CN104486618B - 视频图像的噪声检测方法及装置 - Google Patents
视频图像的噪声检测方法及装置 Download PDFInfo
- Publication number
- CN104486618B CN104486618B CN201410849788.3A CN201410849788A CN104486618B CN 104486618 B CN104486618 B CN 104486618B CN 201410849788 A CN201410849788 A CN 201410849788A CN 104486618 B CN104486618 B CN 104486618B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- block group
- value
- diagnostic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了视频图像的噪声检测方法及装置,视频图像的噪声检测方法首先从视频图像中连续获取多帧待诊断图像,并将每帧待诊断图像分成预定数目的图像块;接着计算多帧待诊断图像的各图像块组的噪声特征值;图像块组为多帧待诊断图像中同一坐标区域的图像块的集合;图像块组的噪声特征值是根据在该图像块组的每个图像块中相同坐标位置的像素的灰度值计算得到;接着根据所获得的所述图像块组的噪声特征值获得所述多帧待诊断图像的图像灰度波动特征值;然后根据图像灰度波动特征值诊断所述多帧待诊断图像是否存在噪声。本申请能够降低噪声检测的计算复杂度。
Description
技术领域
本申请涉及噪声检测技术,尤其涉及视频图像的噪声检测方法及装置。
背景技术
视频质量诊断系统是一种智能化的监控视频故障分析和报警系统,它可以对前端传回的视频图像进行质量分析判断,能对视频故障做出准确判断并发出报警信息。
图像噪声是监控摄像机最常出现的一种故障,轻微的噪声影响主观视觉感受,严重的噪声则可能无法分辨监控场景内容,导致监控防范失去效果。传统的噪声诊断方法从图像梯度出发,计算梯度局部极大值。设定梯度阈值,统计大于阈值的局部极值点个数,最后根据局部极值点所占图像百分比来判断图像受到噪声干扰的程度。这种方法对图像灰度与背景差异较大的点噪声有较好的检测效果,但是由于该方法遍历整幅图像进行梯度运算,计算量较大,对于高清视频进行检测时间消耗较大。
发明内容
本申请提供一种视频图像的噪声检测方法及装置,能够降低噪声检测的计算复杂度。
根据本申请实施例的第一方面,提供一种视频图像的噪声检测方法,该方法包括步骤:
步骤1,从所述视频图像中连续获取多帧待诊断图像,并将每帧待诊断图像分成预定数目的图像块;
步骤2,计算多帧待诊断图像的各图像块组的噪声特征值;所述图像块组为多帧待诊断图像中同一坐标区域的图像块的集合;所述图像块组的噪声特征值是根据在该图像块组的每个图像块中相同坐标位置的像素的灰度值计算得到;
步骤3,根据所获得的所述图像块组的噪声特征值获得所述多帧待诊断图像的图像灰度波动特征值;
步骤4,根据所述图像灰度波动特征值诊断所述多帧待诊断图像是否存在噪声。
根据本申请实施例的第二方面,提供一种视频图像的噪声检测装置,包括:
分割模块,用于将连续获取多帧待诊断图像的每帧待诊断图像分成预定数目的图像块;
计算模块,用于计算多帧待诊断图像的各图像块组的噪声特征值;所述图像块组为多帧待诊断图像中同一坐标区域的图像块的集合;所述图像块组的噪声特征值是根据在该图像块组的每个图像块中相同坐标位置的像素的灰度值计算得到;以及根据所获得的所述图像块组的噪声特征值获得所述多帧待诊断图像的图像灰度波动特征值;
诊断模块,用于根据所述图像灰度波动特征值诊断所述多帧待诊断图像是否存在噪声。
本申请通过连续取多帧图像,然后将图像分成若干的图像块,在每一组图像块中选择少许的像素点,比较这些像素点在各帧图像中的灰度值的变化情况,由于只需要将图像块分的足够多,就可以通过图像块中个别像素点在连续多帧中灰度值的变化情况判断出各帧图像的灰度值的变化波动,从而无需像现有技术那样逐个像素遍历计算便能判断出是否有噪声,由于用来计算灰度值得像素点数量少,因此大大降低了计算复杂度。。
附图说明
图1为本申请实施例中视频图像的噪声检测方法的流程图;
图2是本申请实施例中计算图像块组的噪声特征值的流程图;
图3是本申请实施例中判断前景块和背景块的流程图;
图4是本申请实施例中单帧检测的流程图;
图5是本申请实施例中视频图像的检测装置的硬件架构图;
