CN103888638A - 基于引导滤波和非局部平均滤波的时空域自适应去噪方法 - Google Patents

Abstract

本发明公开了一种基于引导滤波和非局部平均滤波的时空域自适应去噪方法，该方法包括如下步骤：1、输入视频，对t₀、t₁时刻图像进行非局部平均滤波，得到引导图像I_guide，输出处理后图像；2、从t₂时刻开始，将t_n时刻图像分为静止区域A₁和运动区域A₂；3、对静止区域作引导滤波，得到静止区域滤波图像output_static；4、计算运动区域空间域滤波系数；5、计算运动区域时域滤波系数；6、计算综合滤波系数；7、根据综合滤波系数对图像进行自适应滤波，得到时空域滤波图像output_moving；8、综合静止区域和运动区域滤波图像，得到综合滤波图像output，输出output，更新引导图像I_guide。本发明通过将图像分为静止区域和运动区域，然后针对不同区域运用不同的去噪方法，使得图像的质量得到改善。

Description

基于引导滤波和非局部平均滤波的时空域自适应去噪方法

技术领域

本发明涉及一种监控视频的预处理方法，尤其涉及一种基于引导滤波和非局部平均滤波的时空域自适应去噪方法。

背景技术

针对监控视频，由于光线弱等原因会受到各种噪声的影响从而导致图像质量降低，这为后续的图像处理（如目标跟踪、识别等）增加了难度。视频图像去噪作为图像预处理的一种方法能有效的改善被噪声污染的图像，具有广泛的应用价值。

视频图像去噪的关键点在于尽可能保持图像信息的完整性，同时又能够滤去干扰信号。图像去噪最初是以线性方式来实现的，例如均值滤波。但是它对非平坦区域很敏感，主要表现在模糊边缘和结构上。线性滤波的缺点促进了非线性滤波器的发展，非线性滤波器能够在去除噪声的同时，最大限度的保留原图像信号的细节信息，恢复后的图像更加清晰、逼真，因此得到了广泛的应用和研究。目前比较好的去噪方法主要有全变分算法、双边滤波、引导滤波、非局部平均滤波等。其中非局部平均滤波是目前相对而言去噪效果最好的一种方法，但由于它对每一个像素点都进行全局搜索以及权重值计算，计算量过于庞大，实际应用存在困难。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于引导滤波和非局部平均滤波的时空域自适应去噪方法。

本发明的目的是通过以下技术方案来实现的，一种基于引导滤波和非局部平均滤波的时空域自适应去噪方法，包括以下步骤：

（1）输入视频为YUV格式，对t₀、t₁时刻图像进行非局部平均滤波，输出处理后的YUV图像，并将t₁时刻滤波后的图像作为引导图像I_guide；

（2）从t₂时刻开始，将t_n时刻图像与t_n-1时刻和t_n-2时刻两幅图像用3帧SAD差分法进行比较，将所有静止的像素点所组成的区域命名为静止区域A₁，将所有运动的像素点所组成的区域命名为运动区域A₂；

（3）对静止区域A₁作引导滤波，得到t_n时刻静止区域滤波结果output_static_tn；

（4）利用非局部平均滤波（NLM）计算运动区域A₂空间域滤波系数，得到空间域权重值sweight1和空间域均值average1；

（5）利用非局部平均滤波（NLM）计算运动区域A₂时域滤波系数，得到时间域权重值sweight2和时间域均值average2；

（6）根据时、空域的滤波系数计算综合滤波系数W_t和W_s，其中W_t表示时域信息所占比例，W_s表示空域信息所占比例；

（7）根据综合滤波系数W_t和W_s对图像进行自适应滤波，得到t_n时刻时空域滤波图像output_moving_tn；

（8）综合静止区域和运动区域滤波结果，得到t_n时刻综合滤波图像output_tn，输出图像output_tn，并将output_tn作为引导图像I_guide；

（9）更新引导图像：I_guide=output_tn，重复步骤2-8，依次处理后续的视频图像，最终完成整个视频的噪声处理工作。

进一步地，在步骤1）中，所述引导图像I_guide为：

I_guide=output_t1

其中，output_t1为t₁时刻的图像经过非局部平均滤波后的图像；

对于当前要处理的图像中任一像素点i，经过非局部平均滤波后的结果为：

${\mathrm{output}}_{t_1}\left(i\right)=\frac{\underset{A}{\mathrm{\Σ}}w(i,j)Y_{t_1}\left(j\right)}{\underset{A}{\mathrm{\Σ}}w(i,j)}$

