪结束后再转回RGB颜色空间。Y分量的去噪结果Y'_snr(r,c)如下：

$Y^{\&prime;}\_snr(r,c)=\frac{1}{Z}\underset{(i,j)\&Element;\mathrm{\&Omega;}}{\&Sigma;}Y(i,j)*smlr\_s(i,j),$

其中，smlr_s(i,j)为邻域内图像(i,j)位置像素点和当前像素的空域相似度，Z为邻域内像素相似度之和即U分量和V分量的去噪方式类似，在此不予赘述。

时间相似性表示当前图像像素点和前一帧去噪图像中对应位置像素的差异大小。当差异小时，时间相似性强。反之，时间相似性弱。这种像素间的时间相似性对于视频去噪是非常重要的。时间相似像素的存在能使去噪结果在时间轴上的非常稳定，同时保持细节的清晰度。

但是，如果在去噪过程使用了不相似的像素，不仅图像细节会模糊，而且会在去噪结果中引入伪信息。因此，时间相似性度量更为重要和关键。

在本发明较佳实施例中，时域相似度计算模块12进一步包括时域结构信息计算模组120、时域结构距离计算模组121、像素值距离计算模组122、像素时域距离计算模组123以及时域相似度获取模组124。与空域相似度去噪模块类似，对于当前图像中一像素点CF(r,c)及前一帧去噪图像对应位置像素点为P1’(r,c)，时域结构信息计算模组121基于计算的CF(r,c)和P1’(r,c)的梯度，得到它们的时域结构信息；时域结构距离计算模组121根据获得的时域结构信息计算出该两个像素点的时域结构距离dist_grad_t；像素值距离计算模组122用于获得该两个像素点的像素时域像素值距离；像素时域距离计算模组123，根据获得的时域结构距离、像素时域像素值距离以及前一帧估计的噪声级别计算获得像素时域距离；时域相似度获取模组124根据获得的像素时域距离及前一帧估计的噪声级别利用时域相似度计算公式获得当前图像各像素的时域相似度。

具体地，对于当前图像中一像素点CF(r,c)，前一帧去噪图像对应位置像素点为P1’(r,c)，像素值距离计算模组122计算像素时域像素值距离为：

dist_pxl_t＝DIST(P1'(r,c),CF(r,c))，

其中，DIST函数可参见空间相似度去噪模块11。与空间相似度去噪模块一样，时域结构信息计算模组120基于计算的CF(r,c)和P1’(r,c)的梯度，可以得到它们的结构信息，并通过时域结构距离计算模组121计算出时域结构距离dist_grad_t。因为当前图像CF为有噪声图像，前一帧去噪图像P1’为无噪声图像，像素间的时域距离应该减去噪声级别。又因为，当前图像像素和其空域去噪结果的绝对差值(记为diff_snr)也在某种程度上反映了噪声的强弱，所以像素间的时域距离还会减去这个差值。当前图像像素和其空域去噪结果的绝对差值diff_snr如下式计算：

diff_snr＝DIST(CF,CF_snr)，

其中CF为当前图像，CF_snr为当前图像空域相似度去噪结果。所以，减去噪声级别的像素时域距离为：

dist_t_m＝max(0,dist_grad_t+dist_pxl_t-k1*nl-k2*diff_snr)，

其中，0<k1,k2<1，nl为前一帧估计的噪声级别。当然，在本发明较佳实施例中，在获得像素时域距离后，像素时域距离计算模组123还会对计算的时域像素距离进行平滑滤波以增加结果的稳定性。出于实现成本考虑，可以只做水平的平滑滤波，包括均值滤波和中值滤波。滤波之后的像素距离即为最终的像素时域距离记为dist_t。

