CN104796581B - 一种基于噪声分布特征检测的视频去噪系统 - Google Patents
一种基于噪声分布特征检测的视频去噪系统 Download PDFInfo
- Publication number
- CN104796581B CN104796581B CN201510181060.2A CN201510181060A CN104796581B CN 104796581 B CN104796581 B CN 104796581B CN 201510181060 A CN201510181060 A CN 201510181060A CN 104796581 B CN104796581 B CN 104796581B
- Authority
- CN
- China
- Prior art keywords
- mrow
- noise
- pixel
- msubsup
- filtering
- 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
- Picture Signal Circuits (AREA)
Abstract
本发明公开了一种基于噪声分布特征检测的视频去噪系统，在帧存、帧间差异计算单元、运动检测单元、滤波权重计算单元、时域滤波单元构成的时域去噪系统的基础上，增设了噪声分布独立性特征检测单元、噪声分布同步性特征检测单元、组合判断单元、滤波权重最大值调整单元；通过计算出噪声服从独立同分布的可靠度，并对根据可靠度调整时域滤波的权重最大值，从而控制滤波失真现象。本发明的系统解决了传统的视频时域去噪系统在视频噪声不满足独立同分布时引起的失真问题。
Description
技术领域
本发明涉及视频处理技术领域，尤其涉及对视频进行时域降噪的技术领域，如数字电视芯片中的视频处理技术领域。
背景技术
由于摄像设备(CMOS,CCD传感器)在采集过程往往受到噪声的影响，导致视频往往存在着随机噪声，所以需要利用视频去噪技术对噪声进行去除。另外随着移动互联和视频越来越多源化，在电视等显示终端设备上需要播放和显示各种视频源，这些视频源除了包括传统的数字广播视频，还包括来自互联网和手持终端的视频。视频的多源化对视频去噪系统提出了新的挑战。
视频降噪技术包括空域降噪和时域降噪技术。其中，空域降噪技术往往会带来细节的模糊，而时域降噪技术由于其对细节的保护更好，而更多地被工业界采用。传统的视频时域去噪系统如采取如图1所示，利用当前帧和前一滤波帧计算出帧间差异，然后用帧间差异和阈值比较，来进行运动检测，即帧间差异大于阈值的像素为运动像素，帧间差异小于阈值的像素为静止像素，然后利用运动检测的结果来进行滤波权重的计算，再对当前帧和前一滤波帧进行加权滤波，如果是静止区域，则进行时域加权的权重值较大，达到去噪的效果，如果是运动区域，则进行时域加权的权重值较小，从而避免出现在运动物体周围出现拖尾。
一般的运动检测方法通过将每个像素局部的帧间差异与阈值比较，来获得该像素运动概率的大小，无论阈值如何选择，都会产生两种错误，一种错误是静止像素被误分为运动像素，一种错误是运动像素被误分为静止像素。将静止像素误分为运动像素容易在最终视频结果上出现“斑点”噪声的失真，将运动像素误分为静止像素容易引起运动目标拖尾和帧间模糊的失真。
一般滤波权重的计算方法为，根据运动检测输出的运动概率和预设的权重最大值，产生一个位于0和权重最大值之间的权重。运动概率为0时，权重为预设的权重最大值。运动概率为1时，权重为0。当预设权重最大值越大时，则去噪效果越好，但“斑点”噪声和运动目标拖尾的失真越明显，当预设权重值越小时，去噪效果越弱，但“斑点”噪声和运动目标拖尾的失真越不明显。
数字电视芯片中的视频处理系统一般按照去噪，去隔行，缩放的顺序进行，去噪系统均按照假设视频随机噪声为独立同分布的高斯白噪声来设计，如专利US7903179B2和专利US6061100。但在实际中，在输入电视之前，有的视频源(尤其是来自互联网的视频源)已经经过某些处理，如去隔行、缩放、滤波等。这些经过去隔行或缩放处理的视频源，其噪声特性不再满足独立同分布的特点，此时再按照传统视频去噪系统进行处理，会引起较严重的失真现象。
综上所述，对于噪声特性不满足独立同分布的视频，需要解决传统视频时域去噪系统会出现的失真。
发明内容
为了解决对噪声特性不满足独立同分布的视频进行时域去噪时出现的“斑点”噪声和运动目标拖尾等失真问题，本发明提出了一种基于噪声分布特征检测的视频去噪系统，达到了好的去噪效果的同时，消除了去噪产生的失真现象。
本发明提出的一种基于噪声分布特征检测的视频去噪系统，包括帧存、帧间差异计算单元、运动检测单元、滤波权重计算单元、时域滤波单元，还包括噪声分布独立性特征检测单元、噪声分布同步性特征检测单元、组合判断单元、滤波权重最大值调整单元；