$w(i,j)=\exp \{-\underset{m\∈B}{\mathrm{\Σ}}{|Y_{t_1}(i+m)-Y_{t_1}(j+m)|}^2/h^2*n\left(B\right)\}$

其中，Y_t1(j)为t₁时刻的图像像素点j的灰度值，w(i,j)为像素点i与j之间的灰度值相似性权值，A为图像大小，B为以当前像素点为中心的相似性邻域窗口，m为邻域B中像素点，n(B)为邻域B中像素点个数，h为滤波控制参数，它的大小控制着滤波的程度。

之所以前两帧图像用非局部平均滤波算法来进行去噪，是因为前两帧图像没有前面的图像来进行3帧SAD差分法比较，本发明中直接用非局部平均滤波来处理t₀和t₁时刻的图像，于是得到t₀和t₁时刻图像中的像素点i滤波结果分别为：

${\mathrm{output}}_{t_0}\left(i\right)=\frac{\underset{A}{\mathrm{\Σ}}w(i,j)Y_{t_0}\left(j\right)}{\underset{A}{\mathrm{\Σ}}w(i,j)}$

${\mathrm{output}}_{t_1}\left(i\right)=\frac{\underset{A}{\mathrm{\Σ}}w(i,j)Y_{t_1}\left(j\right)}{\underset{A}{\mathrm{\Σ}}w(i,j)}$

在步骤2）中，所述从t₂时刻开始，将t_n时刻图像与t_n-1时刻和t_n-2时刻两幅图像用3帧SAD差分法进行比较，将所有静止的像素点所组成的区域命名为静止区域A₁，将所有运动的像素点所组成的区域命名为运动区域A₂，其具体方法为：

若对于t_n时刻图像中像素点i满足条件：

SAD(|Y_tn(i)-Y_tn-1(i)|)>MaxSAD和SAD(Y_tn(i)-Y_tn-2(i)|)>MaxSAD

则说明像素点i为运动状态，由所有处于运动状态的像素点组成的区域为运动区域A₂，其他区域则为静止区域A₁；

在步骤3）中，所述对静止区域A₁作引导滤波，得到t_n时刻静止区域滤波结果output_static_tn，其具体方法为：

引导滤波的关键在于假设在输出图像和引导图像之间存在一种线性关系：

$\mathrm{output}\_{\mathrm{static}}_{t_n}\left(i\right)=q_{t_n}\left(i\right)=a_k{I}_{\mathrm{quide}}\left(i\right)+b_k,\∀i\∈{\mathrm{\ω}}_k$

$a_k=\frac{\frac{1}{\left|\mathrm{\ω}\right|}{\mathrm{\Σ}}_{{i\∈\mathrm{\ω}}_k}{I}_{\mathrm{quide}}\left(i\right)Y_{t_n}\left(i\right)-{\mathrm{\μ}}_k{\stackrel{\‾}{Y}}_k}{{{\mathrm{\σ}}_k}^2+\mathrm{\ϵ}}$

$b_k={\stackrel{\‾}{Y}}_k-a_k{\mathrm{\μ}}_k$

其中，i为像素点，I_guide为之前获得的引导图像，q_tn(i)为t_n时刻图像中像素点i的滤波结果，ω_k为搜索窗口，|ω|是窗口ω_k内的像素点个数，μ_k和σ_k ²为引导图像I_guide在窗口ω_k内的均值和方差，

为t_n时刻图像在窗口ω_k内的均值，ε为平滑因子；

通过对视频图像进行静止区域和运动区域的划分，并针对运动区域运用引导滤波来代替非局部平均滤波，大大降低了去噪的计算量，使得该去噪方法得以应用在实际运用中。

在步骤4）中，所述利用非局部平均滤波（NLM）计算运动区域A₂空间域滤波系数，得到空间域权重值sweight1和空间域均值average1，其具体方法为：

利用改进的非局部平均滤波算法，它结合了双边滤波的特点，在考虑两两像素点间的像素值的大小的同时，又考虑了两两像素点间的位置信息；具体权重函数公式如下：

$w(i,j)=\exp \{-(-\frac{{\left|\right|{\stackrel{\→}{x}}_i-{\stackrel{\→}{x}}_j\left|\right|}^2}{2{\mathrm{\σ}}^2})\underset{p\∈m}{\mathrm{\Σ}}(-\frac{{\left|\right|Y_{t_n}(i+m)-Y_{t_n}(j+m)\left|\right|}^2}{h^2*n\left(B\right)})\}$