时域相似度获取模组124根据获得的像素时域距离及前一帧估计的噪声级别利用时域相似度计算公式获得当前图像各像素的时域相似度。

在本发明较佳实施例中，时域相似度计算公式为：

$smlr\_t={\exp }^{-\frac{dist\_t}{\mathrm{\&sigma;}}},$

其中，σ＝k*nl,0＜k＜2，nl为前一帧估计的噪声级别。

递归去噪模块13根据获得的像素时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪。对于视频去噪，3维递归去噪能取得较好去噪效果。3维递归去噪不仅去噪能力强和去噪稳定，而且实现成本较低(只需缓存一幅图像的数据)。3维视频递归去噪法结合了空域去噪和时域去噪优点，基于像素空域和时域相似度来去噪。基于计算的时域相似度，3维递归去噪加权平均空域相似度去噪结果和前一帧去噪结果。如果相似度高，最终的去噪结果用前一帧去噪图像像素。如果，相似度低，加权的结果为空域相似度去噪像素。具体的加权公式如下：

CF'＝smlr_t*(P1'-CF_snr)+P1'，

其中P1’前一帧去噪结果，CF_snr为当前图像空域相似度去噪结果，smlr_t为像素时域相似度。这里，加权平均对YUV分量分别进行。然后，将加权平均结果进行从YUV颜色空间转换到RGB颜色空间。

另外，当原始有噪声图像细节模糊时，去噪图像的细节虽然没有丢失，但并不清晰。为了使去噪图像为更为清晰的边缘，本发明之视频降噪装置还包括选择性增强模块14，用于对去噪图像进行选择性增强。如果所有的像素点都做 增强，去噪图像可能剩余的噪声也会被增强。为了仅仅增强细节而不增强可能的噪声，选择性增强模块14首先计算像素点的梯度模值，然后用梯度模值控制增强的程度，如果梯度模值较小，像素点不作增强，如果像素点梯度模值大小适中，则增强此像素,如果像素梯度模值较大时，因为此处细节已经较强，所有也不做增强。

在本发明较佳实施例中，图像增强只对亮度分量起作用。如果输入是RGB图像，应该先转到YUV空间，对Y分量做增强后，再转回RGB空间。对于去噪后图像，选择性增强模块14在亮度图计算像素点梯度grad(参见噪声级别估计模块10)。然后，计算选择性增强的权重w_enh如下：

将去噪图像和增强图像的加权平均得到选择性增强的结果Y_Enh_sel：

Y_Enh_sel＝w_enh*(Y_Enh-Y_DN)+Y_DN，

其中，Y_Enh图像增强结果，Y_DN为去噪图像。

图2为本发明一种视频降噪方法的步骤流程图，图3为本发明较佳实施例中视频降噪方法的细部流程图。如图2及图3所示，本发明一种视频降噪方法，包括如下步骤：

步骤201，利用前一帧图像的去噪结果及当前图像的梯度模值直方图获得当前图像的亮度差值直方图，根据当前图像的亮度差值直方图对当前图像进行噪声级别估计。

图4为本发明之噪声级别估计的步骤流程图，图5则为本发明较佳实施例中噪声级别估计的细部流程图。如图4及图5所示，步骤201进一步包括如下步骤：

步骤4.1，利用前一帧图像的去噪结果获得当前图像各像素点与前一帧图像对应像素点的亮度差值。

记8比特RGB输入图像(0≤R,G,B≤255,如无特殊说明，以下RGB图像都是此范围)为CF，前一帧图像为P1，前一帧图像去噪结果记为P1’，CF和P1’的亮度分量分别为CFY和P1Y’。对于当前图像像素点CF(r,c)，其亮度差值dist_y如下计算：

dist_y(r,c)＝|CFY(r,c)-P1Y’(r,c)|。

步骤4.2，对当前图像中任意像素点，根据该像素点的4邻域像素获得像素点的梯度模值。

在本发明较佳实施例中，为了简化计算，对于当前图像中任意像素点CF(r,c),1≤r≤图像高度，1≤c≤图像宽度，其梯度模值grad(r,c)利用其4邻域像素进行如下计算：

gradH(r,c)＝max(|CFY(r,c)-CFY(r,c-1)|,|CFY(r,c)-CFY(r,c+1)|),

gradV(r,c)＝max(|CFY(r,c)-CFY(r-1,c)|,|CFY(r,c)-CFY(r+1,c)|),

grad(r,c)＝max(gradH(r,c),gradV(r,c))。

步骤4.3，利用计算获得的梯度模值获得梯度模值直方图，并根据梯度模值直方图确定梯度模值阈值。

在本发明较佳实施例中，梯度模值的阈值是图像内容自适应的。图6为本发明较佳实施例中梯度模阈值计算的流程图。首先，统计得到梯度模值的直方图；然后，得到直方图最大值对应的梯度模值，记为grad_peak；最后，计算内容自适应梯度模的阈值TH_grad＝2*grad_peak+1。