噪声分布独立性特征检测单元依据帧间差异计算单元输出的帧间差异d和运动检测单元输出的各像素的运动概率m计算输出噪声分布的独立性特征Findependent；
噪声分布同分步性特征检测单元依据帧间差异计算单元输出的帧间差异d和运动检测单元输出的各像素的运动概率m计算输出噪声分布的同分步性特征Fidentical；
组合判断单元依据噪声分布的独立性特征Findependent和噪声分布的同分步性特征Fidentical计算输出噪声符合独立同分布的可靠度r；
滤波权重最大值调整单元依据噪声符合独立同分布的可靠度r调整进行时域滤波的权重最大值Mw；
滤波权重计算单元依据各像素的运动概率m和权重最大值Mw，计算输出进行时域滤波的滤波权重w。
所述的噪声分布同分步性特征检测单元包括MAE特征计算模块、直方图统计模块、直方图分析模块；
MAE特征计算模块依据帧间差异d计算出平均绝对误差特征；
直方图统计模块依据所述的平均绝对误差特征和运动检测单元输出的运动概率m统计出静止像素的平均绝对误差的直方图H；
直方图分析模块依据静止像素的平均绝对误差的直方图H计算输出噪声分布的同分步性特征Fidentical；
本发明通过计算出噪声服从独立同分布的可靠度，并对根据可靠度调整时域滤波的权重最大值，从而控制滤波失真现象，达到如下的有益效果：
(1)根据噪声服从独立同分布的可靠度可以检测出容易产生失真的视频；
(2)对于噪声服从独立同分布的可靠度较高时，自适应地选择较大的滤波权重最大值，从而达到好的去噪效果；
(3)对于噪声服从独立同分布的可靠度较低，容易产生失真的视频，自适应地选择较小的滤波权重最大值，从而控制失真现象的视觉效果。
附图说明
图1传统的时域去噪系统系统示意图；
图2本发明基于噪声分布特征检测的视频时域去噪系统示意图；
图3运动检测曲线；
图4噪声分布同分布性特征检测单元示意图；
图5噪声分布的独立性特征Findependent计算曲线；
图6A像素垂直相邻关系示意图；
图6B像素水平相邻关系示意图；
图6C像素对角相邻关系示意图；
图7权重最大值调整曲线；
图8权重计算曲线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，首先对失真原因及视频噪声分布特性进行分析，再对本发明实施例进一步详细说明。
一、失真原因及视频噪声分布特性分析
(1)失真原因分析
如图1所示的视频时域去噪系统中的运动检测单元通过将每个像素局部的帧间差异与阈值比较，来获得该像素运动概率的大小，无论阈值如何选择，都会产生两种错误，一种错误是静止像素被误分为运动像素，一种错误是运动像素被误分为静止像素。将静止像素误分为运动像素容易在最终视频结果上出现“斑点”噪声的失真，在静止平滑区，检测错误而没有得到去噪的像素表现为噪声，周围检测正确而去噪的邻域像素比较赶干净，由于去噪不均匀和反差，没有去噪的像素形成了干净区域的“斑点”。将运动像素误分为静止像素容易引起运动目标拖尾和帧间模糊的失真，即误检为静止的运动像素在进行了帧间加权之后，会在运动目标周围形成拖尾和模糊现象。
(2)视频噪声分布的独立性对失真现象的影响
传统的视频时域去噪系统均假设视频噪声满足独立同分布的零均值高斯分布，但在实际中，这个假设有不成立的时候。当视频噪声分布满足相互独立时，相邻像素的噪声分布是独立的，则被误检为运动的静止像素往往以孤立点的形式存在，即“斑点”噪声的大小往往只有1个像素或2个像素。当视频噪声分布不满足像素独立时，相邻像素的噪声分布不是独立的，存在着一定相关性，此时，被误检为运动的静止像素往往有更大的概率形成连通区域。导致“斑点”噪声的尺寸增大，造成两方面的影响，一则用传统的去除斑点噪声的方法无法去除，二则“斑点”噪声的尺寸增大对视觉效果带来更严重的不利影响。
如果视频经过滤波、去隔行、缩放处理，则视频噪声不再具有相互独立的特性。虽然数字电视芯片中的视频处理系统一般按照去噪，去隔行，缩放的顺序进行，但不能保证输入电视的视频源没有预先经过某种处理，所以视频源的噪声分布有可能不满足独立性特征。
(3)视频噪声分布的同分布性对失真现象的影响
当视频噪声分布满足同分布时，不同位置的像素的噪声满足同一个分布，具有同样的噪声方差。如果视频经过去隔行和缩放处理，则不同的位置的像素经过在处理过程中经过了不同的处理，其像素之间噪声分布不再相同。在去隔行处理中，奇场只有奇数行，需要补出偶数行，偶数行的像素往往通过空间上和时间上相邻的像素组合得到，而奇数行的像素只需拷贝。因为奇数行的像素和偶数行的数据经过了不同的处理，所以其噪声方法不再相同。在缩放处理时也存在相同的问题，不同位置的像素经过了不同的处理，从而具有不同的分布。一般的噪声估计方法往往假设不同像素的噪声服从相同的分布，如果像素不服从相同的分布，则这些噪声估计方法不可能估计出准确的噪声水平。视频时域去噪系统一般都是噪声自适应的，去噪效果受到噪声水平的很大影响。一旦噪声估计不准确，将对结果噪声很大的影响，可能会产生失真。
