CN103942759A - 一种固定场景下基于高斯背景模型的3d降噪方法及装置 - Google Patents

Abstract

本发明适用于图像分析处理技术领域，提供一种固定场景下基于高斯背景模型的3D降噪方法及装置，所述方法包括：通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块；对背景块采用时域滤波；对运动块结合低通滤波和中值滤波来进行空域滤波。本发明可以更准确的分离出运动和静止物体，自动更新背景模型，对于空域滤波，将中值滤波和低通滤波结合能有效去除椒盐噪声，同时能减少图像细节模糊。

Description

一种固定场景下基于高斯背景模型的3D降噪方法及装置

技术领域

本发明属于图像分析处理技术领域，尤其涉及一种固定场景下基于高斯背景模型的3D降噪方法及装置。

背景技术

近年来，数字视频应用随着网络和计算机的普及已经呈现迅猛的发展趋势，对视频监控的要求也越来越高，不仅要求高清低码流，而且低照度与智能分析也成为安防视频处理的主流趋势。而3D降噪是视频预处理的一个重要内容，降噪后的视频能降低编码码流，使码流平稳，有利于网络传输；在低照度情况下能放大增益，同时也能方便后续的视频智能分析，很好的提取图像特征。

图像噪音分为静止和运动两种。静止噪音是指噪音发生在图像顺序显示时具有相同或缓慢变化的空间位置，而运动噪音是指随着时间推移，图像顺序显示时噪音发生位置在不断变化，对其处理需要使用帧间预测。

时空域联合滤波能很好的抑制噪声，但是空域滤波虽然能滤除一些噪声但容易造成图像细节损失，或产生块效应，尤其在是QP比较大的h264编码中，编码出来的图像容易出现变糊的现象。而时域滤波则很好的利用了视频帧间相关性，能很好的滤除噪声，但是对于运动的物体会产生严重的“拖尾”现象。所以时域滤波更适合于静止的视频处理。

目前也有一种利用背景差分图像，将差分图像划分成M*M大小的多个方形区域，计算各个方形区域的图像噪声标准差δn，利用（4～5）δn做阈值来判断M*M大小区域是否为运动块，同时按相同比例更新背景图像。这种方法的缺点是：

a、利用全幅图像的最小标准差δn，取（4～5）δn做阈值分离运动和静止的物体，不能准确的对每个M*M宏块的运动强度做出精确的判断，容易漏掉运动部分；

b、背景模型只采用单一模型，不能很好的适应光线变化和阴影的产生从而影响运动目标判断的准确性；

c、直接将背景用来作为静止物体时域滤波的结果，不能根据每个M*M宏块的帧间差异而按块滤波，同时如果出现巨大变化如遮挡等时，单一的背景模型不能得到及时的更新，滤波出来的图像不准确；

d、对运动部分采用均值滤波会导致图像模糊，同时不能有效滤除椒盐噪声。

发明内容

鉴于上述问题，本发明的目的在于提供一种固定场景下基于高斯背景模型的3D降噪方法及装置，旨在解决现有3D降噪方案运动目标判断不够准确、滤波效果不佳，不能消除椒盐噪声的技术问题。

一方面，所述固定场景下基于高斯背景模型的3D降噪方法包括下述步骤：

通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块；

对背景块采用时域滤波；

对运动块结合低通滤波和中值滤波来进行空域滤波。

另一方面，所述固定场景下基于高斯背景模型的3D降噪装置包括：

背景提取模块，用于通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块；

时域滤波模块，用于对背景块采用时域滤波；

空域滤波模块，用于对运动块结合低通滤波和中值滤波来进行空域滤波。

本发明的有益效果是：本发明中，每个宏块M*M都有自己的噪声标准差δ_i，可以更准确的分离出运动和静止物体，而且根据偏离标准差的强度可以判别运动强度，从而自适应的调整滤波强度；同时利用高斯模型，能更好的抑制光线阴影树叶等微小变化，如果出现遮挡等巨大变化，由于引入了多态高斯模型也能迅速准确的更新背景模型；对于空域滤波，将中值滤波和低通滤波结合能有效去除椒盐噪声，同时能减少图像细节模糊。

附图说明

图1是本发明第一实施例提供的固定场景下基于高斯背景模型的3D降噪方法的流程图；

图2是图1中步骤S1的一种具体优选流程图；

图3是图1中步骤S2的一种具体优选流程图；

图4是图1中步骤S3的一种具体优选流程图；

图5是本发明第二实施例提供的固定场景下基于高斯背景模型的3D降噪装置的结构方框图；

图6是图2中背景提取模块的一种具体优选结构图；

图7是图2中时域滤波模块的一种具体优选结构图；

图8是图2中空域滤波模块的一种具体优选结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1示出了本发明实施例提供的固定场景下基于高斯背景模型的3D降噪方法的流程，为了便于说明仅示出了与本发明实施例相关的部分。