步骤4.4，对获得的各像素点的亮度差值dist_y，依据获得的梯度模值阈值统计获得当前图像的亮度差值直方图hist_dy。

在本发明较佳实施例中，像素的亮度差值dist_y统计到直方图的条件为：梯度模值较小,即grad≤TH_grad。

记统计得到的当前图像的亮度差值直方图hist_dy。对于RGB输入图像(0≤R,G,B≤255)，hist_dy有256个统计区间。

步骤4.5，基于当前图像的亮度差值直方图计算累积直方图，并基于累积 直方图进行当前图像的噪声级别估计，获得噪声级别估计结果。

在本发明较佳实施例中，计算累积直方图cumhist_dy：

$cumhist\_dy\left(i\right)=\underset{0\&le;k\&le;i}{\&Sigma;}hist\_dy\left(k\right),0_i\&le;i\&le;N,$

其中N(如256)为直方图统计区间个数，基于累积直方图，噪声级别可以估计得到：

$nl=\underset{0\&le;i\&le;N}{min}\{cumhist\_dy\left(i\right)\&GreaterEqual;k*num\_stat\}-1,$

其中num_stat为直方图hist_dy统计像素的总数，0<k<1(如k＝0.66)为算法参数。

较佳的，由于像素梯度模值大的像素点的时域相似度检测有可能不准确，所以这样的像素点也不参与亮度差值直方图统计，因此，在步骤4.4之前，还包括如下步骤：

计算获得当前图像各像素与前一帧去噪图像中对应位置像素的时域距离。该时域距离记为dist_t，当时域距离dist_t较小时，像素时域相似度较大。当dist_t＝0时，两个像素完全相同(不考虑噪声的影响)，所以，像素亮度差值统计到直方图还必须满足：dist_t小于某个阈值TH_dt。因此在步骤3.4中，像素的亮度差值dist_y统计到直方图的条件为：

一是梯度模值较小，即grad≤TH_grad；二是时域相似度较大，即dist_t≤TH_dt。

在此，需说明的是，当前图像估计的噪声级别只能给下一幅图像处理中使用，它只能使用前一帧图像估计的噪声级别。

步骤202，计算当前图像中任意两像素点的空域距离，根据前一帧估计的噪声级别获得该任意两像素点的空域相似度，并根据空域相似度对当前图像进行去噪。

图7为本发明之空域相似度去噪步骤的步骤流程图，图8为本发明较佳实施例中空域相似度去噪的细部流程图。如图7及图8所示，步骤202进一步包 括如下步骤：

步骤7.1，计算当前图像各像素点的水平和垂直梯度，通过将水平和垂直梯度结合获得各像素点的结构信息。

像素结构信息可以用梯度来表示。为了更好地表示结构信息，除了计算水平梯度和垂直梯度，本发明还用它们的差值来表示结构信息。对于离散数字图像中的每个像素点，本发明用两组梯度来两组结构信息。这两组结构信息合起来组成了像素点的结构信息。对于当前图像中任意像素点CF(r,c),1≤r≤图像高度，1≤c≤图像宽度，计算如下的水平和垂直梯度：

gradH0(r,c)＝CFY(r,c)-CFY(r,c-1),

gradH1(r,c)＝CFY(r,c+1)-CFY(r,c),

gradV0(r,c)＝CFY(r,c)-CFY(r-1,c),

gradV1(r,c)＝CFY(r+1,c)-CFY(r,c)。

然后，由计算的梯度组成两组结构信息：

struct0(r,c)＝(gradH0(r,c),gradV0(r,c),gradV0(r,c)-gradH0(r,c))，

struct1(r,c)＝(gradH1(r,c),gradV1(r,c),gradV1(r,c)-gradH1(r,c))。

像素的结构信息由这两组结构信息的联合表示。

步骤7.2，利用获得的结构信息获得当前图像中任意两个像素点的结构距离。

在本发明较佳实施例中，对于当前图像中任意两个像素点CF(r0,c0)和CF(r1,c1),它们的结构信息分别是(struct0(r0,c0),struct1(r0,c0))和(struct0(r1,c1),struct1(r1,c1))。这两个像素点的结构距离如下：