(4)滤波权重对失真现象的影响
一般的视频时域滤波的滤波权重的计算方法为，根据运动检测输出的运动概率和预设的权重最大值，产生一个位于0和权重最大值之间的权重。运动概率为0时，权重为预设的权重最大值。运动概率为1时，权重为0。当预设权重最大值越大时，则去噪效果越好，但“斑点”噪声和运动目标拖尾的失真越明显，当预设权重值越小时，去噪效果越弱，但“斑点”噪声和运动目标拖尾的失真越不明显。在传统的视频时域去噪系统中，预设的权重最大值为固定值。无法根据不同的视频进行自适应的调整。
二、本发明实施例的系统
由于传统的视频去噪系统假设要去除的随机噪声服从独立同分布的高斯分布，所以对于噪声特性不满足独立同分布的视频，应用传统的视频去噪系统会带来失真现象，所以本发明通过检测视频是否符合独立性和同分布性，计算出符合独立同分布的可靠度。可靠度低的视频容易产生失真，由于失真是比去噪效果弱更为严重的现象，所以对可靠度低而容易产生失真的视频，减少滤波权重最大值，从而减弱去噪效果，同时也减弱了失真现象。
如图2所示，本发明实施例的一种基于噪声分布特征检测的视频去噪系统包括帧间差异计算单元、运动检测单元、噪声分布独立性特征检测单元、噪声分布同步性特征检测单元、组合判断单元、滤波权重最大值调整单元、滤波权重计算单元、时域滤波单元、帧存；
帧间差异计算单元用于计算视频当前帧图像和帧存中的前一帧图像的帧间差异d；运动检测单元，用于根据帧间差异进行运动检测，输出每个像素的运动概率m；噪声分布独立性特征检测单元依据帧间差异计算单元输出的帧间差异d和运动检测单元输出的各像素的运动概率m计算输出噪声分布的独立性特征Findependent；；噪声分布同分步性特征检测单元依据帧间差异计算单元输出的帧间差异d和运动检测单元输出的各像素的运动概率m计算输出噪声分布的同分步性特征Fidentical；组合判断单元依据噪声分布的独立性特征Findependent和噪声分布的同分步性特征Fidentical计算输出噪声符合独立同分布的可靠度r；滤波权重最大值调整单元依据噪声符合独立同分布的可靠度r调整进行时域滤波的权重最大值Mw；滤波权重计算单元依据各像素的运动概率m和权重最大值Mw，计算输出进行时域滤波的滤波权重w；时域滤波单元接受视频当前帧图像和帧存中的前一滤波帧图像的输入以及滤波权重w的输入，进行时域滤波；帧存用于存储输入帧经时域滤波单元滤波后的滤波帧。
如图3所示，噪声分布同分步性特征检测单元包括依据帧间差异d计算出平均绝对误差MAE(Mean Absolute Error)特征的MAE特征计算模块、依据所述的MAE特征和运动检测单元输出的运动概率m统计出静止像素的平均绝对误差的直方图H的直方图统计模块、依据静止像素的平均绝对误差的直方图H计算输出噪声分布的同分步性特Fidentical的直方图分析模块。
如图2所示的视频时域去噪系统的帧间差异计算单元用于计算视频当前帧图像和帧存中的前一帧图像的帧间差异d，具体为：帧间差异计算单元接受视频当前帧图像和帧存中的前一滤波帧图像输入，输出二者之差，即帧间差异d。
运动检测单元根据输入的帧间差异d，计算出每个像素其局部的平均绝对误差MAE特征。设局部计算MAE的局部窗口大小为(2k+1)*(2k*1)，则位于(i,j)位置的像素MAE特征计算如式(1)所示。
并根据如图4所示的曲线进行运动检测，输出每个像素的运动概率m。其中T1,T2为进行运动检测的软阈值T1＜T2；当MAE≤T1时像素的运动概率m为1，当T1＜MAE＜T2时像素的运动概率m随MAE的增大由1到0单调递减，T2≤MAE时像素的运动概率m为0。
噪声分布同分步性特征检测单元接受各像素的运动概率m和帧间差异d，通过静止像素的MAE特征直方图提取提取噪声分布的同分布性特征。当视频噪声为满足独立同分布的高斯白噪声时，设在静止区域，视频t时刻图像为gt，t-1时刻为gt-1，静止区域的灰度值为B，噪声为n，为独立同分布的零均值高斯白噪声，噪声方差为则位于(i,j)位置的像素其gt-1，gt，d值计算如式(2)至(5)所示。
gt-1(i，j)＝B+nt(i，j)
gt(i，j)＝B+nt-1(i，j) (3)
d(i，j)＝gt(i，j)-gt-1(i，j) (4)
当视频不同位置的像素的噪声满足相同的高斯分布时，帧间差异d(i，j)服从相同的零均值高斯分布，其局部MAE特征的分布接近高斯分布，且在附近噪声方差处有一个峰值，且只有一个峰值。如果视频经过了去隔行或缩放等处理，则视频不同位置的噪声不再服从相同的分布。以去隔行处理为例，奇数行像素经过了相同的处理，具有相同的噪声方差，偶数行像素经过了与奇数行不同的处理，具有与奇数行像素不同的噪声方差，这样，由于视频空域不同位置的像素具有不同的噪声方差，则其MAE特征分布具有多个峰值，所以可以根据MAE特征的直方图是否为单峰分布来检测出各个像素的噪声是否服从相同的分布。