图6是本申请实施例中视频图像的检测装置的逻辑框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
以下结合图1对本申请的视频图像的噪声检测方法进行阐述。值得说明的是,以下在本申请中所提及的预设值、预定阈值的具体取值均可由本领域技术人员根据实际应用场景的需要设置不同的数值。
步骤100:当开启噪声诊断任务后,从视频图像中获取连续多帧的待诊断图像(帧的数量可以由使用者的不同需求决定,例如10帧等。),并将每帧待诊断图像分成预定数目的图像块;在一个例子中,可以根据不同图像的分辨率来决定需要划分的图像块的数目,具体的,可以在水平和垂直方向上分别等分成预定数目(例如,对于分辨率为1920*1080的图像,可以将每个待诊断图像等分成50*50个图像块)。
为了描述方便,本申请将各帧待诊断图像中同一坐标区域的图像块称为图像块组。容易理解,各帧待诊断图像中包含了多个图像块组。
步骤101:分别计算各图像块组的噪声特征值。为了计算图像块组的噪声特征值,针对一个图像块组,可以先从各个帧中选定相同坐标位置的像素(作为一个优选方案,可以选该图像块组中各个图像块的中心点坐标的像素,当然,如果有必要可以选取不止一个的相同坐标位置的像素点来实施本方案)。然后分别计算这组图像块中所选定的各个像素的灰度值;综合这些各个帧中相同坐标位置的像素的灰度值,计算得到这个图像块组的噪声特征值。可参考图2的应用实例中描述的方式来实现。
步骤102:根据步骤101中获得的每个图像块组的噪声特征值统计获得多帧图像的图像灰度波动特征值;作为例子,可以统计各组图像块组的噪声特征值的平均值,将这个平均值作为这批选取的多帧待诊断图像的图像灰度波动特征值。
步骤103:根据所获得的图像灰度波动特征值诊断这些多帧待诊断图像噪声情况,作为一个例子,可以预先设定一个阈值,若所求得的图像灰度波动特征值大于这个阈值,则判定通过步骤100所获取到的这批多帧待诊断图像存在噪声干扰。作为一个例子,可以将这些多帧待诊断图像的噪声诊断结果作为视频图像的噪声诊断结果。
可以看出,本申请通过连续取多帧图像,然后将图像分成若干的图像块,在每一组图像块中选择少许的像素点,比较这些像素点在各帧图像中的灰度值的变化情况,由于只需要将图像块分的足够多,就可以通过图像块中个别像素点在连续多帧中灰度值的变化情况判断出各帧图像的灰度值的变化波动,从而无需像现有技术那样逐个像素遍历计算便能判断出是否有噪声,由于用来计算灰度值得像素点数量少,因此大大降低了计算复杂度。
在一个实施例中,对步骤101计算图像块组的噪声特征值的实现途径提供了一个具体的用例,结合图2描述如下:
步骤200,将步骤100所获取的多帧图像命名为:Framei,i=1,…n,对每个帧图按照图像块依次遍历处理,处理过程如下:
步骤201:由于高亮像素点会影响噪声的判断,因此在一个优选实施例中,本申请对高亮像素点进行排除,以中心点坐标的像素点为例说明:标记图像块组中当前图像块中心点坐标(iCx,iCy),获取该图像块组中第k帧的图像块的中心点坐标的像素的灰度值Ik,iCx,iCy,k=1…n。若Ik,iCx,iCy>250即存在高亮像素点,则忽略此图像块组。
步骤202:若这个图像块组的各中心点坐标像素点中不存在高亮像素点,则求取各相邻帧的中心点坐标像素点的灰度差异平均值Iaver,可以通过计算。Ii为第i帧中该图像块的中心坐标像素点的灰度值,n为待诊断图像的帧数。将Iaver作为当前这个图像块组的噪声特征值。
在一个优选实施例中,在应用本申请时,可以将步骤100中获取的连续多帧的待诊断图像分成几次检测,每次选取其中一定数量的待诊断图像执行上述步骤,例如,可以连续获取30帧的待诊断图像,每十帧分三次检测,然后通过这几次连续检测的结果综合得出噪声诊断的结论,将这个多次检测后综合得出的结论作为视频图像的噪声诊断结果。这样可以避免图像画面轻微波动及其它原因造成的画面扰动导致的噪声误检,提高了噪声检测算法的鲁棒性和准确性。
对于在图像中大范围存在,但又不同于点噪声的噪声在本申请中称为块噪声,此类噪声的典型情况例如大片雪花噪声、无规律的电磁波噪声等。由于块噪声尺寸较大、分布无规律且灰度与背景比较接近,现有技术的噪声检测方法对于此类噪声检测效果不佳。另外,图像局部区域存在噪声情况时,现有技术的方法计算的整幅图像梯度平均,因此容易造成噪声漏检。作为对本申请上述技术方案的进一步的改进,本申请通过特定的算法区分出图像块是背景块还是前景块,前景块是指有移动物体等情况。在确定前景块时,由于前景块和块状噪声有部分特征近似,因此通过本申请的特定算法无法明确分辨出前景块和块状噪声,因此本申请在识别出疑似前景块后进一步通过算法来粗略确定出前景块以及可能存在的噪声,尤其是块状噪声。由于前景块是检测噪声干扰时无需考虑的因素,因此在检测噪声干扰时可以将前景块排除不予考虑。区分背景块和前景块的过程如下:
将步骤100所获取的多帧图像命名为:Framei,i=1,…n。每次取相邻连续两帧图像Framei和Framei+1进行处理,这两帧图像的处理方式参照步骤301、302。直到最后两帧比对计算结束。
如图3所示,步骤301:将所有图像块初始化为背景块即BgFlagm=1,m为图像块的个数。遍历每个图像块,若当前图像块已经判定为前景块(BgFlagm=0)则直接跳到下一图像块处理。
步骤302:计算图像块组中连续两帧的图像块中各个像素点的灰度差值。在一个例子中,待诊断的图像采用YUV(其中Y表示明亮度(Luma),也就是灰阶值;而U和V表示的则是色度(Chroma))颜色编码制,图像块中某个像素点的灰度值可以是该像素点的Y分量。
步骤303:根据步骤302所获得的相邻两帧的图像块中每个像素点的灰度差值,综合判断某一个图像块组中的图像块是否为背景块,例如,可以将步骤302所获得各帧中相邻两帧图像块的各个像素点的灰度差值的绝对值求平均值,所获得的结果作为这个图像块组中这个像素点的灰度差值,即其中,Grayi,j,k为第k帧中坐标为i,j的像素点的灰度值。再将图像块中所有像素点的灰度差值求平均得到这个图像块组的灰度差值。
若图像块组的灰度差值小于预先设定的阈值,BlockFrmDifm<FrmDifThre,m为第m个图像块组,则认定这组图像块组中的各图像块为背景块,BgFlagm=1。若某个图像块组灰度差值不小于预定阈值(疑似前景块的像素点),由于前景块和块噪声的灰度差值都会不小于预定阈值,因此需要下一步分析来确定是否为前景块。
步骤304:申请人在研究中发现,前景块和块噪声的连通区域尺寸存在较大差异,因此将此作为区分前景块和块噪声的特征。实现过程可以参照以下描述:
对该图像块组的各像素点的灰度差值BlockFrmDifi,j进行二值化处理二值化处理的过程可以是:如果BlockFrmAbsDifi,j>0时,将标记连通区域的模板中该像素点标记为1,即BinMaski,j=1;否则,如果BlockFrmAbsDif=0时,将BinMaski,j=0,根据BinMaski,j的值来对连通区域的模板作连通运算,,获得图像块中的连通域个数iCount和尺寸iSize。连通是指集合中任意两个点都存在着完全属于该集合的连通路径,而这个集合即连通域。
步骤305:对步骤304中求得的连通域进行尺寸从大到小排序,若最大连通域的尺寸小于设定阈值(iSizemax<iSizeThre)则认为当前坐标区域的图像块为背景块(BgFlagm=1),否则为前景块(BgFlagm=0)。
可以看出,通过图3中的各步骤已经可以粗略的分析出是否包含噪声,尤其是块噪声,但是为了能够更加精确的将噪声对待诊断图像的污染程度进行量化分析,在通过图3中的各步骤来区分出前景块和背景块后,图1和图2所描述的图像块均针对背景块进行相应的操作,排除了运动物体的干扰,使得检测结果更加精准。
现有技术的噪声检测方法对于某些特殊场景容易造成误检,比如茂盛树叶场景,该场景图像平均梯度较大,不易与噪声场景区分。作为一个优选方案,如果通过步骤305算出的一帧待诊断图像中前景块的比例占整幅图像的比例不大于预定值,则按照图1、图2的步骤进行检测;如果前景块的数量占图像块总数的比例大于预定值(比如iForeNum/iTotalNum>80%),则根据下述方案来进行噪声检测:
在一个优选实施例中,为了能够得到更合理的诊断结果,可以取多帧待诊断图像对每帧图像进行单帧检测,当然仅通过其中一帧进行单帧检测也可以。在本例中取多帧待诊断图像的起始帧、中间帧和终止帧(Framestart、Framemid、Frameend)分别做单帧检测,其结果作为当前多帧待诊断图像的噪声检测的结果。单帧检测的过程可以参照图4实现。
步骤401:由于图像噪声大多无固定方向杂乱分布,故本申请中确定了四个方向的梯度模板,分别为:
步骤402:掩膜是指用选定的图像、图形或物体,对处理的图像进行遮挡,来控制图像处理的区域或处理过程,用于覆盖的特定图像称为掩膜或模板。掩膜主要用于提取感兴趣区域、结构特征提取等。本申请通过步骤401所提供的四个模板分别于所选取帧的待诊断图像做掩膜运算,在每张待诊断图像每个像素点处求得四个图像基值的运算值iFlta、iFltb、iFltc、iFltd。
