CN109547777B - 一种复杂场景的视频噪声快速检测方法 - Google Patents

Abstract

本发明涉及视频图像处理技术领域，尤其是一种复杂场景的视频噪声快速检测方法，其特征在于：将单帧图像与滤波之后的图像差分,并对差分图像进行阈值判断及噪声均匀度占比计算，从而判断出视频是否含噪声。本发明的优点是：运动物体不会对噪声检测造成干扰；避免了边缘密集型物体图像对检测结果的误判；计算速度快，准确性高；适用性广，尤其适用于人流密集区域的视频噪声检测。

Description

一种复杂场景的视频噪声快速检测方法

技术领域

本发明涉及视频图像处理技术领域，尤其是一种复杂场景的视频噪声快速检测方法。

背景技术

视频监控信号传输的传统方式是通过视频基带传输，即视频信号不经过频率变换等任何处理，由图像摄取端通过同轴电缆直接传输到监视端的传输方式。图像在传输时直接利用同轴电缆的0-6MHz来传输，非常容易受到干扰，使图像出现网纹、横纹及雪花噪声，影响监视和事后取证效果；另外，光学设备故障也有可能产生上述噪声。

铁路大型客站视频监控系统一般含有上千路视频监控摄像机，因此利用图像处理技术提取视频图像特征，对系统进行自动巡检，尽早发现视频噪声问题并及时修复，以保障铁路运营安全。

但现有的视频噪声检测方法大多采用多帧差分的步骤，存在算法复杂、计算资源消耗高的情况，如CN106530248A《一种变电站场景视频噪声的智能检测方法》，需经解码、帧间差分、Canny图滤除前景、卷积运算、SIFT特征转化与RANSAC算法筛选，不适用于大规模视频监控系统的噪声检测；基于均匀度分析的噪声检测方法，如CN106303512A《视频雪花噪声检测方法》，仅适用于检测视频雪花噪声，对于局部条纹噪声干扰不具备良好的判别能力。

发明内容

本发明的目的是根据上述现有技术的不足，提供了一种复杂场景的视频噪声快速检测方法，利用单帧视频图像、中值滤波、Canny边缘提取及阈值判断等方法去除了运动物体对噪声检测造成的干扰，减少计算量。

本发明目的实现由以下技术方案完成：

一种复杂场景的视频噪声快速检测方法，用于检测视频是否含有真实噪声其特征在于：将单帧图像与对所述单帧图像进行滤波之后的图像进行差分,并对差分图像进行阈值判断及噪声均匀度占比计算，从而判断出视频是否含真实噪声。

所述滤波是指中值滤波，所述差分图像即为初步噪声图像，提取所述单帧图像的边缘干扰噪声并与所述初步噪声图像相与得到边缘噪声图像，再对所述边缘噪声图像进行所述阈值判断及所述噪声均匀度占比计算。

所述阈值判断包括建立噪声判别阈值λ，再将所述初步噪声图像中小于阈值λ的像素点置零，所述噪声均匀度占比计算包括非零值区域占比计算及噪声比率计算。

通过所述噪声均匀度占比计算判断视频是否含真实噪声，其步骤为：若非零值区域的占比超过设定值则进行噪声比率计算，若不超过则判断视频不含真实噪声；若计算出的噪声比率值超过设定值时，判断该视频包含真实噪声，若不超过则判断该视频中不含真实噪声。

所述阈值λ的计算公式为如下：

λ=μ+2σ+5

式中，μ为初步噪声图像像素点灰度值的均值，σ为初步噪声图像像素点灰度值的标准差。

本发明的优点是：运动物体不会对噪声检测造成干扰；避免了边缘密集型物体图像对检测结果的误判；计算速度快，准确性高；适用性广，尤其适用于人流密集区域的视频噪声检测。

附图说明

图1为本发明的流程图。

具体实施方式

以下结合附图通过实施例对本发明特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：

实施例：本实施例中的利用单帧图像的视频噪声检测方法，不会受运动物体的影响，降低误判的可能性；利用中值滤波、Canny边缘提取及阈值判断等图像处理方法，减少了计算量。

如图1所示，本发明的实施步骤包括：

1）通过IP地址从视频编码器取流，并提取复杂场景的单帧视频图片，由于取到的图像一般为4CIF格式，不需压缩；通过单桢图片判断视频是否含噪声，有效滤除了运动物体产生的噪声，降低误判的可能性。

2）将单帧图片转化为灰度图像，对图片进行降维，将3维矩阵降到2维，在保留噪声特征的同时减少计算量。

3）利用3×3的2维矩形模板，对灰度图像进行中值滤波，其原理是数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。中值滤波对于斑点噪声和雪花噪声效果明显。

4）将灰度图像与中值滤波后的图像进行差分，得到初步噪声图像（即差分图像）。

在非边缘区域，中值滤波可有效去除相应的噪声。虽然中值滤波能较好地保持图像边缘特性，但在实际图像中边缘大多不是水平或垂直，也并不光滑，因此其反而会在物体成像边缘造成较多的梯度突变点。即在本来没有噪声的边缘区域，中值滤波造成了新的噪声干扰，因此需对在边缘区域产生的假噪声进行滤除。

5）计算初步噪声图像像素灰度值的均值μ与标准差σ。

6）对原灰度图像进行canny边缘检测，获取边缘图像。

Canny算法的目标是找到一个最优的边缘，最优的含义之一是，算子检测的边缘点与实际边缘点应该一一对应。算法中有对边缘梯度方向的非极大值抑制，只选取周围具有相同梯度方向的点中梯度值最大的点作为边缘像素，因此通过Canny算法提取的边缘非常细。

7）对边缘图像进行膨胀处理。膨胀结构元素内核为13×13的椭圆，其锚点位于内核的（6,6）位置。

由于中值滤波产生的噪声并不完全与边缘重合，而是分布在边缘与两侧一定区域内，需要对边缘进行膨胀。膨胀后即为受中值滤波影响的边缘图像。

8）将边缘膨胀图像与初步噪声图像相与，并将初步噪声图像像素值赋予相与后图像的相同位置，得到边缘噪声图像；

9）根据初步噪声图像像素灰度值的均值μ与标准差σ，建立噪声判别阈值λ=μ+2σ+5；将初步噪声图像中小于阈值λ的像素点置0。

该公式的理论基础是：根据正态分布的理论，初步噪声图像中的每个正常像素值概率分布趋近于符合正态分布。正态分布中，正常像素值大于u+2σ概率应低于2.3%[已知服从正态分布N（μ，σ2）的随机变量在区间（μ-σ，μ+σ），（μ-2σ，μ+2σ），和（μ-3σ，μ+3σ）内取值的概率分别为68.3%，95.4%，和99.7%]。为了增加算法的稳定性，加入了5这个较小的经验性可调变量，进一步降低了把正常像素当作噪声像素的概率。因噪声像素值总是远离均值μ，加上较小的可调变量，一般不会把噪声像素作为正常像素滤除。

因此，正常像素值大于该公式中的正常像素值概率极低，同时还尽量保留了噪声像素。与其他固定的值相比，该公式具有通用性和理论可行性。

阈值判断能将正常像素在中值滤波中产生的微小变动视为非噪声，提高判断精度。

10）将第9)步生成的图像与边缘噪声图像差分，得到真实噪声图像。

11）将真实噪声图像分割为若干个7×7的整齐排列区域，边缘不够7个像素的区域舍去；计算每个区域中的非0值，并记录。

12）若非0值的区域数量占整个区域数量的10%以上，则进行下一步，否则判断为非噪声视频。

通过上述图像处理方法，当某些监控成像区域中包含树木、流水及较远处攒动人群等边缘动态变化且密集的物体图像，由于这些物体成像的分布一般只集中在较小区域且分布不均匀，因此，通过非零值区域占比计算，可滤除因此类物体造成的误检，进一步提高判断的精度。

13）满足12）步要求后，计算真实噪声图像中非0值像素点的个数，并记录非0值像素点个数占所有像素点的比值；

14）若比值大于0.1%即认为此视频包含真实噪声，否则视频中不含噪声。

虽然以上实施例已经参照附图对本发明目的的构思和实施例做了详细说明，但本领域普通技术人员可以认识到，在没有脱离权利要求限定范围的前提条件下，仍然可以对本发明作出各种改进和变换，故在此不一一赘述。

Claims (2)

1.一种复杂场景的视频噪声快速检测方法，用于检测视频是否含有真实噪声， 其特征在于：将单帧图像转化为灰度图像，对所述灰度图像与所述灰度图像进行中值滤波之后的图像进行差分得到初步噪声图像；

计算所述初步噪声图像的像素灰度值的均值与标准差，对所述灰度图像进行canny边缘检测获取边缘图像，对所述边缘图像进行膨胀处理，将边缘膨胀图像与所述初步噪声图像相与，并将所述初步噪声图像像素值赋予相与后图像的相同位置，得到边缘噪声图像；

根据所述初步噪声图像像素灰度值的均值与标准差建立噪声判断阈值λ，将所述初步噪声图像中小于阈值λ的像素点置0；

将经过阈值λ处理所生成的图像与所述边缘噪声图像差分，得到真实噪声图像；

将真实噪声图像分割为若干整齐排列的区域，计算每个区域中的非0值，若非0值的区域数量占整个区域数量的占比超过设定值，则进行噪声比率计算，若不超过则判断视频不含真实噪声；

计算所述真实噪声图像中非0值像素点的个数，若非0值像素点的个数占所有像素点的比值超过设定值，则判断视频中包含真实噪声，若不超过则判断该视频中不含真实噪声。

2.根据权利要求1所述的一种复杂场景的视频噪声快速检测方法，其特征在于：所述阈值λ的计算公式为如下：

λ=μ+2σ+5

式中，μ为初步噪声图像像素点灰度值的均值，σ为初步噪声图像像素点灰度值的标准差。

Images