首先根据帧间差异d计算出MAE特征，如式(1)所示。由于静止像素的帧间差异体现了噪声，运动像素的帧间差异既包含噪声的影响，也包含运动的影响，所以为了分析噪声，必须只利用静止像素的MAE特征。然后依据MAE特征及运动检测单元输出的各像素的运动概率m统计出静止像素的MAE的直方图H，视频在t时刻的直方图的计算公式如式(6)所示。
其中M和N分别图像的宽度和高度，Tm为区分静止像素和运动像素的阈值。m(i，j)为(i,j)像素在t时刻的运动概率。gt(i，j)为(i,j)像素在t时刻MAE特征。
统计出直方图H后，需要对直方图H进行分析，检测直方图H的峰的个数。为了准确判断直方图H的峰的个数，先对直方图H进行平滑滤波，得到H',判断直方图H'中某个值是否是否是峰值的公式如式(7)所示。
则峰的个数的计算为如式(8)所示
其中MAX_MAE为MAE的可能最大值。如果图像为10bit，则MAE_MAE＝1023。
噪声分布同分布性特征检测单元的最终输出Fidentical如式(9)所示。
噪声分布独立性特征检测单元接受帧间差异d和各像素的运动概率m的输入，通过静止区域中空间相邻像素的帧间差异相关性提取噪声分布的独立性特征Findependent。独立性特征是对各个像素的噪声之间的独立性的一种描述。当各个像素的噪声分布满足相互对立时，其相关性为0。当各个像素的噪声的分布满足联合正态分布时，独立和不相关是等价的。所以本实施例将独立性特征定义为相关性的单调递减函数，如图5所示，则ρ_T1和ρ_T2为预设的邻域像素的噪声相关性ρ的两个阈值，可选为ρ_T1＝0.05，ρ_T2＝0.5
为了计算独立性特征Findependent，必须先估计邻域像素的噪声相关性ρ，估计ρ的方法如下：静止像素的帧间差异体现了噪声，运动像素的帧间差异既包含噪声的影响，也包含运动的影响，所以为了估计邻域像素的噪声相关性，必须只利用静止像素的帧间差异。本实施例垂直相邻、对水平相邻、和对角相邻像素之间的噪声进行了相关性估计，像素的相邻关系如图6A、6B、6C中的灰色像素所示。
以d(i,j)表示位于(i,j)的像素的帧间差异。m(i,j)表示位于(i,j)的像素的运动概率。视频每帧图像的宽度和高度分别为M和N。估计水平相邻噪声相关性ρh的计算公式如式(10)所示。
估计垂直相邻像素相关性ρv的计算公如式(11)所示。
估计对角相邻像素相关性rd的计算公式如式(12)所示。
邻域像素的噪声相关性为为三个邻域相关性中的最大值，如式(13)所示。
ρ＝max(ρh，ρv，ρd) (13)
估计出邻域像素的噪声相关性ρ后，噪声分布的独立性特征Findependent可以如公式(14)计算出来，其计算曲线图如图5所示。
组合判断单元接受噪声分布同分布性特征检测单元计算出的同分步性特征Fidentical、以及噪声分布独立性特征检测单元计算出的独立性特征Findependent进行组合判断，输出噪声符合独立同分布的可靠度r，如式(15)所示。
r＝Findependent*Fidentical (15)
滤波权重最大值调整单元根据噪声符合独立同分布的可靠度r调整进行时域滤波的权重最大值Mw，调整曲线如图7所示。
设置独立同分布的可靠度r的两个软阈值r_T1和r_T2，其中
r_T1＜r_T2；设置权重最大值Mw的两个阈值MW_V1和MW_V0，其中MW_V0≤MW_V1；当r≤r_T1时权重最大值Mw为MW_V1，当r_T1＜r＜r_T2时权重最大值Mw随可靠度r的增大由MW_V1到MW_V0单调递减，r_T2≤r时权重最大值Mw为MW_V0。
本实施例中取r_T1＝0.05、r_T2＝0.2、MW_V1＝8、MW_V1＝2。
滤波权重计算单元依据各像素的运动概率m和权重最大值Mw，计算出每个像素进行时域滤波的滤波权重w。权重的计算公式如式(16)所示、计算曲线如图8所示。
时域滤波单元接受滤波权重w的输入，以及当前帧ft以及帧存中的前一滤波帧f^t-1,进行加权滤波，得到当前滤波帧f^t，位于(i,j)的像素，其滤波后的值如式(17)所示。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种基于噪声分布特征检测的视频去噪系统，包括帧存、帧间差异计算单元、运动检测单元、滤波权重计算单元、时域滤波单元，其特征在于，还包括噪声分布独立性特征检测单元、噪声分布同步性特征检测单元、组合判断单元、滤波权重最大值调整单元；
噪声分布独立性特征检测单元依据帧间差异计算单元输出的帧间差异d和运动检测单元输出的各像素的运动概率m计算输出噪声分布的独立性特征Findependent；
噪声分布同分步性特征检测单元依据帧间差异计算单元输出的帧间差异d和运动检测单元输出的各像素的运动概率m计算输出噪声分布的同分步性特征Fidentical；
