CN106408563A - 一种基于变异系数的雪花噪声检测方法 - Google Patents
一种基于变异系数的雪花噪声检测方法 Download PDFInfo
- Publication number
- CN106408563A CN106408563A CN201610871496.9A CN201610871496A CN106408563A CN 106408563 A CN106408563 A CN 106408563A CN 201610871496 A CN201610871496 A CN 201610871496A CN 106408563 A CN106408563 A CN 106408563A
- Authority
- CN
- China
- Prior art keywords
- frame
- noise
- value
- variation
- utility function
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明涉及一种基于变异系数的雪花噪声检测方法。本发明中变异系数的数值能够用来衡量前后帧图像的差异变化大小,根据正常视频相邻帧的图像信息量变化会在一定范围内,而出现雪花噪声之后变化程度明显偏大导致该数值有显著偏差的思想来对噪声帧进行区分;同时采用效用函数对变异系数进行放大处理,并采用小概率原理和假设检验的数学统计思想对相邻n个效用函数值进行数学统计,并最终根据数学统计值的变化幅度来区分出噪声帧。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
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,特别涉及一种利用变异系数作为评价指标,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:通过差值运算操作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。
本发明采用了变异系数的特征模型,变异系数的数值可以用来衡量前后帧图像的差异变化大小,根据正常视频相邻帧的图像信息量变化会在一定范围内而出现雪花噪声之后变化程度明显偏大导致该数值有显著偏差的思想来对噪声帧进行区分。另外,由于计算所得的变异系数值较小不容易利用阈值进行区分因此采用效用函数对变异系数进行放大处理,为了避免每次检测处理中都要根据视频流的差异而去改变阈值,实验中采用了小概率原理和假设检验的数学统计思想对相邻n个效用函数值进行数学统计,并最终根据统计值的变化幅度来区分出噪声帧,提高了该方法的自适应能力。
发明内容
本发明公开了一种基于变异系数的雪花噪声检测方法,该方法以获取相邻帧图像信息变化幅度为基础,通过将前后图像帧分别转化到灰度空间,先作噪声点统计处理包括全局和局部统计并与既设阈值作比较以较快速地排除正常图像帧,然后计算出各变异系数值并用效用函数进行放大,统计部分相邻效用函数值的均值和方差,最后通过衡量前后均值的变化幅度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,从而获取图像中所有像素点的灰度值。
步骤2:提取差值图,统计差异较大的像素点数量
逐帧读取视频流,将相邻帧图像进行差值计算,获取差值图。这里采用的是高斯过滤之后的差值图。统计规则如下:
其中,IN(x,y)指的是差值图IN的像素值,x与y指相邻帧之间发生位置变化的像素点的坐标,将获得的差值与设置好的阈值做比较,若结果大于阈值,则将结果置为1,反之置为0;
步骤3:确定全局噪声点检测结果
统计出IN(x,y)等于1的像素点的个数,记为Sn;根据Sn的大小判断出待测的差值图中是否存在雪花噪声。逻辑结果判定规则如下:
其中,设置噪点阈值T2,将Sn与噪点阈值T2作比较,若大于噪点阈值T2则将一次判断的逻辑结果值R设为1,表示初步判定存在雪花噪声,并进入步骤4,将一次判断的逻辑结果值R设为0,且直接判定不存在雪花噪声。
步骤4:确定局部噪声点检测结果
将初步判定为有雪花噪声的待测的差值图帧平均划分为N*N,其中N大于等于4;即平均划分为4*4(或者分的更细)共16等块,对划分后的每个等块分别进行噪声点统计的操作,同时每个等块的阈值将相应地设置为全局阈值的1/16,如果检测结果为每个等块都符合雪花噪声分布,则判定为该帧图像存在雪花噪声或者特殊情况,并进入步骤5,否则判定为非雪花噪声因素引起的全局检测的误判。
步骤5:计算变异系数值,用效用函数进行放大
变异系数原公式为:σ/u,应用在图像前后帧处理中变形为:
其中,P(x,y)指的是参考图像帧,而R(x,y)指的是待测图像帧,由于求出来的数值太小不容易比较,因此引入效用函数的公式g=kx2,这个函数用来衡量影响因子x对源图像的影响程度大小,而x代表的就是变异系数,那么效用函数就变形为:
其中,系数k用来放大计算值使得处理的计算值更易于观察。根据这两个公式计算出对应相邻帧之间的效用函数值。
步骤6:对效用函数值进行数学统计,衡量变化幅度。
为避免不同视频流阈值不同而需要重新设置的情况,考虑小概率原理和假设检验的思想来提高检测的自适应性,即计算当前帧的相邻前k帧正常视频帧的效用函数值计算出其均值u1和标准差σ1,再计算包括当前帧在内的k+1帧效用函数值的均值u2和标准差σ2,根据小概率原理,若满足|u1-u2|<3σ1,则说明当前帧对之前k帧的影响可以忽略从而判定其为正常帧,否则认为是噪声帧。
步骤3中,全局检测得到的噪声点统计值可以表示像素值变化较大的点所占的比例,考虑到雪花噪声全局覆盖的特点,这样就可以排除大部分正常图像帧,也为整个检测过程节省了时间。
在步骤4中,分块的意义同样在于快速排除正常帧,其作用在于防止在步骤3全局检测中有快速移动的物体干扰或者其他特殊场景造成误检。分块的大小没有具体规定,不宜过大而达不到局部检测要求,也不宜过小而大程度地增大计算量。
在步骤5中,当需要比较两组数据离散程度大小的时候,如果两组数据的测量尺度相差太大,或者数据量纲的不同,直接使用标准差来进行比较不合适,此时就应当消除测量尺度和量纲的影响,而变异系数可以做到这一点,但这里的计算值太小而不好比较,引入效用函数就可以很好地解决这一点。
在步骤6中,小概率原理考虑的就是噪声帧在一段视频中出现的频次总是占极少数,那么在正常帧的切换中其计算值均值和标准差的变化总是会在正常范围内,因此这里假设了浮动范围在3倍原标准差之内,显然噪声帧对其的影响是可以被检测出来的。
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,并考虑到雪花噪声全局分布的特点将噪声点统计置于前两步,减少了计算量,加快了检测速度,对于大部分视频都可以准确的识别检测;
发明中使用的小概率原理针对的是正常帧的变化幅度,且计算过程尽量控制在一个场景中,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;
附图说明
图1为检测程序流程图。
图2为本发明实验中为图像帧加噪处理的展示图。
图3为本发明实验中包含雪花帧的部分检测结果图。
图4为本发明实验中雨雪天气情况下的部分检测结果图。
图5为本发明实验中所有监控视频的检测结果总结图。
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5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:对所有待检测视频流利用其前后帧的像素点变化特征进行噪声点的统计与判定,这一过程利用帧差值与既设阈值比较,超过阈值则认为是“噪声点”,先是全局范围的检测,用来较快地筛选出正常的图像帧,这里设置全局噪声点阈值为0.3,即表示当差值图中统计到的噪声点数达到总像素点的30%的时候需要进入分块检测,否则直接认为没有噪声。像素点的比较算法为:
步骤3:将超过全局阈值的图像帧进行4*4分块,分别检测每一块的噪声点分布,相应地这里的局部阈值就是全局阈值的1/16,根据雪花噪声点全覆盖分布且位置随机变化的特点,若每一块的统计值均超过局部阈值,才能判定为是雪花噪声帧或者特殊情况,不满足这一条件说明前后帧的某些部分变化过大,可能处于场景切换或者存在较大的背景物体,而不是噪声影响,需要将这部分误检的情况排除。排除的规则算法如下:
步骤4:读取前一帧和后一帧视频帧,采用变形后的变异系数计算公式和效用函数的计算公式计算出每个相邻帧的效用函数值。
步骤5:将前5帧默认为正常帧,计算初始均值u1和标准差σ1,继续检测下一帧,计算包含该帧在内的6帧效用函数值的均值u2和标准差σ2,利用小概率原理进行衡量当前帧的变化幅度,满足条件时认为是正常帧,然后更新均值和标准差;否则认为是噪声帧,此时噪声帧不在比较范围内,因此不需要更新,具体流程如下:
如图2-5所示,本发明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,并考虑到雪花噪声全局分布的特点将噪声点统计置于前两步,减少了计算量,加快了检测速度,对于大部分视频都可以准确的识别检测。
发明中使用的小概率原理针对的是正常帧的变化幅度,且计算过程尽量控制在一个场景中,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,参看图4和5,从而大大提高了检测正确率和检测范围。
Claims (2)
1.一种基于变异系数的雪花噪声检测方法,其特征在于该方法中变异系数的数值能够用来衡量前后帧图像的差异变化大小,根据正常视频相邻帧的图像信息量变化会在一定范围内,而出现雪花噪声之后变化程度明显偏大导致该数值有显著偏差的思想来对噪声帧进行区分;同时采用效用函数对变异系数进行放大处理,并采用小概率原理和假设检验的数学统计思想对相邻n个效用函数值进行数学统计,并最终根据数学统计值的变化幅度来区分出噪声帧。
2.根据权利要求1所述的一种基于变异系数的雪花噪声检测方法,其特征在于具体实现步骤如下:
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:提取差值图,统计差异较大的像素点数量
逐帧读取视频流,将相邻帧图像进行差值计算,获取差值图像;统计规则如下:
其中,IN(x,y)指的是差值图IN的像素值,x与y指相邻帧之间发生位置变化的像素点的坐标,将获得的差值与设置好的阈值做比较,若结果大于阈值,则将结果置为1,反之置为0;
步骤3:确定全局噪声点检测结果
统计出IN(x,y)等于1的像素点的个数,记为Sn;根据Sn的大小判断出待测的差值图中是否存在雪花噪声;逻辑结果判定规则如下:
其中,设置噪点阈值T2,将Sn与噪点阈值T2作比较,若大于噪点阈值T2则将一次判断的逻辑结果值R设为1,表示初步判定存在雪花噪声,并进入步骤4,将一次判断的逻辑结果值R设为0,且直接判定不存在雪花噪声;
步骤4:确定局部噪声点检测结果
将初步判定为有雪花噪声的待测的差值图帧平均划分为N*N,其中N大于等于4;对划分后的每个等块分别进行噪声点统计的操作,同时每个等块的阈值将相应地设置为全局阈值的1/N*N,如果检测结果为每个等块都符合雪花噪声分布,则判定为该帧图像存在雪花噪声或者特殊情况,并进入步骤5,否则判定为非雪花噪声因素引起的全局检测的误判;
步骤5:计算变异系数值,用效用函数进行放大
变异系数原公式为:σ/u,应用在图像前后帧处理中变形为:
其中,P(x,y)指的是参考图像帧,而R(x,y)指的是待测图像帧,由于求出来的数值太小不容易比较,因此引入效用函数的公式g=kx2,这个函数用来衡量影响因子x对源图像的影响程度大小,而x代表的就是变异系数,那么效用函数就变形为:
其中,系数k用来放大计算值使得处理的计算值更易于观察;根据这两个公式计算出对应相邻帧之间的效用函数值;
步骤6:对效用函数值进行数学统计,衡量变化幅度;
为避免不同视频流阈值不同而需要重新设置的情况,考虑小概率原理和假设检验的思想来提高检测的自适应性,即计算当前帧的相邻前k帧正常视频帧的效用函数值计算出其均值u1和标准差σ1,再计算包括当前帧在内的k+1帧效用函数值的均值u2和标准差σ2,根据小概率原理,若满足|u1-u2|<3σ1,则说明当前帧对之前k帧的影响能够忽略从而判定其为正常帧,否则认为是噪声帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610871496.9A CN106408563B (zh) | 2016-09-30 | 2016-09-30 | 一种基于变异系数的雪花噪声检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610871496.9A CN106408563B (zh) | 2016-09-30 | 2016-09-30 | 一种基于变异系数的雪花噪声检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408563A true CN106408563A (zh) | 2017-02-15 |
CN106408563B CN106408563B (zh) | 2019-06-11 |
Family
ID=59228040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610871496.9A Active CN106408563B (zh) | 2016-09-30 | 2016-09-30 | 一种基于变异系数的雪花噪声检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408563B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315914A (zh) * | 2017-06-26 | 2017-11-03 | 太原理工大学 | 一种多尺度嵌套的空间统计单元构建方法 |
CN107707958A (zh) * | 2017-10-25 | 2018-02-16 | 深圳慧源创新科技有限公司 | 图像信道自动选择的方法及装置 |
CN110728852A (zh) * | 2019-11-07 | 2020-01-24 | 陈定良 | 一种太阳能红绿灯 |
CN111277729A (zh) * | 2020-02-26 | 2020-06-12 | 新疆大学 | 视频图像的处理方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080291331A1 (en) * | 2007-05-22 | 2008-11-27 | Funai Electric Co., Ltd. | Television receiver |
CN103996177A (zh) * | 2014-05-27 | 2014-08-20 | 武汉科技大学 | 一种无参考检测消除雪花噪声算法 |
-
2016
- 2016-09-30 CN CN201610871496.9A patent/CN106408563B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080291331A1 (en) * | 2007-05-22 | 2008-11-27 | Funai Electric Co., Ltd. | Television receiver |
CN103996177A (zh) * | 2014-05-27 | 2014-08-20 | 武汉科技大学 | 一种无参考检测消除雪花噪声算法 |
Non-Patent Citations (2)
Title |
---|
MEILI ZHONG ET AL: "An improved detection algorithm of snowflake noise based on spatial domain", 《THE 2014 7TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
余燕飞 等: "基于空间域的图像噪声检测技术", 《计算机应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315914A (zh) * | 2017-06-26 | 2017-11-03 | 太原理工大学 | 一种多尺度嵌套的空间统计单元构建方法 |
CN107315914B (zh) * | 2017-06-26 | 2019-01-29 | 太原理工大学 | 一种多尺度嵌套的空间统计单元构建方法 |
CN107707958A (zh) * | 2017-10-25 | 2018-02-16 | 深圳慧源创新科技有限公司 | 图像信道自动选择的方法及装置 |
CN107707958B (zh) * | 2017-10-25 | 2019-11-12 | 深圳慧源创新科技有限公司 | 图像信道自动选择的方法及装置 |
CN110728852A (zh) * | 2019-11-07 | 2020-01-24 | 陈定良 | 一种太阳能红绿灯 |
CN111277729A (zh) * | 2020-02-26 | 2020-06-12 | 新疆大学 | 视频图像的处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106408563B (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106373125B (zh) | 一种基于信息熵的雪花噪声检测方法 | |
CN106408563A (zh) | 一种基于变异系数的雪花噪声检测方法 | |
CN115082482A (zh) | 一种金属表面缺陷检测方法 | |
CN102800082B (zh) | 一种无参考的图像清晰度检测方法 | |
CN104183142A (zh) | 一种基于图像视觉处理技术的车流量统计方法 | |
CN103886598B (zh) | 一种基于视频图像处理的隧道烟雾检测装置与方法 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN103530878A (zh) | 一种基于融合策略的边缘提取方法 | |
CN106127741A (zh) | 基于改良自然场景统计模型的无参考图像质量评价方法 | |
CN106412573A (zh) | 一种检测镜头污点的方法和装置 | |
CN107657244A (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
CN107784651A (zh) | 一种基于模糊检测加权的模糊图像质量评价方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN104036485A (zh) | 一种关于图像重采样篡改检测的方法 | |
CN102621154B (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法 | |
CN105374047A (zh) | 基于改进的双边滤波与聚类的sar图像变化检测方法 | |
CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN103020580A (zh) | 快速人脸检测方法 | |
CN107689039A (zh) | 估计图像模糊度的方法和装置 | |
CN113240829B (zh) | 一种基于机器视觉的闸机智能通行检测方法 | |
CN109558765A (zh) | 汽车及车道线的检测方法、装置 | |
CN111259833A (zh) | 一种基于交通图像的车辆计数方法 | |
CN106254864A (zh) | 监控视频中的雪花和噪点噪声检测方法 |
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 |