如图1所示，本实施例提供的固定场景下基于高斯背景模型的3D降噪方法包括下述步骤：

步骤S1、通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块；

步骤S2、对背景块采用时域滤波；

步骤S3、对运动块结合低通滤波和中值滤波来进行空域滤波。

本实施例采用多态（3～5）高斯背景模型，对固定场景建模，能很好的将背景和运动物体分离。建模的时候将图像切割成N个M*M图像块，按块处理，能避免随机噪点的引入，鲁棒性好。计算每个图像块的RGB均值（即每个图像块的RGB分量的均值）ui，i为第i个图像块，利用获取的RGB均值ui与预设倍数噪声标准差（2.5～3）δi进行比较，分离出背景块和运动块，对于运动块，采用低通滤波和中值滤波方法来进行空域滤波。本实施例中，首先每个图像块都有自己的噪声标准差δi，可以更准确的分离出运动和静止物体；另外，由于采用了多态高斯背景模型，如果出现遮挡等巨大变化，由也能迅速准确的更新背景模型；第三，对于空域滤波，将中值滤波和低通滤波结合能有效去除椒盐噪声，同时能减少图像细节模糊。

下面对上述步骤做具体描述。

如图2所示，所述步骤S1包括：

步骤S101、创建临时帧，判断当前输入帧是否为首帧。

创建临时帧tempImage，尺寸大小为（imageWidth/M）*（imageHeight/M）。创建前一帧prevImage、当前帧currImage和输出帧outImage，尺寸都为imagWidth*imageHeigth*3。imageWidth和imageHeight分别为图像宽高的分辨率。将图像分块时，各个块映射为临时帧中的某个点。

步骤S102、若当前输入的图像为首帧时，初始化K个高斯背景模型参数，同时将输入的图像划分成N个M*M的图像块，计算每个图像块的背景模板RGB均值；

步骤S103，若为其他帧时，将图像划分成N个M*M的图像块并计算每个图像块的当前RGB均值。

若为首帧，初始化K个高斯背景模型的参数为0，并初始化话临时帧各个点为0。同时将输入的当前帧图像分成N个M*M的图像块，计算每个图像块的背景模板RGB均值backMeanR[i]、backMeanG[i]和backMeanB[i]，i为第i个图像块。若为第二帧或其他帧，计算每个图像块的当前RGB均值currMeanR、currMeanG和currMeanB。

步骤S104、针对每个图像块，计算当前RGB均值与背景模板RGB均值的RGB均值差，并将所述RGB均值差依次与所述k个高斯背景模型的预设倍数噪声标准差进行比较。

计算出每个图像块的当前RGB均值与背景模板RGB均值的RGB均值差sunMeanR、subMeanG和subMeanB。其中所述sunMeanR=abs（currMeanR-backMeanR[i]），同理计算出subMeanG和subMeanB。然后将RGB均值差分别于所述k个高斯背景模型的预设倍数噪声标准差进行比较判断，所述预设倍数一般选取2.5～3.0，优选为2.5。

步骤S105、当存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则累加之前的高斯背景模型的权值，若累加权值大于权值阈值时，则将临时帧上图像块对应点标记为背景块，反之标记为运动块；当不存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则将临时帧上图像块对应点标记为运动块。

假设预设倍数选为2.5，当所述K个高斯背景模型中存在一个模型，其标号为backIdx，所述RGB均值sunMeanR、subMeanG和subMeanB均小于2.5backStandard时，则累加该模型以及之前高斯背景模型权值backWeight，若累加权值sumWeight大于权值阈值weightThreshold时，则将临时帧上图像块对应的点标记为背景块，否则标记为运动块。比如，可以将临时帧的点标记为0表示为背景块，标记为1表示运动块。权值阈值weightThreshold=70。

具体实现时，可采用下述语句：

当i=k，说明当前图像块不属于K个高斯背景模型中的任何一个，说明此图像块为运动块，将临时帧上图像块对应点标记为运动块。

步骤S106、根据标记的运动块和背景块，利用更新因子更新相应高斯背景模型参数。

根据标记的背景块和运动块，利用更新因子alphaUpdate更新相应的高斯背景模型参数：背景模板均值backMean、背景方差backVariance和权值backWeight。更新因子alphaUpdate=0.02。

对于背景块：

A、首先利用alphaUpdate更新标号为backIdx的高斯背景噪声模型，即：

如果backVariance<backMinVariance，则backVariance=backMinVariance；

backStandard=sqrt（backVariance）；所述backMinVariance=13，为设置的背景最小方差：

B、然后更新除了标号为backIdx以外的高斯背景模型，假设模型为第index个：

backWeight[index]=backWeight[index]*0.98;

C、接着对k个模板按权值backWeight从大到小的顺序排序，

D、最后tempImage[j]=0，其中j为图像块的标号。

对于运动块：

这里，背景初始化方差backInitVariance=18

然后对k个模板重新按权值从大到小的顺序排序。

tempImage[j]=1，其中j为图像块的标号。

如图3所述，所述步骤S2包括：

步骤S201、将所述预设倍数噪声标准差分成若干区域，并按照级别大小赋予强度值；

步骤S202、对属于背景块的像素做不同强度的时域滤波。

在区分出背景块后，进一步的比较RBG均值差subMeanR/G/B和噪声标准差backStandard的大小。具体的，将预设倍数噪声标准差分成若干区域，若假设所述预设倍数为2.5，则将2.5*backStandard分成三个区域：（0～1）*backStandard、（1～2）*backStandard和（2～2.5）*backStandard。同时降噪强度可以分为弱中强三个等级。在（0～1）之间则为弱等级，（1～2）为中等级，（2～2.5）即为强等级，按照强度级别大小为每个区域赋予强度值alpha，如0.1、0.2、0、3。假设第i个M*M图像块对应到当前帧中的坐标点为（x,y）（iM，iM）。此图像块滤波后的数据为：

outImage[x,y].r=currImage[x,y].r*（1-alpha）*prevImage[x,y].r*alpha.

outImage[x,y].g=currImage[x,y].g*（1-alpha）*prevImage[x,y].g*alpha.

outImage[x,y].b=currImage[x,y].b*（1-alpha）*prevImage[x,y].b*alpha.

如图4所示，所述步骤S3包括：

步骤S301、对临时帧做形态学膨胀，搜索图像找出运动块对应的坐标点。

本步骤中，对临时帧做形态学膨胀，以便运动块不会出现空洞。

步骤S302、将运动块坐标点对应到当前帧，对运动块结合低通滤波和中值滤波来进行空域滤波。

在完全提取到运动块后，将临时帧上的运动快对应到当前帧，即将坐标相应转化成当前帧上的坐标，对运动块可以采取3*3或5*5块的中值滤波和低通滤波。

由于均值滤波不能有效去除椒盐噪声，而且会出现很大的模糊。本实施例中则利用中值滤波和低通滤波的思想，采取如下滤波方式：

遍历3*3或5*5图像块的像素值，获取最大和最小像素值的坐标点，将对应坐标点的像素值取其2*2领域四个像素值累加和的平均值，然后利用如下3*3算子计算：这里去除最大最小灰度值是为了滤除椒盐噪声，利用如上权值算子是为了滤除高斯噪声。

最后更新前一帧prevImage，令前一帧prevImage=输出帧outImage。

实施例二：

图5示出了本发明实施例提供的固定场景下基于高斯背景模型的3D降噪装置的结构，为了便于说明仅示出了与本发明实施例相关的部分。

如图5所示，本实施例提供的固定场景下基于高斯背景模型的3D降噪装置包括：

背景提取模块1，用于通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块；

时域滤波模块2，用于对背景块采用时域滤波；

空域滤波模块3，用于对运动块结合低通滤波和中值滤波来进行空域滤波。

其中，如图6所示，所述背景提取模块1包括：

图像划分处理单元11，用于若当前输入的图像为首帧时，初始化K个高斯背景模型参数，同时将输入的图像划分成N个M*M的图像块，计算每个图像块的背景模板RGB均值，若为其他帧时，计算每个图像块的当前RGB均值；

比较判断单元12，用于针对每个图像块，计算当前RGB均值与背景模板RGB均值的RGB均值差，并将所述RGB均值差依次与所述k个高斯背景模型的预设倍数噪声标准差进行比较；

图像标记单元13，用于当存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则累加之前的高斯背景模型的权值，若累加权值大于权值阈值时，则将临时帧上图像块对应点标记为背景块，反之标记为运动块；以及用于当不存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则将临时帧上图像块对应点标记为运动块；

