CN105263018A - 一种视频图像中叠加条纹检测方法和装置 - Google Patents
一种视频图像中叠加条纹检测方法和装置 Download PDFInfo
- Publication number
- CN105263018A CN105263018A CN201510658969.2A CN201510658969A CN105263018A CN 105263018 A CN105263018 A CN 105263018A CN 201510658969 A CN201510658969 A CN 201510658969A CN 105263018 A CN105263018 A CN 105263018A
- Authority
- CN
- China
- Prior art keywords
- video image
- striped
- piecemeal
- superposition
- judge
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种视频图像中叠加条纹检测方法和装置,该方法获取当前帧及前一帧YUV格式的视频图像中Y分量,计算得到前后两帧视频图像Y分量的差值数据;对所述差值数据进行平滑处理得到差值图像;对差值图像进行全局梯度判断和局部频域判断,判断视频图像是否存在叠加条纹。本发明的装置包括差值模块、平滑模块、梯度判断模块和频域判断模块。本发明的方法和装置,在提升了判别准确性的同时,耗时得到下降,能够满足实时应用的需求。
Description
技术领域
本发明属于视频质量检测技术领域,尤其涉及一种视频图像中叠加条纹检测方法和装置。
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。视频质量诊断系统采用先进科学的视频质量诊断技术,应用计算机视觉算法,对视频图像出现的叠加条纹、模糊、雪花、偏色、噪声等常见摄像机故障,做出准确判断并发出报警信息。
叠加条纹是摄像机常出现的一种故障,是评判视频质量好坏的关键因素之一。传统的叠加条纹诊断方法利用霍夫Hough变换配合背景建模算法、Canny算法,判断视频是否存在叠加条纹,或者利用像素方差值图像配合直线检测进行叠加条纹的检测。这一类方法能够对部分叠加条纹有一定的检测作用,但是对于一些特殊场景会出现错误判别的情况,例如有电线横穿画面、画面中存在斑马线等情况,且计算量较大,不易做到对视频图像的实时检测。
现有技术的一种视频监控图像条纹噪声的快速检测方法,该方法根据相对距离,将待检测图像的频谱图分成扩展调频带、周边区域频带两个子块,运用行、列累积函数检测扩展调频带是否存在异常亮点,利用阈值检测周边区域频带是否存在异常亮点,进而确定图像是否存在条纹噪声。但该方法视频图像上的叠加条纹具有集中在部分行或者列贯穿整个画面的特点,对整图做全局傅里叶变换,会消耗大量的时间,对于实时性要求很高的视频诊断系统,不具有实用性。其次,具有叠加条纹的视频图像与正常视频图像相比较,整图做单次全局傅里叶变换得到的频谱图,异常亮点不明显,用于判断视频图像是否有叠加条纹具有一定的局限性。
公开号为CN104282011A的专利申请公开了一种检测视频图像中干扰条纹的方法及装置,其基于霍夫Hough变换,配合背景建模算法、Canny算法的叠加干扰条纹检测方法。在视频质量诊断中,解码端输出YUV格式的实况码流,确定当前帧图像的帧差图像,采用背景建模算法、Canny算法,得到图像的有效区域,对其进行连通域计算,去除掉图像有效区域中不符合条纹特征的区域,得到条纹检测图像;对条纹检测图像进行霍夫Hough变换,得到条纹检测图像的干扰条纹分布信息。统计所述条纹检测图像中的直线条数在Hough空间的对应点的数量,将所述对应点的数量作为所述条纹检测图像的条纹分布强度值。但是该方法对于分辨率较高的视频图像,背景建模算法运算量较大,难以做到对视频图像的实时检测。其次,Canny运算在求取图像边缘的时候需要人工设定固定阈值,对于不同图像没有采取自适应的方法,容易出现结果边缘与人眼主观不符的情况,将会直接影响图像有效区域的准确性。再者,背景建模算法需要多帧图像才能确定所述当前帧图像的前景图像,不能快速的对大批量的视频图像进行叠加条纹检测。
发明内容
本发明提出了一种视频图像中叠加条纹检测方法和装置,能够避免现有技术检测的局限性,且降低了计算量,能够做到对视频图像的实时检测。
为了实现上述目的,本发明技术方案如下:
一种视频图像中叠加条纹检测方法,用于判断视频图像中是否存在叠加条纹,所述方法包括:
步骤1、获取当前帧及前一帧YUV格式的视频图像中Y分量,计算得到前后两帧视频图像Y分量的差值数据;
步骤2、对所述差值数据进行平滑处理得到差值图像;
步骤3、计算差值图像每个像素的梯度数据,采用预设的窗口对梯度数据进行遍历,统计窗口内的梯度数据来判断当前视频图像中存在叠加条纹、或不存在叠加条纹、或可能存在叠加条纹,并在判断可能存在叠加条纹时,进入下一步,否则结束检测;