组合判断单元依据噪声分布的独立性特征Findependent和噪声分布的同分步性特征Fidentical计算输出噪声符合独立同分布的可靠度r；
滤波权重最大值调整单元依据噪声符合独立同分布的可靠度r调整进行时域滤波的权重最大值Mw；具体为：当所述可靠度r较高时增大所述权重最大值Mw，当所述可靠度r较小时减小所述权重最大值Mw；
滤波权重计算单元依据各像素的运动概率m和权重最大值Mw，计算输出进行时域滤波的滤波权重w，并将所述滤波权重w输入至所述时域滤波单元；所述时域滤波单元，依据视频中当前帧图像和前一滤波帧图像，以及所述滤波权重w进行时域滤波；
其中，
所述的噪声分布同分步性特征检测单元包括MAE特征计算模块、直方图统计模块、直方图分析模块；
MAE特征计算模块依据帧间差异d计算出平均绝对误差特征；
直方图统计模块依据所述的平均绝对误差特征和运动检测单元输出的运动概率m统计出静止像素的平均绝对误差的直方图H；
直方图分析模块依据静止像素的平均绝对误差的直方图H计算输出噪声分布的同分步性特征Fidentical；
所述组合判断单元中噪声符合独立同分布的可靠度r的计算公式为
r＝Findependent*Fidentical；
所述独立性特征Findependent的计算方法为
步骤1，计算邻域像素的噪声相关性ρ，其公式为
ρ＝max(ρh，ρv，ρd)
其中ρh为水平相邻噪声相关性，ρv为垂直相邻像素相关性ρd为对角相邻像素相关性，相应的计算公式为
<mrow>
<msub>
<mi>&rho;</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo><</mo>
<mi>M</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo><</mo>
<mi>M</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo><</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
</mrow>
</msubsup>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo><</mo>
<mi>M</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo><</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo><</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo><</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，所述M和N分别为输入图像的宽度和高度；所述m(i,j)为(i,j)像素的运动概率，所述m(i+1,j+1)为(i+1,j+1)像素的运动概率；所述d(i,j)为(i,j)像素的帧间差异，所述d(i+1,j+1)为(i+1,j+1)像素的帧间差异；
步骤2，预设ρ的两个阈值为ρ_T1和ρ_T2，其中ρ_T1＜ρ_T2，当ρ＜ρ_T1时，Findependent＝1；当ρ＞ρ_T2时，Findependent＝0；当ρ_T1≤ρ≤ρ_T2时，Findependent的取值随ρ的增大由1到0单调递减。
2.如权利要求1所述的一种基于噪声分布特征检测的视频去噪系统，其特征在于，所述直方图统计模块统计直方图H的公式为
其中M和N分别为输入图像的宽度和高度，Tm为区分静止像素和运动像素的阈值，m(i，j)为(i,j)像素在t时刻的运动概率，MAE(i，j)为(i,j)像素在t时刻MAE特征。
3.如权利要求2所述的一种基于噪声分布特征检测的视频去噪系统，其特征在于，所述直方图分析模块计算噪声分布的同分步性特征Fidentical的公式为
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mi>o</mi>
<mi>f</mi>
<mi>P</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mi>s</mi>
<mo>=</mo>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中NumofPeaks为直方图H的峰的个数。
4.如权利要求3所述的一种基于噪声分布特征检测的视频去噪系统，其特征在于，所述直方图H的峰的个数NumofPeaks的计算公式为
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mi>O</mi>
<mi>f</mi>