其中，B为以当前像素点为中心相似性邻域窗口，m为邻域B中像素点，n(B)为邻域B中像素点个数，h为滤波控制参数，它的大小控制着滤波的程度，

和

分别表示了像素点i和j的空间位置。

对t_n时刻图像中任一像素点i：

$\mathrm{sweight}1\left(i\right)=\underset{B}{\mathrm{\Σ}}w(i,j)$

$\mathrm{average}1\left(i\right)=\underset{B}{\mathrm{\Σ}}w(i,j)Y_{t_n}\left(i\right),Y_{t_n}\left(i\right)$ 为t_n时刻图像中像素点i的灰度值

在步骤5）中，所述利用非局部平均滤波（NLM）计算运动区域A₂时域滤波系数，得到时间域权重值sweight2和时间域均值average2，其具体方法为：

针对t_n时刻图像中像素点i，搜索t_n-1时刻图像中运动区域A₂，将t_n-1时刻A₂中所有像素点的邻域同像素点i的邻域进行相似性比较，得到t_n时刻图像中像素点i时间域权重值sweight2(i)和时间域均值average2(i)：

$\mathrm{sweight}2\left(i\right)=\underset{A_2}{\mathrm{\Σ}}w(i,j)$

$\mathrm{sweight}2\left(i\right)=\underset{A_2}{\mathrm{\Σ}}w(i,j)Y_{t_n}\left(i\right)$

其中，A₂为t_n-1时刻图像中运动区域，Y_tn(i)为t_n时刻图像中像素点i的灰度值；

在步骤6）中，所述根据时、空域的滤波系数计算综合滤波系数W_t和W_s，其中W_t表示时域信息所占比例，W_s表示空域信息所占比例，其具体方法为：

对t_n时刻图像中任意像素点i

$W_s\left(i\right)=\frac{\mathrm{sweight}1\left(i\right)}{\mathrm{sweight}1\left(i\right)+\mathrm{sweight}2\left(i\right)}$

$W_t\left(i\right)=\frac{\mathrm{sweight}2\left(i\right)}{\mathrm{sweight}1\left(i\right)+\mathrm{sweight}2\left(i\right)}=1-W_s\left(i\right)$

步骤7）中，所述根据综合滤波系数对图像进行自适应滤波，得到t_n时刻时空域滤波图像output_moving_tn，其具体方法为：

t_n时刻图像中像素点i的时空域滤波结果为：

output_mov^wng_tn(i)=W_s(i)×average1(i)+W_t(i)×average2(i)

在步骤8）中，所述综合静止区域和运动区域滤波结果，得到综合滤波图像output_tn，输出图像output_tn，并将output_tn作为引导图像I_guide，其具体方法为：

t_n时刻图像中像素点i的综合滤波结果为：

${\mathrm{output}}_{t_n}\left(i\right)=\underset{A}{\mathrm{\Σ}}(\mathrm{output}\_{\mathrm{static}}_{t_n}\left(i\right)+\mathrm{output}\_{\mathrm{moving}}_{t_n}\left(i\right))$

本发明的有益效果是，本发明提出了一种基于引导滤波和非局部平均滤波的时空域自适应去噪方法，利用3帧SAD差分法将图像分为静止区域和运动区域，在静止区域运用引导滤波，在运动区域运用时空域自适应非局部平均滤波。本发明去噪效果好，可以很好的运用到实际应用中。

附图说明

图1是本发明的流程图；

图2是视频每一帧图像的具体实施过程图。

具体实施方式

本发明基于引导滤波和非局部平均滤波的时空域自适应去噪方法，包括以下步骤：

1、输入视频，输入的视频为YUV格式，对t₀、t₁时刻图像进行非局部平均滤波（NLM），输出处理后的YUV图像，并将t₁时刻滤波后的图像作为引导图像I_guide；