步骤403:若对于当前像素,四个模板的图像基值的运算值都大于设定的阈值(iFlta>iThre)&&(iFltb>iThre)&&(iFltc>iThre)&&(iFltd>iThre),则认为该像素点为噪声点。针对每个像素点的图像基值得运算值统计得到图像中噪声占整体百分比。
步骤404:依据图像中噪声百分比得到该帧图像噪声诊断评价分数。综合三张的诊断结果来得出最终的诊断评价分数。
与上文所述的视频图像的噪声检测方法相对应,本申请还提供了视频图像的噪声检测装置。本申请的视频图像的噪声检测装置可以借助计算机设备来实现。请参考图5,在硬件层面,该视频图像的噪声检测装置所在的计算机包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成视频图像的噪声检测装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,执行主体也可以是硬件或逻辑器件。
图6是视频图像的噪声检测装置的内部逻辑框图。该装置包括分割模块、计算模块和诊断模块。
分割模块610,用于将连续获取多帧待诊断图像的每帧待诊断图像分成预定数目的图像块;
计算模块620,用于针对多帧待诊断图像中同一坐标区域的图像块组,计算该图像块组的噪声特征值;
诊断模块630,用于根据所述图像灰度波动特征值诊断所述多帧待诊断图像是否存在噪声。
分割模块610的功能实现可参照图1中步骤101所提供的方案实现;计算模块620如何计算图像组的噪声特征值的过程可参照上文中视频图像的噪声检测方法的相关部分,另外,计算模块620还可以进一步的用于区分前景块和背景块,以及在判断前景块为大面积区域时按照图4单帧检测噪声的方案来检测噪声。在单帧检测噪声时,诊断模块统计计算模块单帧检测时获得的噪声点占所选取帧的待诊断图像的百分比;根据噪声点所占的百分比得到所选取帧的待诊断图像中噪声诊断结果。当选取起始帧、中间帧和终止帧的待诊断图像来进行单帧检测时,诊断模块根据所选取的每帧待诊断图像的噪声诊断结果获得所述视频图像的噪声诊断结果。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (12)
1.一种视频图像的噪声检测方法,其特征在于,该方法包括步骤:
步骤1,从所述视频图像中连续获取多帧待诊断图像,并将每帧待诊断图像分成预定数目的图像块;
步骤2,计算多帧待诊断图像的各图像块组的噪声特征值;所述图像块组为多帧待诊断图像中同一坐标区域的图像块的集合;所述图像块组的噪声特征值是根据在该图像块组的每个图像块中个别的相同坐标位置的像素的灰度值计算得到,所述图像块组的噪声特征值的计算公式为
其中Ii为所记录的该图像块组第i帧相同坐标位置的像素的灰度值;n为步骤2中所述多帧待诊断图像的帧数;
步骤3,计算所获得的所述图像块组的噪声特征值的平均值,获得所述多帧待诊断图像的图像灰度波动特征值;
步骤4,根据所述图像灰度波动特征值诊断所述多帧待诊断图像是否存在噪声。
2.根据权利要求1所述的方法,其特征在于,步骤1中连续获取多帧待诊断图像后还包括步骤:将所述多帧待诊断图像分成多份,每份所述多帧待诊断图像依次执行步骤2至步骤4;
所述方法还包括步骤:
根据每份所述多帧待诊断图像执行步骤2至步骤4后所获得的图像灰度波动特征值获得所述视频图像的噪声诊断结果。
3.根据权利要求1所述的方法,其特征在于,计算所述图像块组的噪声特征值之前,步骤2还包括步骤:
根据该图像块组中每个所述相同坐标位置的像素的灰度值判断该像素是否为高亮像素点,如果该图像块组不存在高亮像素点,则记录各相同坐标位置的像素的灰度值。
4.根据权利要求1所述的方法,其特征在于,计算所述图像块组的噪声特征值之前还包括步骤:
区分所述图像块组的各图像块是否为背景块,如果是背景块,则执行步骤2;区分所述图像块是否为背景块的步骤包括:
计算所述图像块组中每相邻两个图像块的各像素点的灰度差值,并将所述各像素点的灰度差值的绝对值求平均值,以获得所述图像块组的该像素点灰度差值,通过所述图像块组的像素点的灰度差值获得所述图像块组的灰度差值;
如果所述图像块组的灰度差值小于预定阈值,则将该图像块组的各图像块标记为背景块;
如果所述图像块组的灰度差值不小于所述预定阈值,则对所述图像块组的各个像素点的灰度差值进行二值化处理,获得该图像块组中连通域的尺寸;如果最大的连通域的尺寸小于预设值,则将该图像块组的各图像块标记为背景块;否则,将该图像块组的各图像块标记为前景块。
5.根据权利要求4所述的方法,其特征在于:计算所述图像块组的图像噪声特征值之前还包括步骤:判断所述前景块占所述待诊断图像的比例是否达到预定值,如果未达到所述预定值,则执行计算所述图像块组的图像噪声特征值的步骤;