<mi>P</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mi>s</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>M</mi>
<mi>A</mi>
<mi>X</mi>
<mo>_</mo>
<mi>M</mi>
<mi>A</mi>
<mi>X</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mi>s</mi>
<mo>_</mo>
<mi>P</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>=</mo>
<mo>=</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中MAX_MAE为MAE的可能最大值，Is_Peak的计算公式为
<mrow>
<mi>I</mi>
<mi>s</mi>
<mo>_</mo>
<mi>P</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msup>
<mi>H</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msup>
<mi>H</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<msup>
<mi>H</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msup>
<mi>H</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中H'为对对直方图H平滑滤波后得到的直方图。
5.如权利要求1所述的一种基于噪声分布特征检测的视频去噪系统，其特征在于，所述滤波权重最大值调整单元中权重最大值Mw的计算方法为：设置独立同分布的可靠度r的两个阈值r_T1和r_T2，其中r_T1＜r_T2；设置权重最大值Mw的两个阈值MW_V1和MW_V0，其中MW_V0＜MW_V1；
当r≤r_T1时权重最大值Mw为MW_V1，当r_T1＜r＜r_T2时权重最大值Mw随可靠度r的增大由MW_V1到MW_V0单调递减，r_T2≤r时权重最大值Mw为MW_V0。
6.如权利要求5所述的一种基于噪声分布特征检测的视频去噪系统，所述时域滤波单元滤波后的值的计算公式为
<mrow>
<msub>
<msup>
<mi>f</mi>
<mo>^</mo>
</msup>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<msup>
<mi>f</mi>
<mo>^</mo>
</msup>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中f^t为当前滤波帧，ft为当前帧，f^t-1为前一滤波帧，w为滤波权重。
7.如权利要求5所述的一种基于噪声分布特征检测的视频去噪系统，所述的滤波权重w的计算方法为
预设像素的运动概率m的两个阈值为m_T1和m_T2，其中m_T2＞m_T1，当m＜m_T1时，w的取值为最大滤波权重值Mw；当m＞m_T2时，w的取值为0；当m_T1≤m≤m_T2时，w的取值随m的增大由Mw到0之间单调递减。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510181060.2A CN104796581B (zh) | 2015-04-16 | 2015-04-16 | 一种基于噪声分布特征检测的视频去噪系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510181060.2A CN104796581B (zh) | 2015-04-16 | 2015-04-16 | 一种基于噪声分布特征检测的视频去噪系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104796581A CN104796581A (zh) | 2015-07-22 |
| CN104796581B true CN104796581B (zh) | 2018-02-02 |
Family
ID=53561079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510181060.2A Active CN104796581B (zh) | 2015-04-16 | 2015-04-16 | 一种基于噪声分布特征检测的视频去噪系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104796581B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300016B (zh) * | 2018-10-29 | 2021-11-16 | 成都理工大学 | 一种基于两两物品差异相关性的商品推荐方法 |
