CN106373125B - 一种基于信息熵的雪花噪声检测方法 - Google Patents

Abstract

本发明涉及一种基于信息熵的雪花噪声检测方法。本发明以获取像素点灰度值整体分布状态为基础，通过将前后图像帧分别转化到灰度空间，然后把所有像素点的灰度值聚类到n个区间，以灰度直方图的形式展现其分布状态，并计算出各自的信息熵，最后通过比较前后帧信息熵的变化大小来判断视频流中是否存在雪花噪声。本发明中当实际计算值不小于既设阈值且后一帧的值比前一帧大或者当实际计算值小于既设阈值但前一帧标记为噪声帧时，我们最终判定其真实存在雪花噪声，否则认为是正常图像。本发明在检测视频雪花噪声方面有较高的准确性，也为之后的去除雪花噪声得到更好的视觉效果做出了很好的铺垫。

Description

一种基于信息熵的雪花噪声检测方法

技术领域

本发明涉及一种视频流当中雪花噪声的检测方法，特别涉及一种利用图像信息熵特征值作为评价指标，对视频流前后帧作相应的比较处理，得到最后噪声检测结果的一种雪花噪声检测方法。

背景技术

随着计算机技术和通讯技术等领域的快速发展，人们对影像资料视觉效果的要求也在不断提高，但由于信号干扰以及线路问题等产生的噪声依旧是影响视觉观赏效果的主要因素之一，其中就包括雪花噪声。现在，在这方面的处理已经越来越得到重视，而检测噪声是去除噪声的关键一步。

目前为止，对雪花噪声的检测已经有了一些观点和方法，也具有一定的参考性。在邱铭杰的论文《监控视频图像质量诊断方法研究及实现》中提出了利用噪声点和SNR值综合判断噪声，但没有考虑到雪花噪声属于图像全局分布的特点，导致会有一些不必要的误检；在刘渠、张贵茂、刘祥的期刊文章《视频监控中的图像质量检测》中提出采用小窗口来计算局部图像的方差的方法，这样的做法同样是基于噪声点与正常像素点灰度值的差异，不过它基于图像本身的检测而不是针对视频的检测；在专利《一种监测监控视频出现雪花噪声的系统和方法》(专利号：201410636977.2)中通过随机选取前后帧图像的几个相同位置相同大小的子块，比较其均方差大小进行初步判定，再计算SNR值来最后判定噪声，该方法从块出发，虽然在一定程度上比从像素点出发减少了工作量，但存在偶然性造成误检。在专利《一种基于机器学习的视频异常检测方法》(专利号：201310722563.7)中提到对噪声点采用全局检测和分块检测两步来判断视频流中是否存在雪花噪声，它是先利用像素点在视频流前后帧的灰度值变化来初步判定噪声点，再根据雪花噪声点在图像中的空间布局特点来作为存在雪花噪声的检测依据，这样的方式在理论上有一定的可信度，但经过大量的实验验证，依据这两步得到的检测效果并不理想，排除算法本身会产生的误差之外，这样的理论仍然是处理不了很多情况的，分析如下：通过差值运算可以检测出图像中是否存在大量的无规则运动的噪点,但是该算法应用于监控视频具有一定的局限性：在雨雪天气时,视频画面中由于捕捉到细小雨滴，有时难以分辨噪点和天气干扰因素；当画面中的运动物体占用的面积过大时，也容易将没有雪花干扰的图像判断为有干扰的图像，这就导致了检测结果的不理想。

本发明采用了信息熵的特征模型，信息熵原本是用来衡量一个随机变量出现的期望值，一个变量的信息熵越大，那么它出现的各种情况也就越多，也就是包含的内容越多，应用在图像处理中的信息熵表示各像素点灰度值的分布状况，熵越大表示图像表达的信息越多，表现在像素灰度越分散，反之则越集中。换句话说，当图像出现雪花噪声时，其整体的灰度值差异会扩大，分布变得分散，图像所能表达出来的信息就混乱，此时图像的信息熵就比正常的偏大，因此，利用这个特点可以用来区分正常图像和雪花图像。这类模型在计算机图像分析和计算机视觉处理中应用相当广泛，他们的共同优点是计算公式直观、物理意义清晰、数学上易于处理,该方法区别于基于图像像素点的质量评价方法，它考量的是图像帧中所有像素灰度值的整体分布。

发明内容

本发明公开了一种基于信息熵的雪花噪声检测方法，该方法以获取像素点灰度值整体分布状态的基础，通过将前后图像帧分别转化到灰度空间，然后把所有像素点的灰度值聚类到n个区间，以灰度直方图的形式展现其分布状态，并计算出各自的信息熵，最后通过比较前后帧信息熵的变化大小来判断视频流中是否存在雪花噪声。

本发明的技术步骤如下：

步骤1：获取图像数据

首先读取视频流，区分前后帧，同时把每一帧图像转化到灰度空间，从而获取每一帧图像中所有像素点的灰度值。

步骤2：处理原始数据，构造直方图

将图像帧中所有像素点的灰度值进行聚类操作，即将灰度划分为n个相同大小的区间，将所有像素点的灰度值投影到相应的区间内，然后统计出不同区间的像素点所占总像素数量的比例，最后按照这n个比例值构造出该帧图像的像素灰度直方图，从而用于观察效果。

步骤3：根据灰度值的整体分布状况，通过如下公式计算出该图像帧的信息熵：

其中，n表示灰度值区间个数，p_i表示第i个区间内的像素点数量所占总像素数量的比例。

步骤4：设定阈值，做出检测判断

分别计算出前后帧的信息熵，并计算出前后帧的信息熵相应的差值，将其与设定的阈值比较，根据实际情况，这里不仅要考虑到偶尔的噪声污染，对常见的连续雪花噪声帧也要有可行性的检测。其判定规则如下表所示：

这里，H_last与H_next分别表示前一帧和后一帧的信息熵；F是上一帧的标记，噪声帧为1，正常帧为0；F’是下一帧的标记，与上一阵的标记有关联；T为设定好的阈值，其中该阈值的确定建立在大量的视频样本检测包括正常视频和噪声视频的实验基础上，具有较好的参考性，参数judge作为最后判断结果的逻辑值。具体判定根据实际情况可分为四种，总结如下：

(1)从正常帧到噪声帧(即F＝0，F’＝1)：因为噪声帧包含的噪声会使得图像原始信息混乱，导致信息熵值上升，因此当差值Δ>＝T时，说明上升幅度超过了正常范围，判定下一帧为噪声帧；

(2)从正常帧到正常帧(即F＝0，F’＝0)：当-T<＝Δ<0或0<＝Δ<T时认为前后帧变化范围在正常范围，判定下一帧为正常帧；

(3)从噪声帧到噪声帧(即F＝1，F’＝1)：当Δ>＝T时说明下一帧受噪声污染的程度更严重，判定为噪声帧；当-T<＝Δ<0或0<＝Δ<T时，认为下一帧的信息量与噪声帧更接近，同样认为是噪声帧；

(4)从噪声帧到正常帧(即F＝1，F’＝0)：当Δ<-T时，，说明下降幅度达到了正常帧的范围，判定为正常帧。

步骤2中原始数据指的就是待检测帧中所有像素点的灰度值，将每个区间作为一个独立样本分别统计出其概率，那么构造出来的灰度直方图的横坐标就是灰度值，纵坐标指的就是该区间像素点所占总体的比例。

步骤3中，信息熵的计算需要满足该公式的三个限制条件：(1)信息熵对于P_i应该是连续的；(2)如果所有的P_i都相等，也就是P_i＝1/n，那么信息熵应该是关于n的单调递增函数；(3)信息熵是可以分别计算的。信息熵的大小在灰度直方图上有一定的体现，信息熵越大，说明表达出的信息越多，那么灰度分布就越分散，反之则表现为灰度值集中于每一块区域。

步骤4中，信息熵的差值可以表示为前后帧的差异，一般来说，视频流中前后帧的图像变化很小，差异不明显，那么其信息熵之差可以控制在一个阈值之内，而如果包含雪花帧，则差异就会变得明显而超过该阈值，这就是判定规则的依据。

本发明的有益效果：

该方法对监控视频中雪花噪声的检测有很好的效果，它从雪花噪声对正常图像的灰度影响出发，考量整体灰度值的分布变化，区别于单纯考虑像素点的灰度变化的方法，对于大部分视频都可以准确的识别检测；

发明中使用的信息熵指标对像素点个体的灰度变化不作考量，而是面向所有像素点的灰度变化，这样就使得该检测过程可以排除雨雪天气等特殊场景的误判，大大提高了检测正确率和检测范围；

该发明使用的判定规则使之不仅适用于单帧噪声帧的检测，而且对连续噪声帧的分辨也有很好的效果，且正常帧的误检率很低；

本发明在整个判断过程中只需要预先设定一个阈值，与其他方法相比，这在一定程度上提高了准确性，因为阈值都需要通过大量实验来确定，其中包含一定的主观成分，那么每一个阈值的设定都成为了误检的潜在原因。

附图说明

图1为检测程序流程图。

图2为本发明实验中雪花帧及其灰度直方图。

图3为本发明实验中雨雪天气情况下的灰度直方图。

图4为本发明实验中正常监控视频及其灰度直方图。

图5为本发明实验中对雪花噪声帧的检测结果图。

图6为本发明实验中排除对雨雪天气的误检图。

图7为本发明实验中对正常视频的检测结果图。

图8为本发明实验中对连续噪声帧的检测结果图。

具体实施方式

下面结合附图，对本发明的具体实施方案作进一步详细描述。关于检测过程的建立其具体步骤描述如图1-图8所示：

步骤1：读取视频流，以lastFrame和currentFrame区分前后帧，将每一帧的图像转化到灰度空间，获取每个像素点的灰度值；

步骤2：将灰度值0-255平均划分成20个样本区间，所有像素点的灰度值一一投影到相应的区间内，然后统计出不同区间内像素点个数所占的比例值作为该像素区间出现的样本概率，同时根据得到的20个比例值构造出该幅图像帧的灰度统计直方图，该直方图的横坐标为像素灰度值，纵坐标即为概率值。

INPUT：capture-file for detecting

//输入待检测视频文件

OUTPUT：hist_img-Histogram of gray statistics

//输出每一帧的灰度统计直方图

For i＝1 to capture.length

Read(frame)；

Divided into 20 sample interval of gray；//灰度区间分段

Initial(hist_img)；

For j＝1 to 20

If(interval.Lower bound≦gray≦interval.upper bound)

Interval.count++；

Calculate Rate；

End if

//灰度统计直方图的构建

End for

Make(hist_img)；

Show(hist_img)；

End for

步骤3：按照信息熵的计算公式，分别计算出前后帧的信息熵，将结果显示出来的同时展示当前帧的灰度直方图。

步骤4：将前后帧的信息熵做差值，并将该差值与预设阈值0.1作比较，按照设定好的判定规则给出最后的检测结果，同时可以确定该检测帧所处的位置，这里一般不需要统计整个视频流中包含的雪花帧数目。

本发明方法对监控视频中雪花噪声的检测有很好的效果，它从雪花噪声对正常图像的灰度影响出发，考量整体灰度值的分布变化，区别于单纯考虑像素点的灰度变化的方法，对于大部分视频都可以准确的识别检测；如图2所示为本发明实验中雪花帧及其灰度直方图。

发明中使用的信息熵指标对像素点个体的灰度变化不作考量，而是面向所有像素点的灰度变化，这样就使得该检测过程可以排除雨雪天气等特殊场景的误判，大大提高了检测正确率和检测范围；参看图3为本发明实验中雨雪天气情况下的灰度直方图，图6为本发明实验中排除对雨雪天气的误检图。

该发明使用的判定规则使之不仅适用于单帧噪声帧的检测，而且对连续噪声帧的分辨也有很好的效果，且正常帧的误检率很低；

参看图4-图8，本发明在整个判断过程中只需要预先设定一个阈值，与其他方法相比，这在一定程度上提高了准确性，因为阈值都需要通过大量实验来确定，其中包含一定的主观成分，那么每一个阈值的设定都成为了误检的潜在原因。

Claims (2)

1.一种基于信息熵的雪花噪声检测方法，其特征在于该方法以获取像素点灰度值整体分布状态为基础，通过将前后图像帧分别转化到灰度空间，然后把所有像素点的灰度值聚类到n个区间，以灰度直方图的形式展现其分布状态，并计算出各自的信息熵，最后通过比较前后帧信息熵的变化大小来判断视频流中是否存在雪花噪声；

具体实现过程包括如下步骤：

步骤1：获取图像数据

首先读取视频流，区分前后帧，同时把每一帧图像转化到灰度空间，从而获取每一帧图像中所有像素点的灰度值；

步骤2：处理原始数据，构造直方图

将图像帧中所有像素点的灰度值进行聚类操作，即将灰度划分为n个相同大小的区间，将所有像素点的灰度值投影到相应的区间内，然后统计出不同区间的像素点所占总像素数量的比例，最后按照这n个比例值构造出该帧图像的像素灰度直方图，从而用于观察效果；

步骤3：根据灰度值的整体分布状况，通过如下公式计算出该图像帧的信息熵：

这里n表示灰度值区间个数，p_i表示第i个区间内的像素点数量所占图像中像素总体的比例；

步骤4：设定阈值，做出检测判断

分别计算出前后帧的信息熵，计算出相应的差值，将其与设定的阈值比较，分别计算出前后帧的信息熵，计算出相应的差值，将其与设定的阈值比较，其判定规则如下表所示：

其中，H_last与H_next分别表示前一帧和后一帧的信息熵；F是上一帧的标记，噪声帧为1，正常帧为0；F’是下一帧的标记，与上一阵的标记有关联；T为设定好的阈值，其中该阈值的确定建立在大量的视频样本检测包括正常视频和噪声视频的实验基础上，具体判定根据实际情况可分为四种，总结如下：

(1)从正常帧到噪声帧，即F＝0，F’＝1：因为噪声帧包含的噪声会使得图像原始信息混乱，导致信息熵值上升，因此当差值Δ>＝T时，说明上升幅度超过了正常范围，判定下一帧为噪声帧；

(2)从正常帧到正常帧，即F＝0，F’＝0：当Δ<-T或-T<＝Δ<0或0<＝Δ<T时认为前后帧变化范围在正常范围，判定下一帧为正常帧；

(3)从噪声帧到噪声帧，即F＝1，F’＝1：当Δ>＝T时说明下一帧受噪声污染的程度更严重，判定为噪声帧；当-T<＝Δ<0或0<＝Δ<T时，认为下一帧的信息量与噪声帧更接近，同样认为是噪声帧；

(4)从噪声帧到正常帧，即F＝1，F’＝0：当Δ<-T时，说明下降幅度达到了正常帧的范围，判定为正常帧。

2.根据权利要求1所述的一种基于信息熵的雪花噪声检测方法，其特征在于：在步骤3中，信息熵的计算需要满足步骤3所述公式的三个限制条件：

(1)信息熵对于P_i应该是连续的；

(2)如果所有的P_i都相等，也就是P_i＝1/n，那么信息熵应该是关于n的单调递增函数；

(3)信息熵是能够分别计算的；信息熵的大小在灰度直方图上有一定的体现，信息熵越大，说明表达出的信息越多，那么灰度分布就越分散，反之则表现为灰度值集中于每一块区域。