如果所述前景块占所述待诊断图像的比例达到所述预定值,则所述方法还包括步骤:
根据梯度模板对所选取帧的待诊断图像做掩膜运算,获得每个像素的图像基值的运算值;所述梯度模板包括:
若对于当前像素,根据四个所述梯度模板所获得的四个图像基值的运算值均大于设定的阈值,则判断该像素点为噪声点;
统计所述噪声点占所选取帧的待诊断图像的百分比;
根据所述噪声点所占的百分比得到所选取帧的待诊断图像中噪声诊断结果。
6.根据权利要求5所述的方法,其特征在于,所选取帧的待诊断图像包括起始帧的待诊断图像、中间帧的待诊断图像和终止帧的待诊断图像;
所述方法还包括步骤:根据所选取的每帧待诊断图像的噪声诊断结果获得所述视频图像的噪声诊断结果。
7.一种视频图像的噪声检测装置,其特征在于,包括
分割模块,用于将连续获取多帧待诊断图像的每帧待诊断图像分成预定数目的图像块;
计算模块,用于计算多帧待诊断图像的各图像块组的噪声特征值;所述图像块组为多帧待诊断图像中同一坐标区域的图像块的集合;所述图像块组的噪声特征值是根据在该图像块组的每个图像块中个别的相同坐标位置的像素的灰度值计算得到;以及计算所获得的所述图像块组的噪声特征值的平均值,获得所述多帧待诊断图像的图像灰度波动特征值,所述图像块组的噪声特征值的计算公式为
其中Ii为所记录的该图像块组第i帧相同坐标位置的像素的灰度值;n为步骤2中所述多帧待诊断图像的帧数;
诊断模块,用于根据所述图像灰度波动特征值诊断所述多帧待诊断图像是否存在噪声。
8.根据权利要求7所述的装置,其特征在于,所述分割模块进一步用于将所述多帧待诊断图像分成多份,将每份所述多帧待诊断图像逐次发给所述计算模块;
所述诊断模块进一步用于根据所述计算模块针对每份所述多帧待诊断图像所获得的图像灰度波动特征值获得所述视频图像的噪声诊断结果。
9.根据权利要求7所述的装置,其特征在于,所述计算模块计算所述图像块组的噪声特征值之前,还用于根据该图像块组中每个所述相同坐标位置的像素的灰度值判断该像素是否为高亮像素点,如果该图像块组不存在高亮像素点,则记录各相同坐标位置的像素的灰度值。
10.根据权利要求7所述的装置,其特征在于,所述计算模块还用于区分所述图像块组的各图像块是否为背景块,如果是背景块,则计算所述图像块组的噪声特征值;区分所述图像块是否为背景块具体包括:
计算所述图像块组中每相邻两个图像块的各像素点的灰度差值,并将所述各像素点的灰度差值的绝对值求平均值,以获得所述图像块组的该像素点灰度差值,通过所述图像块组的像素点的灰度差值获得所述图像块组的灰度差值;
如果所述图像块组的灰度差值小于预定阈值,则将该图像块组的各图像块标记为背景块;
如果所述图像块组的灰度差值不小于所述预定阈值,则对该图像块组的各个像素点的灰度差值进行二值化处理,获得该图像块组中连通域的尺寸;如果最大的连通域的尺寸小于预设值,则将该图像块组的各图像块标记为背景块;否则,将该图像块组的各图像块标记为前景块。
11.根据权利要求7所述的装置,其特征在于:计算模块还用于判断所述前景块占所述待诊断图像的比例是否达到预定值,如果未达到所述预定值,则执行计算所述图像块组的图像噪声特征值的步骤;
如果所述前景块占所述待诊断图像的比例达到所述预定值,则所述计算模块还用于根据梯度模板对所选取帧的待诊断图像做掩膜运算,获得每个像素的图像基值的运算值;所述梯度模板包括:
若对于当前像素,根据四个所述梯度模板所获得的四个图像基值的运算值均大于设定的阈值,则判断该像素点为噪声点;
所述诊断模块进一步用于统计所述噪声点占所选取帧的待诊断图像的百分比;根据所述噪声点所占的百分比得到所选取帧的待诊断图像中噪声诊断结果。
12.根据权利要求11所述的装置,其特征在于,所选取帧的待诊断图像包括起始帧的待诊断图像、中间帧的待诊断图像和终止帧的待诊断图像;
所述诊断模块根据所选取的每帧待诊断图像的噪声诊断结果获得所述视频图像的噪声诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410849788.3A CN104486618B (zh) | 2014-12-30 | 2014-12-30 | 视频图像的噪声检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410849788.3A CN104486618B (zh) | 2014-12-30 | 2014-12-30 | 视频图像的噪声检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104486618A CN104486618A (zh) | 2015-04-01 |