| 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 |
| CN111292845B (zh) * | 2020-01-21 | 2020-11-03 | 梅里医疗科技(洋浦)有限责任公司 | 一种用于智慧病房的智能护理交互系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101123681A (zh) * | 2007-09-20 | 2008-02-13 | 宝利微电子系统控股公司 | 一种数字图像降噪方法及装置 |
| CN102236888A (zh) * | 2011-07-22 | 2011-11-09 | 清华大学 | 基于双树离散小波包的图像去噪方法 |
| CN103024248A (zh) * | 2013-01-05 | 2013-04-03 | 上海富瀚微电子有限公司 | 运动自适应的视频图像降噪方法及其装置 |
| CN103369209A (zh) * | 2013-07-31 | 2013-10-23 | 上海通途半导体科技有限公司 | 视频降噪装置及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8279345B2 (en) * | 2009-07-21 | 2012-10-02 | Qualcomm Incorporated | System and method for random noise estimation in a sequence of images |
-
2015
- 2015-04-16 CN CN201510181060.2A patent/CN104796581B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101123681A (zh) * | 2007-09-20 | 2008-02-13 | 宝利微电子系统控股公司 | 一种数字图像降噪方法及装置 |
| CN102236888A (zh) * | 2011-07-22 | 2011-11-09 | 清华大学 | 基于双树离散小波包的图像去噪方法 |
| CN103024248A (zh) * | 2013-01-05 | 2013-04-03 | 上海富瀚微电子有限公司 | 运动自适应的视频图像降噪方法及其装置 |
| CN103369209A (zh) * | 2013-07-31 | 2013-10-23 | 上海通途半导体科技有限公司 | 视频降噪装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104796581A (zh) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8149336B2 (en) | Method for digital noise reduction in low light video | |
| CN101647268B (zh) | 用于画面增强的噪声检测和估计技术 | |
| EP2413586B1 (en) | Method and device for adaptive noise measurement of a video signal | |
| US8254454B2 (en) | Apparatus and method for reducing temporal noise | |
| JP4767240B2 (ja) | 映像の境界を検出する方法及びその装置とこれを具現するコンピューターで読み取れる記録媒体 | |
| US8503814B2 (en) | Method and apparatus for spectrum estimation | |
| CN104767913B (zh) | 一种对比度自适应的视频去噪系统 | |
| CN106023204A (zh) | 一种基于边缘检测算法去除蚊式噪声的方法及系统 | |
| CN106651792B (zh) | 一种卫星影像条带噪声去除方法及装置 | |
| CN104796581B (zh) | 一种基于噪声分布特征检测的视频去噪系统 | |
| US10242432B2 (en) | Video denoising system based on noise correlation | |