所述引导图像I_guide为：

I_guide=output_t1

其中，output_t1为t₁时刻的图像经过非局部平均滤波后的图像；

对于当前要处理的图像中任一像素点i，经过非局部平均滤波后的结果为：

${\mathrm{output}}_{t_1}\left(i\right)=\frac{\underset{A}{\mathrm{\Σ}}w(i,j)Y_{t_1}\left(j\right)}{\underset{A}{\mathrm{\Σ}}w(i,j)}$

$w(i,j)=\exp \{-\underset{m\∈B}{\mathrm{\Σ}}{|Y_{t_1}(i+m)-Y_{t_1}(j+m)|}^2/h^2*n\left(B\right)\}$

其中，Y_t1(j)为t₁时刻的图像像素点j的灰度值，w(i,j)为像素点i与j之间的灰度值相似性权值，A为图像大小，B为以当前像素点为中心的相似性邻域窗口，m为邻域B中像素点，n(B)为邻域B中像素点个数，h为滤波控制参数，它的大小控制着滤波的程度。

之所以前两帧图像用非局部平均滤波算法来进行去噪，是因为前两帧图像没有前面的图像来进行3帧SAD差分法比较，本发明中直接用非局部平均滤波来处理t₀和t₁时刻的图像，于是得到t₀和t₁时刻图像中的像素点i滤波结果分别为：

${\mathrm{output}}_{t_0}\left(i\right)=\frac{\underset{A}{\mathrm{\Σ}}w(i,j)Y_{t_0}\left(j\right)}{\underset{A}{\mathrm{\Σ}}w(i,j)}$

${\mathrm{output}}_{t_1}\left(i\right)=\frac{\underset{A}{\mathrm{\Σ}}w(i,j)Y_{t_1}\left(j\right)}{\underset{A}{\mathrm{\Σ}}w(i,j)}$

2、从t₂时刻开始，将t_n时刻图像与t_n-1时刻和t_n-2时刻两幅图像用3帧SAD差分法进行比较，将所有静止的像素点所组成的区域命名为静止区域A₁，将所有运动的像素点所组成的区域命名为运动区域A₂；

所述从t₂时刻开始，将t_n时刻图像与t_n-1时刻和t_n-2时刻两幅图像用3帧SAD差分法进行比较，将所有静止的像素点所组成的区域命名为静止区域A₁，将所有运动的像素点所组成的区域命名为运动区域A₂，其具体方法为：

若对于t_n时刻图像中像素点i满足条件：

SAD(Y_tn(i)-Y_tn-1(i)|)>MaxSAD和SAD(|Y_tn(i)-Y_tn-2(i)|)>MaxSAD

则说明像素点i为运动状态，由所有处于运动状态的像素点组成的区域为运动区域A₂，其他区域则为静止区域A₁。

3、对静止区域A₁作引导滤波，得到tn时刻静止区域滤波结果output_static_tn；

所述对静止区域A₁作引导滤波，得到t_n时刻静止区域滤波结果output_static_tn，其具体方法为：

引导滤波的关键在于假设在输出图像和引导图像之间存在一种线性关系：

$\mathrm{output}\_{\mathrm{static}}_{t_n}\left(i\right)=q_{t_n}\left(i\right)=a_k{I}_{\mathrm{quide}}\left(i\right)+b_k,\∀i\∈{\mathrm{\ω}}_k$

$a_k=\frac{\frac{1}{\left|\mathrm{\ω}\right|}{\mathrm{\Σ}}_{{i\∈\mathrm{\ω}}_k}{I}_{\mathrm{quide}}\left(i\right)Y_{t_n}\left(i\right)-{\mathrm{\μ}}_k{\stackrel{\‾}{Y}}_k}{{{\mathrm{\σ}}_k}^2+\mathrm{\ϵ}}$

$b_k={\stackrel{\‾}{Y}}_k-a_k{\mathrm{\μ}}_k$

其中，i为像素点，I_guide为之前获得的引导图像，q_tn(i)为t_n时刻图像中像素点i的滤波结果，ω_k为搜索窗口，|ω|是窗口ω_k内的像素点个数，μ_k和σ_k ²为引导图像I_guide在窗口ω_k内的均值和方差，