步骤4、采用预设大小的分块和遍历间隔,对差值数据对应的差值图像进行遍历,对获取的分块进行二维傅里叶变换,统计分块的频谱信息判断视频图像是否存在叠加条纹。
本发明在判断视频图像中是否存在横向叠加条纹时,所述步骤3包括步骤:
步骤3.1、计算差值图像中每个像素x方向的梯度数据;
步骤3.2、对计算得到的梯度数据进行腐蚀膨胀形态学处理;
步骤3.3、采用预设的窗口对形态学处理后的梯度数据进行横向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
步骤3.4、利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入步骤4作进一步检测。
进一步地,所述步骤4包括步骤:
步骤4.1、采用预设大小的分块和遍历间隔对差值图像进行横向遍历;
步骤4.2、对获取到的各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向Y轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
步骤4.3、统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应行的上下两行再次执行步骤4.2,记录该有效分块数目最多的对应行及其上下两行的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
本发明在判断视频图像中是否存在纵向叠加条纹时,所述步骤3包括步骤:
步骤3.1′、计算差值图像中每个像素y方向的梯度数据;
步骤3.2′、对计算得到的梯度数据进行腐蚀膨胀形态学处理;
步骤3.3′、采用预设的窗口对形态学处理后的梯度数据进行纵向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
步骤3.4′、利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入步骤4作进一步检测。
进一步地,所述步骤4包括步骤:
步骤4.1′、采用预设大小的分块和遍历间隔对差值图像进行纵向遍历;
步骤4.2′、对各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向X轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
步骤4.3′、统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应列的左右两列再次执行步骤4.2′,记录该有效分块数目最多的对应列及其左右两列的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
本发明还提出了一种视频图像中叠加条纹检测装置,用于判断视频图像中是否存在叠加条纹,所述装置包括:
差值模块,用于获取并计算当前帧及前一帧YUV格式的视频图像中Y分量的差值,得到前后两帧视频图像Y分量的差值数据;
平滑模块,用于对所述差值数据进行平滑处理得到差值图像;
梯度判断模块,用于计算差值图像每个像素的梯度数据,采用预设的窗口对梯度数据进行遍历,统计窗口内的梯度数据来判断当前视频图像中存在叠加条纹、或不存在叠加条纹、或可能存在叠加条纹,并在判断可能存在叠加条纹时,进入下一步,否则结束检测;
频域判断模块,用于采用预设大小的分块和遍历间隔,对差值数据对应的差值图像进行遍历,对获取的分块进行二维傅里叶变换,统计分块的频谱信息判断视频图像是否存在叠加条纹。
本发明提出的一种视频图像中叠加条纹检测方法和装置,利用全局梯度算法,根据具有大面积且较强叠加条纹的视频图像,其连续帧Y分量差值的全局方向梯度经过形态学处理后,形成条带状的非零区域,明显不同于普通的视频图像的特征,能够很好的判别叠加条纹比较严重的视频图像;并采用分块频域算法,充分利用了叠加条纹较弱的图像区别于普通的图像,有较为连续且丰富的高频分量这一特性,可以很好的区分叠加条纹较弱的图像与普通监控视频图像,且根据分辨率不同采用不同的遍历间隔,计算图像各分块的频谱图,只有在必要的时候再针对特定区域进行后续频谱图的计算,在提升了判别准确性的同时,与对全图做单次傅里叶变换进行叠加条纹判断的方法相比较,耗时得到下降,能够满足实时应用的需求。
本发明通过全局方向梯度配合频谱分量的使用,能够有效的判别大面积叠加条纹的情况,同时还能够区分叠加条纹较弱的图像与普通监控图像,可以检测多种类型的叠加条纹,场景实适应性高于基于连续多帧图像像素方差的叠加条纹检测方法,对不同场景监控图像是否存在叠加条纹做出正确的评价。
附图说明
图1是本发明视频图像中叠加条纹检测方法整体流程图;
图2是本发明全局梯度判断流程图;
图3是本发明分块频域判断流程图;
图4为本发明视频图像中叠加条纹检测结构示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
图1是本发明一种视频图像中叠加条纹检测方法整体流程图,包括如下步骤:
步骤S1:获取并计算当前帧及前一帧YUV格式的视频图像中Y分量的差值,得到前后两帧视频图像Y分量的差值数据。
由于视频监控系统的前端图像采集设备长期连续工作及受各种外因影响,视频图像容易受叠加条纹噪声干扰而质量下降。叠加条纹干扰类型各异,起因也各不相同,如因工频干扰、系统内部电压不平衡或传输问题等外因所致,或因前端图像采集设备长期外露、不间断的工作特点引起图像传感器校准偏差、内部电流不平衡以及系统噪声或振动等产生。叠加条纹不仅降低了视频图像的质量,而且容易引发不可预测的故障,因此检测叠加条纹对于监测视频图像的质量具有重要的意义。
本实施例基于YUV格式视频图像进行叠加条纹检测,其中Y分量为亮度信息。由于叠加条纹主要体现在视频图像中部分像素亮度发生异常变化,因此通过检测当前帧与前一帧YUV格式视频图像中的Y分量的变化,可以判断出视频图像中是否具有叠加条纹。为了进行检测,本实施例首先获取当前帧及前一帧YUV格式的视频图像中Y分量数据,并计算得到前后两帧视频图像Y分量的差值数据。
步骤S2:对前后两帧视频图像Y分量的差值数据进行平滑处理得到差值图像。
本实施例采用高斯滤波器对前后两帧视频图像Y分量的差值数据进行平滑处理,即过滤掉稀疏的、差值比较小的数据,保留下差值比较大,相对集中的数据。从而得到差值数据对应的差值图像,进行下面步骤的分析。
步骤S3:计算差值图像每个像素的梯度数据,采用预设的窗口对梯度数据进行遍历,统计窗口内的梯度数据来判断当前视频图像中存在叠加条纹、或不存在叠加条纹、或可能存在叠加条纹,并在判断可能存在叠加条纹时,进入下一步,否则结束检测。
本步骤是根据差值图像对视频图像进行全局梯度判断,对平滑处理后的Y分量差值图像的梯度进行形态学处理,并在此基础上判断视频图像是否存在叠加条纹。具体如下:
步骤S301、计算差值图像每个像素的梯度。
本实施例采用索贝尔算子来计算差值图像中每个像素对应的梯度,梯度计算包括水平、垂直两个方向,其模板如公式1所示。利用该模板计算得到每个像素的x方向梯度fSobelx、y方向梯度fSobely。
需要说明的是,如果是判断视频图像中是否存在横向叠加条纹,则仅需要计算出x方向梯度即可,而如果是判断视频图像中是否存在纵向叠加条纹,则仅需要计算出y方向梯度即可。
步骤S302、对计算得到的梯度数据进行腐蚀膨胀形态学处理。
腐蚀膨胀是常用的形态学处理方法,腐蚀就是将图像的边缘腐蚀掉,其作用就是将目标的边缘的“毛刺”踢除掉;膨胀就是将图像的边缘扩大些,作用就是将目标的边缘或者是内部的坑填掉。通过腐蚀膨胀处理,能够使本实施例所关心的叠加条纹更加突出,消除了噪声的干扰,便于识别。
步骤S303、采用预设的窗口对形态学处理后的梯度数据进行遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1。
本实施例根据视频图像分辨率选择不同大小的窗口,记窗口大小为iArea个像素。例如当视频图像为1920*1080时,选择的窗口为500*300;当视频图像为1280*720时,选择的窗口为150*100。窗口的大小根据经验来进行选择,本发明不限定具体的窗口大小。
记iCntTotal/iArea=fratio1,从而通过本步骤统计出了fratio1>fThre1时的窗口数量iTotal。
需要说明的是,在对形态学处理后的梯度数据进行遍历时,可以仅对x方向梯度fSobelx或y方向梯度fSobely进行遍历,对x方向梯度进行横向遍历可以检测出横向叠加条纹,对y方向梯度进行纵向遍历可以检测出纵向叠加条纹。由于通常叠加条纹都是横向的,通常仅对x方向梯度进行横向遍历,以下不再赘述。
步骤S304、利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入下一步继续判断。
从而利用梯度对视频图像中是否存在叠加条纹进行了全局判断,而对于可能存在叠加条纹的情况,则继续下一步判断。
步骤S4、采用预设大小的分块和遍历间隔,对差值数据对应的差值图像进行遍历,对获取的分块进行二维傅里叶变换,统计分块的频谱信息判断视频图像是否存在叠加条纹。
本步骤用于在全局梯度判断后,对于可能存在叠加条纹的情况,对平滑处理后的Y分量差值图像,采用预设大小的分块(例如64*32)和遍历间隔进行分块,进行分块频域判断。具体包括如下步骤:
步骤S401、采用预设大小的分块和遍历间隔对差值图像进行遍历。
本实施例采用的分块大小为64*32、或32*16,并根据分辨率不同,采用不同的遍历间隔,遍历间隔计算方法如公式2所示,其中Δx、Δy分别为x、y方向的遍历间隔,iWidth、iHeight为视频图像的宽高,iWithMin=352、iHeightMin=288,为常见图像中最小分辨率,iWblock、iHblock为分块的宽高。
在遍历时,判断横向叠加条纹则进行横向遍历,这时候遍历间隔为Δy;当判断纵向叠加条纹时则进行纵向遍历,这时候遍历间隔为Δx。
步骤S402:对获取到的各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向X轴或Y轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1。