dist_grad_s＝max(dist_grad0_s,dist_grad1_s)，

其中，

dist_grad0_s＝DIST(struct0(r0,c0),struct0(r1,c1))，

dist_grad1_s＝DIST(struct1(r0,c0),struct1(r1,c1))，

DIST函数的定义为：

DIST((a₁,a₂,a₃),(b₁,b₂,b₃))＝max(|a₁-b₁|,|a₂-b₂|,|a₃-b₃|)。

步骤7.3，计算该任两个像素点的像素值距离，并根据获得的该两个像素点的结构距离，获得该两个像素点的空域距离。

两个像素点的像素值距离为：

dist_pxl_s＝DIST((R(r0,c0),G(r0,c0),B(r0,c0)),(R(r1,c1),G(r1,c1),B(r1,c1)))。

其中，DIST函数同上定义。这样，两个像素点的距离为结构距离和像素值距离之和：

dist_s＝dist_grad_s+dist_pxl_s。

步骤7.4，基于该两个像素点的空域距离，根据前一帧估计的噪声级别利用一空域相似度计算公式计算获得该两个像素点的空域相似度。

基于该两个像素点的空域距离，它们的空域相似度smlr_s可通过如下空域相似度计算公式计算：

$smlr\_s={\exp }^{-\frac{dist\_s}{\mathrm{\&sigma;}}},$

其中，σ＝k*nl,0＜k＜2，nl为前一帧估计的噪声级别。

步骤7.5，将当前图像从RGB空间转换到YUV空间，在YUV空间根据获得的空域相似度分别对YUV三个分量进行去噪，去噪后再将图像转回RGB颜色空间。

对当前图像的任意像素点CF(r,c)，记其邻域像素坐标集合为Ω。为了更好地去噪，去噪在YUV空间分别对三个分量分别进行。故要先将图像从RGB空间转换到YUV空间，在YUV分量的去噪结束后再转回RGB颜色空间。以Y分量的去噪结果为例，Y分量的去噪结果Y'_snr(r,c)如下：

$Y^{\&prime;}\_snr(r,c)=\frac{1}{Z}\underset{(i,j)\&Element;\mathrm{\&Omega;}}{\&Sigma;}Y(i,j)*smlr\_s(i,j),$

其中，smlr_s(i,j)为邻域内图像(i,j)位置像素点和当前像素的空域相似度，Z为邻域内像素相似度之和即U分量和V分量的去噪过程类似， 在此不予赘述。

步骤203，根据前一帧估计的噪声级别，计算当前图像中任一像素点与前一帧去噪图像对应位置像素点的像素时域距离，并计算出相应的像素时域相似度。

图9为本发明之时域相似度计算的流程图，图10为本发明较佳实施例中时域相似度计算的细部流程图。如图9及图10所示，步骤203进一步包括如下步骤：

步骤9.1，对于当前图像中一像素点CF(r,c)及前一帧去噪图像对应位置像素点为P1’(r,c)，计算获得其水平梯度及垂直梯度，并获得其时域结构信息。在本发明较佳实施例，时域结构信息与步骤7.1中的结构信息计算方式相同，在此不予赘述。

步骤9.2，根据获得的时域结构信息计算出该两个像素点的时域结构距离dist_grad_t。

步骤9.3，获取该两个像素点的像素时域像素值距离。

在本发明较佳实施例中，当前图像中一像素点CF(r,c)，前一帧去噪图像对应位置像素点为P1’(r,c)。该两个像素点的像素时域像素值距离为

dist_pxl_t＝DIST(P1'(r,c),CF(r,c))，

其中，DIST函数参见步骤7.1。

步骤9.4，根据获得的时域结构距离、像素时域像素值距离以及前一帧估计的噪声级别计算获得像素时域距离。

在本发明较佳实施例中，因为当前图像CF为有噪声图像，前一帧去噪图像P1’为无噪声图像，像素间的时域距离应该减去噪声级别。因为，当前图像像素和其空域去噪结果的绝对差值(记为diff_snr)也在某种程度上反映了噪声的强弱，所以像素间的时域距离还会减去这个差值。当前图像像素和其空域去噪结果的绝对差值diff_snr如下式计算：