| US20080231753A1 (en) | Noise reducer for video signals | |
| CN105282397A (zh) | 运动字幕的去隔行方法及装置 | |
| CN104780295B (zh) | 一种基于噪声相关性的视频去噪系统 | |
| CN114205578A (zh) | 基于频域偏度和频域峰值的视频模糊异常检测方法和系统 | |
| JP6222854B2 (ja) | 映像検査方法及び音声検査方法 | |
| JP2008028475A (ja) | 画像処理装置、画像処理プログラム、画像処理プログラムを記録する記録媒体、画像処理方法 | |
| KR100351160B1 (ko) | 영상 움직임 보상 장치 및 방법 | |
| CN106898020A (zh) | 基于视频处理的监控图像对比度异常识别方法及系统 | |
| KR100698266B1 (ko) | 3차원 디인터레이싱 장치 및 그 방법 | |
| JP6244221B2 (ja) | 人検出装置 | |
| CN104580975B (zh) | 一种自适应插值场内去隔行方法 | |
| US8670071B1 (en) | Method and apparatus for de-interlacing video | |
| US20150195501A1 (en) | Method and apparatus for compensating for color imbalance in image data | |
| Becker | Low-Cost Spatio-Temporal Algorithm for Defective Pixel Identification and Correction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20171208 Address after: 102412 Beijing City, Fangshan District Yan Village Yan Fu Road No. 1 No. 11 building 4 layer 402 Applicant after: Beijing Si Lang science and Technology Co.,Ltd. Address before: 100080 Zhongguancun East Road, Beijing, No. 95, No. Applicant before: Institute of Automation, Chinese Academy of Sciences |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220118 Address after: 519031 room 532, building 18, No. 1889, Huandao East Road, Hengqin District, Zhuhai City, Guangdong Province Patentee after: Zhuhai Jilang Semiconductor Technology Co.,Ltd. Address before: 102412 room 402, 4th floor, building 11, No. 1, Yanfu Road, Yancun Town, Fangshan District, Beijing Patentee before: Beijing Si Lang science and Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 701, 7th Floor, Building 56, No. 2, Jingyuan North Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing 100176 (Beijing Pilot Free Trade Zone High-end Industry Zone Yizhuang Group) Patentee after: Beijing Jilang Semiconductor Technology Co., Ltd. Address before: 519031 room 532, building 18, No. 1889, Huandao East Road, Hengqin District, Zhuhai City, Guangdong Province Patentee before: Zhuhai Jilang Semiconductor Technology Co.,Ltd. |