本实施例对各分块进行傅里叶变换,傅里叶变换后有效的频谱数据位于分块的四个角上,需要对傅里叶变换后的频谱数据进行对角交换,将有效的频谱数据集中在分块的中间区域,以便后续处理。
本实施例还对分块中的频谱能量值进行上封顶处理,处理公式3如下:
f(x,y)=min(255,f(x,y))公示3
即将频谱能量值大于255的值归一化为255。当iProjectionMax>iThre4时判定该分块为有效分块,并记录有效分块的数量iTotal2。
在判断不同方向的叠加条纹时,分块遍历的方向不同,对应的投影方向也不同。对于横向叠加条纹的判断,将频谱图向Y轴投影,而对于纵向叠加条纹的判断,则将频谱图向X轴投影。以横向叠加条纹为例,当一个分块在Y轴的投影满足iProjectionMax>iThre4时判定该分块为有效分块;而在判断纵向叠加条纹时,当一个分块在X轴的投影满足iProjectionMax>iThre4时判定该分块为有效分块。
步骤S403:统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应行或列的上下两行或左右两列再次执行步骤S402,记录总的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
本实施例在iTotal2/iCnt2>fThre5时,通过对有效分块数目最多的对应行或列的上下两行或左右两列再次进行频谱变换,得到三行或三列的总的有效分块数目iTotal3,利用iTotal3与分块总数iCnt2的比值fratio4及设定的阈值fThre6的比较结果,作为视频图像叠加条纹严重程度的评价依据,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
需要说明的是,步骤S403中,对有效分块数目最多的对应行或列的上下两行或左右两列再次进行频谱变换,得到三行或三列的总的有效分块数目iTotal3,具体包括:
当判断视频图像中是否存在横向叠加条纹时,对有效分块数目最多的对应行的上下两行再次执行步骤4.2,记录该有效分块数目最多的对应行及其上下两行的有效分块数目为iTotal3;而当判断视频图像中是否存在纵向叠加条纹时,对有效分块数目最多的对应列的左右两列再次执行步骤4.2,记录该有效分块数目最多的对应列及其左右两列的有效分块数目为iTotal3。
本实施例仅对分块进行傅里叶变换,与对整个视频图像进行傅里叶变换的方法相比较,保证检测准确度的同时,降低了计算复杂度。
如图4所示,本实施例一种视频图像中叠加条纹检测装置,用于判断视频图像中是否存在叠加条纹,该装置包括:
差值模块,用于获取当前帧及前一帧YUV格式的视频图像中Y分量,计算得到前后两帧视频图像Y分量的差值数据;
平滑模块,用于对所述差值数据进行平滑处理得到差值图像;
梯度判断模块,用于计算差值图像每个像素的梯度数据,采用预设的窗口对梯度数据进行遍历,统计窗口内的梯度数据来判断当前视频图像中存在叠加条纹、或不存在叠加条纹、或可能存在叠加条纹,并在判断可能存在叠加条纹时,进入下一步,否则结束检测;
频域判断模块,用于采用预设大小的分块和遍历间隔,对差值数据对应的差值图像进行遍历,对获取的分块进行二维傅里叶变换,统计分块的频谱信息判断视频图像是否存在叠加条纹。
与方法对应地,当判断视频图像中是否存在横向叠加条纹时,梯度判断模块执行如下操作:
计算差值图像中每个像素x方向的梯度数据;
对计算得到的梯度数据进行腐蚀膨胀形态学处理;
采用预设的窗口对形态学处理后的梯度数据进行横向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入频域判断模块作进一步检测。
对应地,频域判断模块执行如下操作:
采用预设大小的分块和遍历间隔对差值图像进行横向遍历;
对获取到的各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向Y轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应行的上下两行再次进行傅里叶变换,记录该有效分块数目最多的对应行及其上下两行的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
而当判断视频图像中是否存在纵向叠加条纹时,梯度判断模块执行如下操作:
计算差值图像中每个像素y方向的梯度数据;
对计算得到的梯度数据进行腐蚀膨胀形态学处理;
采用预设的窗口对形态学处理后的梯度数据进行纵向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入频域判断模块作进一步检测。
对应地,频域判断模块执行如下操作:
采用预设大小的分块和遍历间隔对差值图像进行纵向遍历;
对各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向X轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应列的左右两列再次进行傅立叶变换,记录该有效分块数目最多的对应列及其左右两列的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
本实施例中,对有效分块数目最多的对应列的左右两列再次进行傅立叶变换,即按照步骤4.2进行处理,这里不再赘述。
需要说明的是,本发明在进行全局梯度判断时,如果判定当前视频图像中存在叠加条纹,则当前视频图像中的叠加条纹为强叠加条纹;而在进行频域判断时,是在全局梯度判断无法判断时做的精细判断,如果判定当前视频图像中存在叠加条纹,则当前视频图像中的叠加条纹为弱叠加条纹。因此根据本发明还可以判断叠加条纹的强弱。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种视频图像中叠加条纹检测方法,用于判断视频图像中是否存在叠加条纹,其特征在于,所述方法包括:
步骤1、获取当前帧及前一帧YUV格式的视频图像中Y分量,计算得到前后两帧视频图像Y分量的差值数据;
步骤2、对所述差值数据进行平滑处理得到差值图像;
步骤3、计算差值图像每个像素的梯度数据,采用预设的窗口对梯度数据进行遍历,统计窗口内的梯度数据来判断当前视频图像中存在叠加条纹、或不存在叠加条纹、或可能存在叠加条纹,并在判断可能存在叠加条纹时,进入下一步,否则结束检测;
步骤4、采用预设大小的分块和遍历间隔,对差值数据对应的差值图像进行遍历,对获取的分块进行二维傅里叶变换,统计分块的频谱信息判断视频图像是否存在叠加条纹。
2.根据权利要求1所述的视频图像中叠加条纹检测方法,其特征在于,当判断视频图像中是否存在横向叠加条纹时,所述步骤3包括步骤:
步骤3.1、计算差值图像中每个像素x方向的梯度数据;
步骤3.2、对计算得到的梯度数据进行腐蚀膨胀形态学处理;
步骤3.3、采用预设的窗口对形态学处理后的梯度数据进行横向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
步骤3.4、利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入步骤4作进一步检测。
3.根据权利要求2所述的视频图像中叠加条纹检测方法,其特征在于,所述步骤4包括步骤:
步骤4.1、采用预设大小的分块和遍历间隔对差值图像进行横向遍历;
步骤4.2、对获取到的各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向Y轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
步骤4.3、统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应行的上下两行再次执行步骤4.2,记录该有效分块数目最多的对应行及其上下两行的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
4.根据权利要求1所述的视频图像中叠加条纹检测方法,其特征在于,当判断视频图像中是否存在纵向叠加条纹时,所述步骤3包括步骤:
步骤3.1′、计算差值图像中每个像素y方向的梯度数据;
步骤3.2′、对计算得到的梯度数据进行腐蚀膨胀形态学处理;
步骤3.3′、采用预设的窗口对形态学处理后的梯度数据进行纵向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
步骤3.4′、利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入步骤4作进一步检测。
5.根据权利要求4所述的视频图像中叠加条纹检测方法,其特征在于,所述步骤4包括步骤:
步骤4.1′、采用预设大小的分块和遍历间隔对差值图像进行纵向遍历;
步骤4.2′、对各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向X轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
步骤4.3′、统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应列的左右两列再次执行步骤4.2′,记录该有效分块数目最多的对应列及其左右两列的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
6.一种视频图像中叠加条纹检测装置,用于判断视频图像中是否存在叠加条纹,其特征在于,所述装置包括:
差值模块,用于获取当前帧及前一帧YUV格式的视频图像中Y分量,计算得到前后两帧视频图像Y分量的差值数据;
平滑模块,用于对所述差值数据进行平滑处理得到差值图像;
梯度判断模块,用于计算差值图像每个像素的梯度数据,采用预设的窗口对梯度数据进行遍历,统计窗口内的梯度数据来判断当前视频图像中存在叠加条纹、或不存在叠加条纹、或可能存在叠加条纹,并在判断可能存在叠加条纹时,进入下一步,否则结束检测;
频域判断模块,用于采用预设大小的分块和遍历间隔,对差值数据对应的差值图像进行遍历,对获取的分块进行二维傅里叶变换,统计分块的频谱信息判断视频图像是否存在叠加条纹。
7.根据权利要求6所述的视频图像中叠加条纹检测装置,其特征在于,当判断视频图像中是否存在横向叠加条纹时,所述梯度判断模块执行如下操作:
计算差值图像中每个像素x方向的梯度数据;
对计算得到的梯度数据进行腐蚀膨胀形态学处理;
采用预设的窗口对形态学处理后的梯度数据进行横向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入频域判断模块作进一步检测。
8.根据权利要求7所述的视频图像中叠加条纹检测装置,其特征在于,所述频域判断模块执行如下操作:
采用预设大小的分块和遍历间隔对差值图像进行横向遍历;
对获取到的各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向Y轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应行的上下两行再次进行傅里叶变换,记录该有效分块数目最多的对应行及其上下两行的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
9.根据权利要求6所述的视频图像中叠加条纹检测装置,其特征在于,当判断视频图像中是否存在纵向叠加条纹时,所述梯度判断模块执行如下操作:
计算差值图像中每个像素y方向的梯度数据;
对计算得到的梯度数据进行腐蚀膨胀形态学处理;
采用预设的窗口对形态学处理后的梯度数据进行纵向遍历,预设的窗口大小为iArea个像素,记遍历次数为iCnt1,统计每个窗口中非零像素数目,记为iCntTotal,当iCntTotal/iArea>fThre1时,fThre1为预设的阈值,计数iTotal加1;
利用上述计算结果iTotal,计算其与遍历次数iCnt1的比值fratio2,当fratio2大于预设的阈值fThre2时判定当前视频图像中存在叠加条纹,当fratio2小于预设的阈值fThre3时判定当前视频图像中不存在叠加条纹,而当fThre3<fratio2<fThre2时判定当前视频图像中可能存在叠加条纹,需要进入频域判断模块作进一步检测。
10.根据权利要求9所述的视频图像中叠加条纹检测装置,其特征在于,所述频域判断模块执行如下操作:
采用预设大小的分块和遍历间隔对差值图像进行纵向遍历;
对各分块进行二维傅里叶变换,对傅里叶变换后的频谱数据进行对角交换,并将频谱能量值f(x,y)进行上限封顶处理,最后将频谱图向X轴投影,记各分块中间区域的投影峰值为iProjectionMax,当iProjectionMax>iThre4时判定该分块为有效分块,计数有效分块数目iTotal2加1;
统计所有分块的检测结果,记分块总数为iCnt2,在iTotal2/iCnt2>fThre5时,对有效分块数目最多的对应列的左右两列再次进行傅立叶变换,记录该有效分块数目最多的对应列及其左右两列的有效分块数目为iTotal3,当iTotal3与分块总数iCnt2的比值fratio4大于设定的阈值fThre6时,判定视频图像中存在弱叠加条纹,否则判定视频图像中不存在叠加条纹,在iTotal2/iCnt2<fThre5时,判定视频图像中不存在叠加条纹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510658969.2A CN105263018B (zh) | 2015-10-12 | 2015-10-12 | 一种视频图像中叠加条纹检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510658969.2A CN105263018B (zh) | 2015-10-12 | 2015-10-12 | 一种视频图像中叠加条纹检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105263018A true CN105263018A (zh) | 2016-01-20 |
CN105263018B CN105263018B (zh) | 2017-08-15 |
Family
ID=55102499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510658969.2A Active CN105263018B (zh) | 2015-10-12 | 2015-10-12 | 一种视频图像中叠加条纹检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105263018B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106303158A (zh) * | 2016-09-30 | 2017-01-04 | 杭州电子科技大学 | 一种视频图像中的条纹异常检测方法 |
CN106998464A (zh) * | 2016-01-26 | 2017-08-01 | 北京佳讯飞鸿电气股份有限公司 | 检测视频图像中刺状噪声的方法及装置 |
CN107274427A (zh) * | 2017-06-28 | 2017-10-20 | 中国人民解放军国防科学技术大学 | 基于分块速度域能量累积的序列图像暗弱目标检测方法 |
CN110896470A (zh) * | 2018-09-13 | 2020-03-20 | 广州弘度信息科技有限公司 | 一种视频条纹检测方法 |
CN111246051A (zh) * | 2018-11-09 | 2020-06-05 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
CN111292272A (zh) * | 2020-03-04 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、介质以及电子设备 |
CN112714308A (zh) * | 2020-12-22 | 2021-04-27 | 武汉微创光电股份有限公司 | 一种检测视频滚动条纹的方法及装置 |
CN112752093A (zh) * | 2020-12-25 | 2021-05-04 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN113569713A (zh) * | 2021-07-23 | 2021-10-29 | 浙江大华技术股份有限公司 | 视频图像的条纹检测方法及装置、计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093179A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频条纹量化计算方法 |
CN103473779A (zh) * | 2013-09-22 | 2013-12-25 | 北京智诺英特科技有限公司 | 图像中条纹干扰的检测方法和装置 |
CN104282011A (zh) * | 2013-07-04 | 2015-01-14 | 浙江大华技术股份有限公司 | 一种检测视频图像中干扰条纹的方法及装置 |
CN104469345A (zh) * | 2014-12-10 | 2015-03-25 | 北京理工大学 | 一种基于图像处理的视频故障诊断方法 |
-
2015
- 2015-10-12 CN CN201510658969.2A patent/CN105263018B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093179A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频条纹量化计算方法 |
CN104282011A (zh) * | 2013-07-04 | 2015-01-14 | 浙江大华技术股份有限公司 | 一种检测视频图像中干扰条纹的方法及装置 |
CN103473779A (zh) * | 2013-09-22 | 2013-12-25 | 北京智诺英特科技有限公司 | 图像中条纹干扰的检测方法和装置 |
CN104469345A (zh) * | 2014-12-10 | 2015-03-25 | 北京理工大学 | 一种基于图像处理的视频故障诊断方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106998464A (zh) * | 2016-01-26 | 2017-08-01 | 北京佳讯飞鸿电气股份有限公司 | 检测视频图像中刺状噪声的方法及装置 |
CN106998464B (zh) * | 2016-01-26 | 2019-02-26 | 北京佳讯飞鸿电气股份有限公司 | 检测视频图像中刺状噪声的方法及装置 |
CN106303158A (zh) * | 2016-09-30 | 2017-01-04 | 杭州电子科技大学 | 一种视频图像中的条纹异常检测方法 |
CN106303158B (zh) * | 2016-09-30 | 2019-05-21 | 杭州电子科技大学 | 一种视频图像中的条纹异常检测方法 |
CN107274427A (zh) * | 2017-06-28 | 2017-10-20 | 中国人民解放军国防科学技术大学 | 基于分块速度域能量累积的序列图像暗弱目标检测方法 |
CN110896470A (zh) * | 2018-09-13 | 2020-03-20 | 广州弘度信息科技有限公司 | 一种视频条纹检测方法 |
CN111246051A (zh) * | 2018-11-09 | 2020-06-05 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
CN111246051B (zh) * | 2018-11-09 | 2021-06-29 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
US11689817B2 (en) | 2018-11-09 | 2023-06-27 | Zhejiang Uniview Technologies Co., Ltd. | Method and apparatus for automatically detecting and suppressing fringes, electronic device and computer-readable storage medium |
CN111292272A (zh) * | 2020-03-04 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、介质以及电子设备 |
CN112714308A (zh) * | 2020-12-22 | 2021-04-27 | 武汉微创光电股份有限公司 | 一种检测视频滚动条纹的方法及装置 |
CN112714308B (zh) * | 2020-12-22 | 2022-05-06 | 武汉微创光电股份有限公司 | 一种检测视频滚动条纹的方法及装置 |
CN112752093A (zh) * | 2020-12-25 | 2021-05-04 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN112752093B (zh) * | 2020-12-25 | 2022-08-16 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN113569713A (zh) * | 2021-07-23 | 2021-10-29 | 浙江大华技术股份有限公司 | 视频图像的条纹检测方法及装置、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105263018B (zh) | 2017-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105263018A (zh) | 一种视频图像中叠加条纹检测方法和装置 | |
CN103617412B (zh) | 实时车道线检测方法 | |
CN105260713B (zh) | 一种车道线检测方法和装置 | |
CN102508110B (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
CN102323070B (zh) | 列车异常检测方法和系统 | |
CN104469345B (zh) | 一种基于图像处理的视频故障诊断方法 | |
CN104282011B (zh) | 一种检测视频图像中干扰条纹的方法及装置 | |
CN106846344A (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN110517288A (zh) | 基于全景多路4k视频图像的实时目标检测跟踪方法 | |
CN106303158B (zh) | 一种视频图像中的条纹异常检测方法 | |
TWI491849B (zh) | 應用複數攝影裝置之物件定位方法 | |
CN104410830A (zh) | 一种基于视频烟雾检测的装置与方法 | |
CN109583365B (zh) | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 | |
CN101996406A (zh) | 无参考结构清晰度图像质量评价方法 | |
CN103413288A (zh) | 一种lcd总体检测缺陷方法 | |
CN104867134A (zh) | 一种用于无人机巡检输电线路杆塔的识别方法 | |
CN109446917A (zh) | 一种基于级联霍夫变换的消失点检测方法 | |
CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN109850711A (zh) | 一种基于3d测量技术的电梯门状态检测方法及系统 | |
CN104486618A (zh) | 视频图像的噪声检测方法及装置 | |
CN107729814A (zh) | 一种检测车道线的方法及装置 | |
CN102565103B (zh) | 一种基于x射线图像的焊缝缺陷跟踪检测方法 | |
CN105631411B (zh) | 一种基于视频分析的公交车拥挤度计算方法 | |
CN104504730B (zh) | 一种对停放车辆及抛落物的区分方法 | |
CN104282013B (zh) | 一种用于前景目标检测的图像处理方法及装置 |
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 |