diff_snr＝DIST(CF,CF_snr)，

其中CF为当前图像，CF_snr为当前图像空域相似度去噪结果。所以，减去噪声级别的像素时域距离为：

dist_t_m＝max(0,dist_grad_t+dist_pxl_t-k1*nl-k2*diff_snr)，

其中，0<k1,k2<1，nl为前一帧估计的噪声级别。较佳的，为了实现更好的去噪效果，在步骤9.4中，还需对计算的时域像素距离进行平滑滤波以增加结果的稳定性。为了实现成本考虑，可以只做水平的平滑滤波，包括均值滤波和中值滤波。滤波之后的像素距离即为最终的像素时域距离记为dist_t。

步骤9.5，根据获得的像素时域距离及前一帧估计的噪声级别利用时域相似度计算公式获得当前图像各像素的时域相似度。

在本发明较佳实施例中，时域相似度计算公式为：

$smlr\_t={\exp }^{-\frac{dist\_t}{\mathrm{\&sigma;}}},$

其中，σ＝k*nl,0＜k＜2，nl为前一帧估计的噪声级别。

步骤204，根据获得的像素时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪。

对于视频去噪，3维递归去噪方法能取得较好去噪效果。此方法不仅去噪能力强和去噪稳定，而且实现成本较低(只需缓存一幅图像的数据)。3维视频递归去噪法结合了空域去噪和时域去噪优点，基于像素空域和时域相似度进行去噪。在本发明中，基于计算的时域相似度、3维递归去噪加权平均空域相似度去噪结果和前一帧去噪结果，如果相似度高，最终的去噪结果用前一帧去噪图像像素。如果，相似度低，加权的结果为空域相似度去噪像素。在本发明较佳实施例中，具体的加权公式如下：

CF'＝smlr_t*(P1'-CF_snr)+P1'，

其中P1’前一帧去噪结果，CF_snr为当前图像空域相似度去噪结果，smlr_t为像素时域相似度。这里，加权平均对YUV分量分别进行。然后，将加权平均结果进行从YUV颜色空间转换到RGB颜色空间。

较佳的，当原始有噪声图像细节模糊时，去噪图像的细节虽然没有丢失，但并不清晰。因此为了使去噪图像为更为清晰的边缘，本发明之视频降噪方法于步骤204之后，还包括如下步骤：

步骤205，对去噪图像进行选择性增强。

由于如果所有的像素点都做增强，去噪图像可能剩余的噪声也会被增强。为了仅仅增强细节而不增强可能的噪声，本发明首先计算像素点的梯度模值，然后用梯度模值控制增强的程度,如果梯度模值较小，像素点不作增强,如果像素点梯度模值大小适中，则增强此像素。如果像素梯度模值较大时，因为此处细节已经较强，所以也不做增强。

图11为本发明较佳实施例中图像选择性增强的细部流程图。在本发明较佳实施例中，图像增强只对亮度分量起作用。如果输入是RGB图像，应该先转到YUV空间，对Y分量做增强后，再转回RGB空间。对于去噪后图像，首先在亮度图计算像素点梯度grad(见噪声级别估计部分)。然后，计算选择性增强的权重w_enh如下(曲线形状见图12所示)：

最后，去噪图像和增强图像的加权平均得到选择性增强的结果Y_Enh_sel：

Y_Enh_sel＝w_enh*(Y_Enh-Y_DN)+Y_DN，

其中，Y_Enh图像增强结果，Y_DN为去噪图像。

可见，本发明提出了一种对复杂强噪声(如红外图像噪声)行之有效的去噪方法，本发明的主要的思想是基于像素的相似性。视频图像中的任何一个像素点，由于信息的空间和时间冗余性，会在当前图像中和前一帧图像中存在相似(甚至相同)的像素。本发明提出了计算像素空间和时间相似性的鲁棒方法。基于这种相似性来去噪，可以去掉噪声的同时保持图像细节。在估计了噪声级别后，再进行空间域相似度去噪和计算时间域相似度，然后进行3维递归去噪。 去噪之后还有细节增强，故最终处理结果不但去除了噪声而且还有更好的细节辨识度，极大地提升的视频图像质量，另外，整个去噪过程具有简单高效稳定的特点，非常利于硬件实现和产品化。

综上所述，本发明一种视频降噪装置及方法利用像素在空间上(当前图像)和时间上(以前图像)的相关性进行3维递归去噪，既能去掉较强的复杂噪声和保持图像细节，还能保证去噪效果的稳定性，在去噪之后，本发明还对视频图像进行选择性增强处理，这样可以增强细节，却不会增强可能剩余的噪声。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (26)

1.一种视频降噪装置，至少包括：

噪声级别估计模块，利用前一帧图像的去噪结果及当前图像的梯度模值直方图获得当前图像的亮度差值直方图，并根据当前图像的亮度差值直方图对当前图像进行噪声级别估计；

空域相似度去噪模块，计算当前图像中任意两像素点的空域距离，根据前一帧估计的噪声级别获得该任意两像素点的空域相似度，并根据空域相似度对当前图像进行去噪；

时域相似度计算模块，根据前一帧估计的噪声级别，计算当前图像中任一像素点与前一帧去噪图像对应位置像素点的像素时域距离，并获得相应的像素时域相似度；

递归去噪模块，根据获得的像素时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪。

2.如权利要求1所述的视频降噪装置，其特征在于，该噪声级别估计模块包括：

亮度差值计算模组，利用前一帧图像的去噪结果计算获得当前图像各像素点与前一帧图像对应像素点的亮度差值；

梯度模值计算模组，对当前图像中任意像素点，根据该像素点的4邻域像素获得该像素点的梯度模值；

梯度模值阈值确定模组，利用计算获得的梯度模值获得梯度模值直方图，并根据梯度模值直方图确定梯度模值的阈值；

亮度差值直方图确定模组，对获得的各像素点的亮度差值，依据获得的梯度模值阈值统计获得当前图像的亮度差值直方图；

噪声估计模组，基于当前图像的亮度差值直方图计算累积直方图，并基于累积直方图进行当前图像的噪声级别估计，获得噪声级别估计结果。

3.如权利要求2所述的视频降噪装置，其特征在于：该噪声级别估计模块还包括时域距离计算模组，该时域距离计算模组用于计算获取当前图像各像素与前一帧去噪图像中对应位置像素的时域距离，该亮度差值直方图确定模组依据获得的梯度模值阈值及时域距离，对获得的各像素点的亮度差值进行统计确定当前图像的亮度差值直方图。

4.如权利要求3所述的视频降噪装置，其特征在于：像素的亮度差值统计到亮度差值直方图满足以下两个条件：

一是该像素的梯度模值小于或等于梯度模值阈值，二是该像素与前一帧去噪图像中对应位置像素的时域距离小于或等于一预定阈值。

5.如权利要求1所述的视频降噪装置，其特征在于：当前图像估计的噪声级别只能给下一幅图像处理中使用，当前图像只能使用前一帧图像估计的噪声级别。

6.如权利要求1所述的视频降噪装置，其特征在于，该空域相似度去噪模块包括：

结构信息计算模组，计算当前图像各像素点的水平和垂直梯度，通过将水平和垂直梯度结合获得各像素点的结构信息；

结构距离计算模组，利用获得的结构信息获得当前图像中任意两个像素点的结构距离；

空域距离计算模组，计算两个像素点的像素值距离，并根据获得的该两个像素点的结构距离，获得该两个像素点的空域距离；

空域相似度计算模组，基于两个像素点的空域距离，根据前一帧估计的噪声级别利用一空域相似度计算公式计算获得该两个像素点的空域相似度；

空域去噪模组，将当前图像从RGB空间转换到YUV空间，在YUV空间根据获得的空域相似度分别对YUV三个分量进行去噪，去噪后再将图像转回RGB颜色空间。

7.如权利要求6所述的视频降噪装置，其特征在于：该结构信息计算模组利用各像素点水平梯度和垂直梯度的差值来表示结构信息。

8.如权利要求7所述的视频降噪装置，其特征在于，该空域相似度计算公式为：

$smlr\_s={\exp }^{-\frac{dist\_s}{\mathrm{\&sigma;}}},$

其中，σ＝k*nl,0＜k＜2，dist_s为两个像素点的空域距离，nl为前一帧估计的噪声级别，dist_s＝dist_grad_s+dist_pxl_s，dist_grad_s为两个像素点的结构距离，dist_pxl_s为两个像素点的像素值距离。