为t_n时刻图像在窗口ω_k内的均值，ε为平滑因子。

4、利用非局部平均滤波计算运动区域A₂空间域滤波系数，得到空间域权重值sweight1和空间域均值average1；

所述利用非局部平均滤波（NLM）计算运动区域A₂空间域滤波系数，得到空间域权重值sweight1和空间域均值average1，其具体方法为：

利用改进的非局部平均滤波算法，它结合了双边滤波的特点，在考虑两两像素点间的像素值的大小的同时，又考虑了两两像素点间的位置信息；具体权重函数公式如下：

$w(i,j)=\exp \{-(-\frac{{\left|\right|{\stackrel{\→}{x}}_i-{\stackrel{\→}{x}}_j\left|\right|}^2}{2{\mathrm{\σ}}^2})\underset{p\∈m}{\mathrm{\Σ}}(-\frac{{\left|\right|Y_{t_n}(i+m)-Y_{t_n}(j+m)\left|\right|}^2}{h^2*n\left(B\right)})\}$

其中，B为以当前像素点为中心相似性邻域窗口，m为邻域B中像素点，n(B)为邻域B中像素点个数，h为滤波控制参数，它的大小控制着滤波的程度，和

分别表示了像素点i和j的空间位置。

对t_n时刻图像中任一像素点i：

$\mathrm{sweight}1\left(i\right)=\underset{B}{\mathrm{\Σ}}w(i,j)$

$\mathrm{average}1\left(i\right)=\underset{B}{\mathrm{\Σ}}w(i,j)Y_{t_n}\left(i\right),Y_{t_n}\left(i\right)$ 为t_n时刻图像中像素点i的灰度值。

5、利用非局部平均滤波（NLM）计算运动区域A₂时域滤波系数，得到时间域权重值sweight2和时间域均值average2；

在步骤5）中，所述利用非局部平均滤波（NLM）计算运动区域A₂时域滤波系数，得到时间域权重值sweight2和时间域均值average2，其具体方法为：

针对t_n时刻图像中像素点i，搜索t_n-1时刻图像中运动区域A₂，将t_n-1时刻A₂中所有像素点的邻域同像素点i的邻域进行相似性比较，得到t_n时刻图像中像素点i时间域权重值sweight2(i)和时间域均值average2(i)：

$\mathrm{sweight}2\left(i\right)=\underset{A_2}{\mathrm{\Σ}}w(i,j)$

$\mathrm{average}2\left(i\right)=\underset{A_2}{\mathrm{\Σ}}w(i,j)Y_{t_n}\left(i\right)$

其中，A₂为t_n-1时刻图像中运动区域，Y_tn(i)为t_n时刻图像中像素点i的灰度值；

6、根据时、空域的滤波系数计算综合滤波系数W_t和W_s，其中W_t表示时域信息所占比例，W_s表示空域信息所占比例；

所述根据时、空域的滤波系数计算综合滤波系数W_t和W_s，其中W_t表示时域信息所占比例，W_s表示空域信息所占比例，其具体方法为：

对t_n时刻图像中任意像素点i

$W_s\left(i\right)=\frac{\mathrm{sweight}1\left(i\right)}{\mathrm{sweight}1\left(i\right)+\mathrm{sweight}2\left(i\right)}$

$W_t\left(i\right)=\frac{\mathrm{sweight}2\left(i\right)}{\mathrm{sweight}1\left(i\right)+\mathrm{sweight}2\left(i\right)}=1-W_s\left(i\right)$

7、根据综合滤波系数W_t和W_s对图像进行自适应滤波，得到t_n时刻时空域滤波图像output_moving_tn；

t_n时刻图像中像素点i的时空域滤波结果为：

output_moving_tn(i)=W_s(i)×average1(i)+W_t(i)×average2(i)；

由处理过的像素点所组成的图像即为时空域滤波图像output_moving_tn。

8、综合静止区域和运动区域滤波结果，得到t_n时刻综合滤波图像output_tn，输出图像output_tn，并将output_tn作为引导图像I_guide；

t_n时刻图像中像素点i的综合滤波结果为：

${\mathrm{output}}_{t_n}\left(i\right)=\underset{A}{\mathrm{\Σ}}(\mathrm{output}\_{\mathrm{static}}_{t_n}\left(i\right)+\mathrm{output}\_{\mathrm{moving}}_{t_n}\left(i\right))$

由处理过的像素点所组成的图像即为综合滤波图像output_tn；

9、更新引导图像：I_guide=output_tn，重复步骤2-8，依次处理后续的视频图像，最终完成整个视频的噪声处理工作。

Claims (7)

1.基于引导滤波和非局部平均滤波的时空域自适应去噪方法，其特征在于包括以下步骤：

（1）输入视频为YUV格式，对t₀、t₁时刻图像进行非局部平均滤波（NLM），输出处理后的YUV图像，并将t₁时刻滤波后的图像作为引导图像I_guide；

（2）从t₂时刻开始，将t_n时刻图像与t_n-1时刻和t_n-2时刻两幅图像用3帧SAD差分法进行比较，将所有静止的像素点所组成的区域命名为静止区域A₁，将所有运动的像素点所组成的区域命名为运动区域A₂；

（3）对静止区域A₁作引导滤波，得到静止区域滤波图像output_static；

（4）利用非局部平均滤波（NLM）计算运动区域A₂空间域滤波系数，得到空间域权重值sweight1和空间域均值average1；

（5）利用非局部平均滤波（NLM）计算运动区域A₂时域滤波系数，得到时间域权重值sweight2和时间域均值average2；

（6）根据时、空域的滤波系数计算综合滤波系数W_t和W_s，其中W_t表示时域信息所占比例，W_s表示空域信息所占比例；

（7）根据综合滤波系数W_t和W_s对图像进行自适应滤波，得到时空域滤波图像output_moving；

（8）综合静止区域和运动区域滤波结果，得到综合滤波图像output，输出图像output，并将output作为引导图像I_guide；

（9）更新引导图像：I_guide=output_tn，重复步骤2-8，依次处理后续的视频图像，最终完成整个视频的噪声处理工作。

2.如权利要求1所述基于引导滤波和非局部平均滤波的时空域自适应去噪方法，其特征在于在步骤1）中，所述将t₁时刻图像经过非局部平均滤波（NLM）处理过的图像作为引导图像I_guide。

3.如权利要求1所述基于引导滤波和非局部平均滤波的时空域自适应去噪方法，其特征在于在步骤2）中，所述从t₂时刻开始，将t_n时刻图像与t_n-1时刻和t_n-2时刻两幅图像用3帧SAD差分法进行比较，得到静止区域A₁和运动区域A₂。

4.如权利要求1所述基于引导滤波和非局部平均滤波的时空域自适应去噪方法，其特征在于在步骤3）中，所述对静止区域A₁作引导滤波，得到静止区域滤波结果output_static，其具体实现方法为；

对静止区域A₁中每一个像素点，根据引导图像I_guide进行引导滤波，滤波结果保存为output_static。

5.如权利要求1所述基于引导滤波和非局部平均滤波的时空域自适应去噪方法，其特征在于在步骤6）中，所述根据时、空域的滤波系数计算综合滤波系数W_t和W_s，其具体实现方法为：

$W_t=\frac{\mathrm{sweight}2}{\mathrm{sweight}1+\mathrm{sweight}2}$

$W_s=\frac{\mathrm{sweight}1}{\mathrm{sweight}1+\mathrm{sweight}2}$

其中，sweight2和sweight1分别为在时、空域利用非局部平均算法（NLM）得到的时间域权重值和空间域权重值，W_t表示时域信息所占比例，W_s表示空域信息所占比例。

6.如权利要求1所述基于引导滤波和非局部平均滤波的时空域自适应去噪方法，其特征在于在步骤7）中，所述根据综合滤波系数对图像进行自适应滤波，得到时空域滤波结果output_moving，其具体实现方法为：

output_moving=W_s×average1+W_t×average2

其中，average1为步骤4）中得到的空间域均值，average2为步骤5）中得到的时间域均值。根据空间域权重值sweight1和时间域权重值sweight2不同，W_s和W_t不同，自适应时空域滤波。

7.如权利要求1所述基于引导滤波和非局部平均滤波的时空域自适应去噪方法，其特征在于在步骤8）中，所述综合静止区域和运动区域滤波图像，得到综合滤波图像output，输出图像output，并将output作为引导图像I_guide去引导后面的图像，其具体实现方法为：

$\mathrm{output}=\underset{A}{\mathrm{\Σ}}(\mathrm{output}\_\mathrm{static}+\mathrm{output}\_\mathrm{moving})$

其中，output_static为步骤3）中得到的静止区域滤波图像，output_moving为步骤7）中得到的运动区域滤波图像，A为每一帧图像大小。