CN104486618B true CN104486618B (zh) | 2017-07-14 |
Family
ID=52761115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410849788.3A Active CN104486618B (zh) | 2014-12-30 | 2014-12-30 | 视频图像的噪声检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104486618B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201742001A (zh) * | 2016-05-30 | 2017-12-01 | 聯詠科技股份有限公司 | 影像雜訊估測方法及裝置與影像擷取裝置 |
CN106373125B (zh) * | 2016-09-30 | 2018-10-19 | 杭州电子科技大学 | 一种基于信息熵的雪花噪声检测方法 |
CN108769525B (zh) * | 2018-06-12 | 2021-04-09 | 广州视源电子科技股份有限公司 | 一种图像调整方法、装置、设备及存储介质 |
CN108932489A (zh) * | 2018-06-25 | 2018-12-04 | 李娜 | 脸部识别可行性分析系统 |
CN109348212B (zh) * | 2018-09-28 | 2020-07-21 | 维沃移动通信(杭州)有限公司 | 一种图像噪声确定方法及终端设备 |
CN109859124B (zh) * | 2019-01-11 | 2020-12-18 | 深圳奥比中光科技有限公司 | 一种深度图像降噪方法及装置 |
CN111464834B (zh) * | 2020-04-07 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种视频帧处理方法、装置、计算设备及存储介质 |
CN111445427B (zh) * | 2020-05-20 | 2022-03-25 | 青岛信芯微电子科技股份有限公司 | 视频图像处理方法以及显示设备 |
CN111783771B (zh) * | 2020-06-12 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 文字检测方法、装置、电子设备和存储介质 |
CN117557567B (zh) * | 2024-01-12 | 2024-05-31 | 江苏时代新能源科技有限公司 | 电芯射线源设备的检测方法、电芯射线源设备、以及系统 |
CN117880520B (zh) * | 2024-03-11 | 2024-05-10 | 山东交通学院 | 一种用于机车乘务员值乘标准化监控的数据管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236656A (zh) * | 2008-02-29 | 2008-08-06 | 上海华平信息技术股份有限公司 | 基于块划分的图像中运动目标的检测方法 |
CN102957940A (zh) * | 2012-10-30 | 2013-03-06 | 武汉烽火众智数字技术有限责任公司 | 一种基于改进的四方向算子视频噪声检测方法 |
CN104104842A (zh) * | 2013-04-02 | 2014-10-15 | 珠海扬智电子科技有限公司 | 影像处理方法与影像处理装置 |
CN104104843A (zh) * | 2013-04-05 | 2014-10-15 | 阿尔特拉公司 | 用于视频处理的有效的2d自适应噪声阈值 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101272503B (zh) * | 2008-04-30 | 2011-04-06 | 北京中星微电子有限公司 | 一种保持图像清晰度的网格噪声消除方法及其装置 |
CN102014240B (zh) * | 2010-12-01 | 2013-07-31 | 深圳市蓝韵实业有限公司 | 一种实时医学视频图像去噪方法 |
-
2014