9.如权利要求6所述的视频降噪装置，其特征在于，该空域去噪模组对Y分量的去噪结果Y'_snr(r,c)如下：

$Y^{\&prime;}\_snr(r,c)=\frac{1}{Z}\underset{(i,j)\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}Y(i,j)*smlr\_s(i,j),$

其中，smlr_s(i,j)为邻域内图像(i,j)位置像素点和当前像素的空域相似度，Z为邻域内像素相似度之和，即邻域像素坐标集合为Ω。

10.如权利要求1所述的视频降噪装置，其特征在于，该时域相似度计算模块包括：

时域结构信息计算模组，基于当前图像中像素点及前一帧去噪图像对应位置像素点的梯度，得到它们的时域结构信息；

时域结构距离计算模组，根据获得的时域结构信息计算出当前图像中像素点及前一帧去噪图像对应位置像素点的时域结构距离；

像素值距离计算模组，用于获得当前图像中像素点及前一帧去噪图像对应位置像素点的像素时域像素值距离；

像素时域距离计算模组，根据获得的时域结构距离、像素时域像素值距离以及前一帧估计的噪声级别计算获得当前图像中像素点与前一帧去噪图像对应位置像素点的像素时域距离；

时域相似度获取模组，根据获得的像素时域距离及前一帧估计的噪声级别利用时域相似度计算公式获得当前图像各像素的时域相似度。

11.如权利要求10所述的视频降噪装置，其特征在于，该像素时域距离为：

dist_t_m＝max(0,dist_grad_t+dist_pxl_t-k1*nl-k2*diff_snr)

其中，0<k1,k2<1，nl为前一帧估计的噪声级别，dist_grad_t为两个像素点的时域结构距离，dist_pxl_t为两个像素点的像素时域像素值距离，diff_snr为当前图像像素和其空域去噪结果的绝对差值。

12.如权利要求11所述的视频降噪装置，其特征在于：在获得像素时域距离后，该像素时域距离计算模组还对计算的时域像素距离进行平滑滤波以增加结果的稳定性。

13.如权利要求12所述的视频降噪装置，其特征在于，该时域相似度计算公式为：

$smlr\_t={\exp }^{-\frac{dist\_t}{\mathrm{\&sigma;}}},$

其中，σ＝k*nl,0＜k＜2，nl为前一帧估计的噪声级别，dist_t为滤波后的像素时域距离。

14.如权利要求1所述的视频降噪装置，其特征在于:该递归去噪模块利用如下加权公式进行三维递归去噪：

CF'＝smlr_t*(P1'-CF_snr)+P1'，

其中P1’前一帧去噪结果，CF_snr为当前图像空域相似度去噪结果，smlr_t为像素时域相似度。

15.如权利要求1所述的视频降噪装置，其特征在于：该视频降噪装置还包括选择性增强模块，用于对去噪图像进行选择性增强。

16.如权利要求15所述的视频降噪装置，其特征在于：该选择性增强模块计算像素点的梯度模值，利用梯度模值控制增强的程度，若梯度模值较小，像素点不作增强，若像素点梯度模值大小适中，则增强此像素，若像素梯度模值较大时，也不做增强。

17.一种视频降噪方法，包括如下步骤：

步骤一，利用前一帧图像的去噪结果及当前图像的梯度模值直方图获得当前图像的亮度差值直方图，根据当前图像的亮度差值直方图对当前图像进行噪声级别估计；

步骤二，计算当前图像中任意两像素点的空域距离，根据前一帧估计的噪声级别获得该任意两像素点的空域相似度，并根据空域相似度对当前图像进行去噪；

步骤三，根据前一帧估计的噪声级别，计算当前图像中任一像素点与前一帧去噪图像对应位置像素点的像素时域距离，并计算出相应的像素时域相似度；

步骤四，根据获得的像素时域相似度、空域相似度去噪结果以及前一帧去噪结果对视频图像进行三维递归去噪。

18.如权利要求17所述的一种视频降噪方法，其特征在于，该步骤一还包括如下步骤：

利用前一帧图像的去噪结果获得当前图像各像素点与前一帧图像对应像素点的亮度差值；

对当前图像中任意像素点，根据该像素点的4邻域像素获得像素点的梯度模值；

利用计算获得的梯度模值获得梯度模值直方图，并根据梯度模值直方图确定梯度模值阈值；

对获得的各像素点的亮度差值，依据获得的梯度模值阈值统计获得当前图像的亮度差值直方图；

基于当前图像的亮度差值直方图计算累积直方图，并基于累积直方图进行当前图像的噪声级别估计，获得噪声级别估计结果。

19.如权利要求18所述的一种视频降噪方法，其特征在于：在统计获得当前图像的亮度差值直方图步骤前还包括计算获得当前图像各像素与前一帧去噪图像中对应位置像素的时域距离的步骤，同时，在获取当前图像的亮度差值直方图的步骤中，依据获得的梯度模值阈值及时域距离，对获得的各像素点的亮度差值统计确定当前图像的亮度差值直方图。

20.如权利要求19所述的一种视频降噪方法，其特征在于，像素的亮度差值统计到亮度差值直方图满足以下两个条件：

一是该像素的梯度模值小于或等于梯度模值阈值，二是该像素与前一帧去噪图像中对应位置像素的时域距离小于或等于一预定阈值。

21.如权利要求17所述的一种视频降噪方法，其特征在于，该步骤二还包括如下步骤：

计算当前图像各像素点的水平和垂直梯度，通过将水平和垂直梯度结合获得各像素点的结构信息；

利用获得的结构信息获得当前图像中任意两个像素点的结构距离；

计算该任意两个像素点的像素值距离，并根据获得的该两个像素点的结构距离，获得该两个像素点的空域距离；

基于该两个像素点的空域距离，根据前一帧估计的噪声级别利用一空域相似度计算公式计算获得该两个像素点的空域相似度；

将当前图像从RGB空间转换到YUV空间，在YUV空间根据获得的空域相似度分别对YUV三个分量进行去噪，去噪后再将图像转回RGB颜色空间。

22.如权利要求17所述的一种视频降噪方法，其特征在于：该步骤三还包括如下步骤：

对于当前图像中一像素点及前一帧去噪图像对应位置像素点，计算获得其水平梯度及垂直梯度，并获得其时域结构信息；

根据获得的时域结构信息计算出该两个像素点的时域结构距离；

获取该两个像素点的像素时域像素值距离；

根据获得的时域结构距离、像素时域像素值距离以及前一帧估计的噪声级别计算获得像素时域距离；

根据获得的像素时域距离及前一帧估计的噪声级别利用时域相似度计算公式获得当前图像各像素的时域相似度。

23.如权利要求22所述的一种视频降噪方法，其特征在于：获得像素时域距离后，还需对该像素时域距离进行平滑滤波以增加结果的稳定性。

24.如权利要求17所述的一种视频降噪方法，其特征在于，于步骤四中，利用如下加权公式进行三维递归去噪：

CF'＝smlr_t*(P1'-CF_snr)+P1'，

其中P1’前一帧去噪结果，CF_snr为当前图像空域相似度去噪结果，smlr_t为像素时域相似度。

25.如权利要求17所述的一种视频降噪方法，其特征在于：步骤四之后，还包括对去噪图像进行选择性增强的步骤。

26.如权利要求17所述的一种视频降噪方法，其特征在于，该对去噪图像进行选择性增强的步骤包括如下步骤：

首先在亮度图计算像素点梯度grad，

计算选择性增强的权重w_enh，

去噪图像和增强图像的加权平均得到选择性增强的结果Y_Enh_sel，

Y_Enh_sel＝w_enh*(Y_Enh-Y_DN)+Y_DN，

其中，Y_Enh图像增强结果，Y_DN为去噪图像。