模型更新单元14，用于根据标记的运动块和背景块，利用更新因子更新相应高斯背景模型参数。

其中，如图7所示，所述时域滤波模块2包括：

区域划分单元21，用于将所述预设倍数噪声标准差分成若干区域，并按照级别大小赋予强度值；

时域滤波单元22，用于对属于背景块的像素做不同强度的时域滤波。

其中，如图8所示，所述空域滤波模块3包括：

图像搜索单元31，用于对临时帧做形态学膨胀，搜索图像找出运动块对应的坐标点；

综合滤波单元32，用于将运动块坐标点对应到当前帧，对运动块结合低通滤波和中值滤波来进行空域滤波。

综上，本发明实施例技术方案可以更准确的分离出运动和静止物体，而且根据偏离标准差的强度可以判别运动强度，从而自适应的调整滤波强度，并且能更好的抑制光线阴影树叶等微小变化，同时，对于空域滤波，将中值滤波和低通滤波结合能有效去除椒盐噪声，同时能减少图像细节模糊。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种固定场景下基于高斯背景模型的3D降噪方法，其特征在于，所述方法包括：

通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块；

对背景块采用时域滤波；

对运动块结合低通滤波和中值滤波来进行空域滤波。

2.如权利要求1所述方法，其特征在于，所述通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块步骤，具体包括：

若当前输入的图像为首帧时，初始化K个高斯背景模型参数，同时将输入的图像划分成N个M*M的图像块，计算每个图像块的背景模板RGB均值，若为其他帧时，将图像划分成N个M*M的图像块并计算每个图像块的当前RGB均值；

针对每个图像块，计算当前RGB均值与背景模板RGB均值的RGB均值差，并将所述RGB均值差依次与所述k个高斯背景模型的预设倍数噪声标准差进行比较；

当存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则累加之前的高斯背景模型的权值，若累加权值大于权值阈值时，则将临时帧上图像块对应点标记为背景块，反之标记为运动块；

当不存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则将临时帧上图像块对应点标记为运动块；

根据标记的运动块和背景块，利用更新因子更新相应高斯背景模型参数。

3.如权利要求2所述方法，其特征在于，所述预设倍数噪声标准差为2.5～3.0倍的噪声标准差。

4.如权利要求3所述方法，其特征在于，所述对背景块采用时域滤波，步骤，具体包括：

将所述预设倍数噪声标准差分成若干区域，并按照级别大小赋予强度值；

对属于背景块的像素做不同强度的时域滤波。

5.如权利要求3所述方法，其特征在于，所述对运动块结合低通滤波和中值滤波来进行空域滤波步骤，具体包括：

对临时帧做形态学膨胀，搜索图像找出运动块对应的坐标点；

将运动块坐标点对应到当前帧，对运动块结合低通滤波和中值滤波来进行空域滤波。

6.一种固定场景下基于高斯背景模型的3D降噪装置，其特征在于，所述装置包括：

背景提取模块，用于通过建立多态高斯背景模型提取固定背景，对图像进行分块，每个图像块具有一个噪声标准差，根据每个图像块的RGB均值以及对应的噪声标准差分离出背景块和运动块；

时域滤波模块，用于对背景块采用时域滤波；

空域滤波模块，用于对运动块结合低通滤波和中值滤波来进行空域滤波。

7.如权利要求6所述装置，其特征在于，所述背景提取模块包括：

图像划分处理单元，用于若当前输入的图像为首帧时，初始化K个高斯背景模型参数，同时将输入的图像划分成N个M*M的图像块，计算每个图像块的背景模板RGB均值，若为其他帧时，将图像划分成N个M*M的图像块并计算每个图像块的当前RGB均值；

比较判断单元，用于针对每个图像块，计算当前RGB均值与背景模板RGB均值的RGB均值差，并将所述RGB均值差依次与所述k个高斯背景模型的预设倍数噪声标准差进行比较；

图像标记单元，用于当存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则累加之前的高斯背景模型的权值，若累加权值大于权值阈值时，则将临时帧上图像块对应点标记为背景块，反之标记为运动块；以及用于当不存在RGB均值差均小于所述预设倍数噪声标准差的高斯背景模型时，则将临时帧上图像块对应点标记为运动块；

模型更新单元，用于根据标记的运动块和背景块，利用更新因子更新相应高斯背景模型参数。

8.如权利要求7所述装置，其特征在于，所述预设倍数噪声标准差为2.5～3.0倍的噪声标准差。

9.如权利要求8所述装置，其特征在于，所述时域滤波模块包括：

区域划分单元，用于将所述预设倍数噪声标准差分成若干区域，并按照级别大小赋予强度值；

时域滤波单元，用于对属于背景块的像素做不同强度的时域滤波。

10.如权利要求8所述装置，其特征在于，所述空域滤波模块包括：

图像搜索单元，用于对临时帧做形态学膨胀，搜索图像找出运动块对应的坐标点；

综合滤波单元，用于将运动块坐标点对应到当前帧，对运动块结合低通滤波和中值滤波来进行空域滤波。