- 2014-12-30 CN CN201410849788.3A patent/CN104486618B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236656A (zh) * | 2008-02-29 | 2008-08-06 | 上海华平信息技术股份有限公司 | 基于块划分的图像中运动目标的检测方法 |
CN102957940A (zh) * | 2012-10-30 | 2013-03-06 | 武汉烽火众智数字技术有限责任公司 | 一种基于改进的四方向算子视频噪声检测方法 |
CN104104842A (zh) * | 2013-04-02 | 2014-10-15 | 珠海扬智电子科技有限公司 | 影像处理方法与影像处理装置 |
CN104104843A (zh) * | 2013-04-05 | 2014-10-15 | 阿尔特拉公司 | 用于视频处理的有效的2d自适应噪声阈值 |
Also Published As
Publication number | Publication date |
---|---|
CN104486618A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104486618B (zh) | 视频图像的噪声检测方法及装置 | |
CN105678811B (zh) | 一种基于运动检测的人体异常行为检测方法 | |
Zhang et al. | Edge strength similarity for image quality assessment | |
CN109902558B (zh) | 一种基于cnn-lstm的人体健康深度学习预测方法 | |
Gao et al. | A deep learning based approach to classification of CT brain images | |
CN104424632B (zh) | 一种视频对比度异常检测方法及装置 | |
CN107798279B (zh) | 一种人脸活体检测方法及装置 | |
CN110929687B (zh) | 一种基于关键点检测的多人行为识别系统及工作方法 | |
CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN108447058B (zh) | 一种图像质量评价方法及系统 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN112528939B (zh) | 一种人脸图像的质量评价方法及装置 | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN111950457A (zh) | 油田安全生产图像识别方法及系统 | |
Ortiz-Jaramillo et al. | Content-aware contrast ratio measure for images | |
CN110795998A (zh) | 人流量的检测方法、装置、电子设备及可读存储介质 | |
Gong et al. | Towards accurate pulmonary nodule detection by representing nodules as points with high-resolution network | |
CN112785540A (zh) | 一种扩散加权图像的生成系统及方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN109902749A (zh) | 一种鞋印识别方法及系统 | |
CN115547488A (zh) | 基于vgg卷积神经网络和面部识别孤独症早筛系统及方法 | |
Muhammad et al. | Brain Tumor Detection and Classification in Magnetic Resonance Imaging (MRI) using Region Growing, Fuzzy Symmetric Measure, and Artificial Neural Network Backpropagation | |
CN105184244B (zh) | 视频人脸检测方法及装置 | |
CN115082819A (zh) | 食品异物检测方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |