CN106251345A - 一种实时监测视频对比度异常的方法 - Google Patents

Abstract

本发明公开了一种实时监测视频对比度异常的方法，包括以下步骤：(1)输入图像；(2)计算图像的平均梯度特征；(3)计算图像的Brenner梯度特征；(4)计算图像的结构相似性特征；(5)对步骤(2)‑(4)中的各项特征进行SVM分类判别。本发明提供了一种实时监测视频对比度异常的方法，该方法能够通过多特征融合的方式来完成对野外视频的监控，更好的适应了野外视频的复杂情况，提高了判断的准确率。

Description

一种实时监测视频对比度异常的方法

技术领域

本发明属于图像处理领域，具体是指一种实时监测视频对比度异常的方法。

背景技术

视觉信息是人们在自然界当中感知的最主要的信息，研究表明，人类接收到的全部信息当中，通过视觉系统得到的占到70％以上。在实际生产活动中，尤其是野外视频监控领域，常常由于光线不足、雾霾、烟雾、团雾、废弃泄露等因素的影响，使得所获得的监控视频图像的亮度异常，对比度不够明显，导致拍摄场景无法看清，影响了对正常生产活动的监控与监测。为了更好的服务于生产活动，获得质量更好的监控视频，有必要提早发现图像对比度异常的情况，以方便管理人员及时纠正监控设备。现有的图像对比度检测方法主要有平均梯度法，信噪比法等；其中，平均梯度法通过计算图像整体的梯度平均值来表示对比度的强弱，而对于野外监控而言，由于使用环境恶劣，不可避免的将会出现一定的噪声干扰，从而导致了采用平均梯度法来判断对比度异常的准确率较低的情况出现；而信噪比的方法需要将计算信号和噪声的比值来确定对比度，但噪声通常跟信号混杂在一起，无法准确分割出来，因此信噪比的方法在实际应用过程中意义不大。针对上述情况，如今需要一种更加适用于野外视频监控的图像检测方法。

发明内容

本发明的目的在于克服上述问题，提供了一种实时监测视频对比度异常的方法，该方法能够通过多特征融合的方式来完成对野外视频的监控，更好的适应了野外视频的复杂情况，提高了判断的准确率。

本发明的目的通过下述技术方案实现：

一种实时监测视频对比度异常的方法，包括以下步骤：

(1)输入图像；

(2)计算图像的平均梯度特征；

(3)计算图像的Brenner梯度特征；

(4)计算图像的结构相似性特征；

(5)对步骤(2)-(4)中的各项特征进行SVM分类判别。

步骤(2)中计算图像的平均梯度特征的定义公式为：

$\stackrel{\‾}{Grad}=\frac{1}{M\×N}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\Σ}}_{n=1}^N\sqrt{\frac{{\left({\mathrm{\Δ}}_{m}f\right(m,n\left)\right)}^2+{\left({\mathrm{\Δ}}_{n}f\right(m,n\left)\right)}^2}{2}},$

其中，为图像的平均梯度特征，M和N分别表示图像的高度和宽度，Δ_mf(m，n)和Δ_nf(m，n)分别表示图像在像素点(m，n)的m和n方向上的差分，而f(m，n)则代表像素点(m，n)处的图像像素值，即：

Δ_mf(m，n)＝f(m，n)-f(m-1，n)，

Δ_nf(m，n)＝f(m，n)-f(m，n-1)。

步骤(3)中图像的Brenner梯度特征为：

$\begin{array}{c}{F}_{BrennerGrad}={\Σ}_{x=1}^M{\Σ}_{y=1}^N|f(x+1,y)-f(x,y)|-{\Σ}_{x=1}^M{\Σ}_{y=1}^N|f(x+2,y)-\\ fx,y;\end{array}$

其中，f(x，y)该图像的灰度图像，M×N为该灰度图像f(x，y)的大小，M和N分别为该灰度图像f(x，y)的宽和高。

步骤(4)中的计算图像结构相似性特征首先需要将原始图像进行低通滤波，得到参考图像，并计算参考图像和原始图像之间的结构相似性，而该结构相似性则是通过计算参考图像和原始图像之间的结构相似度得到的，其中的结构相似度既SSIM；SSIM将图像分为亮度L，对比度C，结构S三个部分并分别进行比较，然后加权乘积获得最终的SSIM值，具体的计算公式为：

SSIM(x，y)＝[L(x，y)]^α[C(x，y)]^β[S(x，y)]^γ，

$L(x,y)=\frac{2u_x{u}_y+C_1}{u_x^2+u_y^2+C_1},$

$C(x,y)=\frac{2{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_2}{{\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+C_2},$

$S(x,y)=\frac{{\mathrm{\σ}}_{xy}+C_3}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_3},$

其中，u_x和u_y分别为参考图像和原始图像的亮度平均值，σ_x和σ_y为标准差，σ_xy为协方差，C₁，C₂，C₃均为常数。

步骤(5)中需要首先收集若干张对比度正常和异常的监控视频图像作为正样本和负样本，并对正样本和负样本分别提取上述(2)-(4)步中的各项特征形成特征向量；接着利用SVM二元分类器进行学习训练成为分类器模型，其中，训练样本为(x_i，y_i)，x_i代表特征向量，y_i代表对应的类别，该对应的类别是指对比度正常或异常，那么相应的分类函数则为：

$f\left(\stackrel{\→}{x}\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i^{*}{y}_{i}K\right({\stackrel{\→}{x}}_i,\stackrel{\→}{x})+b^{*}),$

其中b^*是分类阈值，当时，x就属于该类，否则就不属于该类。

本发明与现有技术相比，具有以下优点及有益效果：

本发明的方法能够通过多特征融合的方式来完成对野外视频的监控，更好的适应了野外视频的复杂情况，提高了判断的准确率，使得管理人员能够及时的纠正监控设备，很好的提高了野外视频的质量，进而使得人们对野外视频的检测与监控更加方便。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种实时监测视频对比度异常的方法，其特征在于：包括以下步骤：

(1)输入图像，既将视频图像输入。

(2)计算图像的平均梯度特征；

计算图像的平均梯度特征的定义公式为：

$\stackrel{\‾}{Grad}=\frac{1}{M\×N}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\Σ}}_{n=1}^N\sqrt{\frac{{\left({\mathrm{\Δ}}_{m}f\right(m,n\left)\right)}^2+{\left({\mathrm{\Δ}}_{n}f\right(m,n\left)\right)}^2}{2}},$

其中，为图像的平均梯度特征，M和N分别表示图像的高度和宽度，Δ_mf(m，n)和Δ_nf(m，n)分别表示图像在像素点(m，n)的m和n方向上的差分，而f(m，n)则代表像素点(m，n)处的图像像素值，即：

Δ_mf(m，n)＝f(m，n)-f(m-1，n)，

Δ_nf(m，n)＝f(m，n)-f(m，n-1)。

(3)计算图像的Brenner梯度特征；

一个大小为M×N的灰度图像f(x，y)的Brenner特征定义为：

$F_{Brenner}={\mathrm{\Σ}}_{X=1}^M{\mathrm{\Σ}}_{y=1}^N{\left(f\right(x+2,y)-f(x,y\left)\right)}^2;$

Brenner梯度特征可以看作是模板T＝[-1，0，1]和对应位置的图像像素[f(x，y)，f(x+1，y)，f(x+2，y)]依次进行卷积，在图像中每一个像素点处，其响应为掩模模板系数与掩模下方对应的像素值的乘积之和；

其中，模板T＝[-1，0，1]是一个带通滤波器，Brenner梯度特征正是通过带通滤波来滤除比例较大的低频能量，而保留在图像中的中频部分的能量；

那么，步骤(3)中图像的Brenner梯度特征为：

$\begin{array}{c}{F}_{BrennerGrad}={\Σ}_{x=1}^M{\Σ}_{y=1}^N|f(x+1,y)-f(x,y)|-{\Σ}_{x=1}^M{\Σ}_{y=1}^N|f(x+2,y)-\\ fx,y.\end{array}$

其中，f(x，y)为该图像的灰度图像，M×N为该灰度图像f(x，y)的大小，M和N分别为该灰度图像f(x，y)的宽和高。

(4)计算图像的结构相似性特征；

计算图像结构相似性特征首先需要将原始图像进行低通滤波，得到参考图像，并计算参考图像和原始图像之间的结构相似性，而该结构相似性则是通过计算参考图像和原始图像之间的结构相似度得到的，其中的结构相似度既SSIM；SSIM将图像分为亮度L，对比度C，结构S三个部分并分别进行比较，然后加权乘积获得最终的SSIM值，具体的计算公式为：

SSIM(x，y)＝[L(x，y)]^α[C(x，y)]^β[S(x，y)]^γ，

$L(x,y)=\frac{2u_x{u}_y+C_1}{u_x^2+u_y^2+C_1},$

$C(x,y)=\frac{2{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_2}{{\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+C_2},$

$S(x,y)=\frac{{\mathrm{\σ}}_{xy}+C_3}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_3},$

其中，u_x和u_y分别为参考图像和原始图像的亮度平均值，σ_x和σ_y为标准差，σ_xy为协方差，C₁，C₂，C₃均为常数，这三个常数主要是为了防止上述公式中的分母接近0时产生不稳定现象；

实际使用过程中，用8x8的窗口逐个像素的在原始图像和参考图像上移动，计算窗口对应子图像的SSIM值，并对所有SSIM值求平均，便可以得到整个图像的SSIM值。

(5)对步骤(2)-(4)中的各项特征进行SVM分类判别。

需要首先收集若干张对比度正常和异常的监控视频图像作为正样本和负样本，并对正样本和负样本分别提取上述(2)-(4)步中的各项特征形成特征向量；接着利用SVM二元分类器进行学习训练成为分类器模型，其中，训练样本为(x_i，y_i)，x_i代表特征向量，y_i代表对应的类别，该对应的类别是指对比度正常或异常，那么相应的分类函数则为：

$f\left(\stackrel{\→}{x}\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i^{*}{y}_{i}K\right({\stackrel{\→}{x}}_i,\stackrel{\→}{x})+b^{*}),$

其中b^*是分类阈值，当时，x就属于该类，否则就不属于该类。

在完成了SVM分类判别之后，分类后的图像则进入相应分类的处理模块进行处理。比如，在图像的对比度异常时进行报警提示，告知用户监控视频数据异常等。

如上所述，便可很好的实现本发明。

Claims (5)

1.一种实时监测视频对比度异常的方法，其特征在于：包括以下步骤：

(1)输入图像；

(2)计算图像的平均梯度特征；

(3)计算图像的Brenner梯度特征；

(4)计算图像的结构相似性特征；

(5)对步骤(2)-(4)中的各项特征进行SVM分类判别。

2.根据权利要求1所述的一种实时监测视频对比度异常的方法，其特征在于：步骤(2)中计算图像的平均梯度特征的定义公式为：

$\stackrel{\‾}{Grad}=\frac{1}{M\×N}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\Σ}}_{n=1}^N\sqrt{\frac{{\left({\mathrm{\Δ}}_{m}f\right(m,n\left)\right)}^2+{\left({\mathrm{\Δ}}_{n}f\right(m,n\left)\right)}^2}{2}},$

其中，为图像的平均梯度特征，M和N分别表示图像的高度和宽度，Δ_mf(m，n)和Δ_nf(m，n)分别表示图像在像素点(m，n)的m和n方向上的差分，而f(m，n)则代表像素点(m，n)处的图像像素值，即：

Δ_mf(m，n)＝f(m，n)-f(m-1，n)，

Δ_nf(m，n)f(m，n)-f(m，n-1)。

3.根据权利要求1所述的一种实时监测视频对比度异常的方法，其特征在于：步骤(3)中图像的Brenner梯度特征为：

$\begin{array}{c}{F}_{BrennerGrad}={\mathrm{\Σ}}_{x=1}^M{\mathrm{\Σ}}_{y=1}^N|f(x+1,y)-f(x,y)|-{\mathrm{\Σ}}_{x=1}^M{\mathrm{\Σ}}_{y=1}^N|f(x+2,y)-\\ fx,y;\end{array}$

其中，f(x，y)为该图像的灰度图像，M×N为该灰度图像f(x，y)的大小，M和N分别为该灰度图像f(x，y)的宽和高。

4.根据权利要求1所述的一种实时监测视频对比度异常的方法，其特征在于：步骤(4)中的计算图像结构相似性特征首先需要将原始图像进行低通滤波，得到参考图像，并计算参考图像和原始图像之间的结构相似性，而该结构相似性则是通过计算参考图像和原始图像之间的结构相似度得到的，其中的结构相似度既SSIM；SSIM将图像分为亮度L，对比度C，结构S三个部分并分别进行比较，然后加权乘积获得最终的SSIM值，具体的计算公式为：

SSIM(x，y)＝[L(x，y)]^α[C(x，y)]^β[S(x，y)]^γ，

$L(x,y)=\frac{2u_x{u}_y+C_1}{u_x^2+u_y^2+C_1},$

$C(x,y)=\frac{2{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_2}{{\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+C_2},$

$S(x,y)=\frac{{\mathrm{\σ}}_{xy}+C_3}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_3},$

其中，u_x和u_y分别为参考图像和原始图像的亮度平均值，σ_x和σ_y为标准差，σ_xy为协方差，C₁，C₂，C₃均为常数。

5.根据权利要求1所述的一种实时监测视频对比度异常的方法，其特征在于：步骤(5)中需要首先收集若干张对比度正常和异常的监控视频图像作为正样本和负样本，并对正样本和负样本分别提取上述(2)-(4)步中的各项特征形成特征向量；接着利用SVM二元分类器进行学习训练成为分类器模型，其中，训练样本为(x_i，y_i)，x_i代表特征向量，y_i代表对应的类别，该对应的类别是指对比度正常或异常，那么相应的分类函数则为：

$f\left(\stackrel{\→}{x}\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i^{*}{y}_{i}K\left({\stackrel{\→}{x}}_i,\stackrel{\→}{x}\right)+b^{*}),$

其中b^*是分类阈值，当时，x就属于该类，否则就不属于该类。