CN113592801A - 视频图像的条纹干扰检测方法及其装置 - Google Patents
视频图像的条纹干扰检测方法及其装置 Download PDFInfo
- Publication number
- CN113592801A CN113592801A CN202110838394.8A CN202110838394A CN113592801A CN 113592801 A CN113592801 A CN 113592801A CN 202110838394 A CN202110838394 A CN 202110838394A CN 113592801 A CN113592801 A CN 113592801A
- Authority
- CN
- China
- Prior art keywords
- image
- video image
- video
- determining
- gradient
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000013139 quantization Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频图像的条纹干扰检测方法及其装置。其中,该检测方法包括:对视频图像进行缩放处理,得到缩放图像,然后对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差,之后基于量化处理的图像,确定像素平行线角度信息,基于像素平行线角度信息,统计视频图像中的直线数量,最后基于投影方差与直线数量,确定视频图像的条纹干扰检测结果。本发明解决了相关技术中在对视频图像的条纹干扰进行检测时检出率低的技术问题。
Description
技术领域
本发明涉及视频图像处理技术领域,具体而言,涉及一种视频图像的条纹干扰检测方法及其装置。
背景技术
随着智慧平安城市建设的大规模兴起,目前已经累积大量视频监控数据,而且数据量仍然在每天不停的增加,当前,由于视频监控系统往往存在布控范围大、工作时间长的特点,因此监控视频容易受条纹干扰。同时,条纹干扰类型差异大,(例如,常见的有横条纹、列条纹、斜条纹、粗条纹、细条纹以及周期条纹),其起因往往也各不相同(例如,工频干扰、内部电压不平衡、电流不平衡、传输、图像传感器偏差、系统噪声或者振动等等原因)。在实际使用过程中,条纹干扰不仅降低了视频的可解释性,而且容易引发不可预测的故障。因此,对监控系统的条纹干扰检测尤为重要。
相关技术中,由于仅仅利用傅里叶频谱的信息,过于依赖条纹干扰的周期性特征,会导致在真实场景下的视频条纹检测检出率低、鲁棒性差,以及由于算法对设定参数的依赖性很强,导致视频条纹检测泛化能力弱,难以应用到复杂的场景中。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种视频图像的条纹干扰检测方法及其装置,以至少解决相关技术中在对视频图像的条纹干扰进行检测时检出率低的技术问题。
根据本发明实施例的一个方面,提供了一种视频图像的条纹干扰检测方法,包括:对视频图像进行缩放处理,得到缩放图像;对所述缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差;基于所述量化处理的图像,确定像素平行线角度信息;基于所述像素平行线角度信息,统计所述视频图像中的直线数量;基于所述投影方差与所述直线数量,确定所述视频图像的条纹干扰检测结果。
可选地,对视频图像进行缩放处理,得到缩放图像的步骤,包括:从监控视频中提取一张所述视频图像;利用预设高斯核对所述视频图像进行滤波操作,得到滤波视频图像;按照预设缩放因子,对所述滤波视频图像进行降采样处理,得到所述缩放图像。
可选地,对所述缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差的步骤,包括:采用预设量化公式对所述缩放图像进行量化处理;分别计算量化处理的图像在第一方向上的第一梯度图和在第二方向上的第二梯度图;对所述第一梯度图和所述第二梯度图,计算对应于第一方向的第一梯度投影方差以及对应于第二方向的第二梯度投影方差,其中,所述第一梯度投影方差和所述第二梯度投影方差用于判断视频图像上的条纹方向和条纹强度。
可选地,基于所述量化处理的图像,确定像素平行线角度信息的步骤,包括:采用自定义掩膜蒙层作用于所述量化处理的图像之上,得到掩膜图像;分别计算所述掩膜图像在第一方向的第一梯度和在第二方向的第二梯度;基于所述第一方向的第一梯度和所述第二方向的第二梯度,计算所述掩膜图像中每个像素的平行线角度,得到像素平行线角度信息。
可选地,基于所述像素平行线角度信息,统计所述视频图像中的直线数量的步骤,包括:基于所述像素平行线角度信息,统计直线候选区,其中,所述直线候选区为所述掩膜图像中每相邻两条直线之间的平行线角度差小于第一预设阈值的区域;勾画所述直线候选区的最小检测框;计算所述直线候选区的最小检测框的主方向,统计所述直线候选区中的直线点个数,其中,所述最小检测框的主方向为所述直线候选区两条短边的中点连成直线的角度,所述直线点为所述直线候选区中像素的平行线角度与所述主方向角度小于第二预设阈值的像素点;基于所述直线点个数,统计所述视频图像中的直线数量,其中,所述直线是对所述直线点个数大于第三预设阈值的所述直线候选区勾画出的区域直线。
可选地,在对所述视频图像进行缩放处理,得到缩放图像之前,所述条纹干扰检测方法还包括:建立一张与所述视频图像大小一致的视频空图,其中,所述视频空图用于保存每个像素点在监控视频中的动态变化信息;确认预设监控视频中已处理的图像总帧数;基于所述动态变化信息和所述图像总帧数,确定所述像素点是否为闪烁点,记录所述闪烁点个数。
可选地,基于所述投影方差与所述直线数量,确定所述视频图像的条纹干扰检测结果的步骤,包括:确定与每种条纹干扰类型对应的方差权重、直线数量权重以及闪烁点个数权重;基于所述投影方差以及对应的方差权重、所述直线数量以及对应的直线数量权重、所述闪烁点个数以及对应的直闪烁点个数权重,确定所述视频图像的条纹干扰检测结果,其中,采用所述条纹干扰检测结果,评估在所述视频图像中出现的条纹噪声对监控视频的干扰程度。
可选地,在确定所述视频图像的条纹干扰检测结果之后,所述条纹干扰检测方法还包括:采用预设直线特征库,过滤所述条纹干扰检测结果中的非条纹直线。
根据本发明实施例的另一方面,还提供了一种视频图像的条纹干扰检测装置,包括:缩放单元,用于对视频图像进行缩放处理,得到缩放图像;第一确定单元,用于对所述缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差;第二确定单元,用于基于所述量化处理的图像,确定像素平行线角度信息;统计单元,用于基于所述像素平行线角度信息,统计所述视频图像中的直线数量;第三确定单元,用于基于所述投影方差与所述直线数量,确定所述视频图像的条纹干扰检测结果。
可选地,所述缩放单元包括:第一提取模块,用于从监控视频中提取一张所述视频图像;第一滤波模块,用于利用预设高斯核对所述视频图像进行滤波操作,得到滤波视频图像;第一降采样模块,用于按照预设缩放因子,对所述滤波视频图像进行降采样处理,得到所述缩放图像。
可选地,所述第一确定单元包括:第一量化模块,用于采用预设量化公式对所述缩放图像进行量化处理;第一计算模块,用于分别计算量化处理的图像在第一方向上的第一梯度图和在第二方向上的第二梯度图;对所述第一梯度图和所述第二梯度图,第二计算模块,用于计算对应于第一方向的第一梯度投影方差以及对应于第二方向的第二梯度投影方差,其中,所述第一梯度投影方差和所述第二梯度投影方差用于判断视频图像上的条纹方向和条纹强度。
可选地,所述第二确定单元包括:第一获得模块,用于采用自定义掩膜蒙层作用于所述量化处理的图像之上,得到掩膜图像;第三计算模块,用于分别计算所述掩膜图像在第一方向的第一梯度和在第二方向的第二梯度;第四计算模块,用于基于所述第一方向的第一梯度和所述第二方向的第二梯度,计算所述掩膜图像中每个像素的平行线角度,得到像素平行线角度信息。
可选地,所述统计单元包括:第一统计模块,用于基于所述像素平行线角度信息,统计直线候选区,其中,所述直线候选区为所述掩膜图像中每相邻两条直线之间的平行线角度差小于第一预设阈值的区域;第一勾画模块,用于勾画所述直线候选区的最小检测框;第二统计模块,用于计算所述直线候选区的最小检测框的主方向,统计所述直线候选区中的直线点个数,其中,所述最小检测框的主方向为所述直线候选区两条短边的中点连成直线的角度,所述直线点为所述直线候选区中像素的平行线角度与所述主方向角度小于第二预设阈值的像素点;第三统计模块,用于基于所述直线点个数,统计所述视频图像中的直线数量,其中,所述直线是对所述直线点个数大于第三预设阈值的所述直线候选区勾画出的区域直线。
可选地,所述条纹干扰检测装置还包括:第一建立模块,用于在对所述视频图像进行缩放处理,得到缩放图像之前,建立一张与所述视频图像大小一致的视频空图,其中,所述视频空图用于保存每个像素点在监控视频中的动态变化信息;第一确认模块,用于确认预设监控视频中已处理的图像总帧数;第一记录模块,用于基于所述动态变化信息和所述图像总帧数,确定所述像素点是否为闪烁点,记录所述闪烁点个数。
可选地,所述第三确定单元包括:第一确定模块,用于确定与每种条纹干扰类型对应的方差权重、直线数量权重以及闪烁点个数权重;第二确定模块,用于基于所述投影方差以及对应的方差权重、所述直线数量以及对应的直线数量权重、所述闪烁点个数以及对应的直闪烁点个数权重,确定所述视频图像的条纹干扰检测结果,其中,采用所述条纹干扰检测结果,评估在所述视频图像中出现的条纹噪声对监控视频的干扰程度。
可选地,所述条纹干扰检测装置还包括:在确定所述视频图像的条纹干扰检测结果之后,第一过滤模块,用于采用预设直线特征库,过滤所述条纹干扰检测结果中的非条纹直线。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备上述任意一项所述的视频图像的条纹干扰检测方法。
在本发明实施例中,采用对视频图像进行缩放处理,得到缩放图像,然后对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差,之后基于量化处理的图像,确定像素平行线角度信息,基于像素平行线角度信息,统计视频图像中的直线数量,最后基于投影方差与直线数量,确定视频图像的条纹干扰检测结果。在该实施例中,采用高效的直线提取算法快速得到视频图像中的直线数量,提高了条纹干扰的检出率,同时对压缩后的视频图像进行量化处理,分别计算量化处理的图像在不同方向的投影方差,使得该检测算法具备了检测条纹方向的能力,并且可以明显的降低条纹干扰的误检率,进而解决了相关技术中在对视频图像的条纹干扰进行检测时检出率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的视频图像的条纹干扰检测方法的流程图;
图2是根据本发明实施例的一种可选的自定义掩膜的示意图;
图3是根据本发明实施例的一种直线数量检测的示意图;
图4是根据本发明实施例的另一种可选的视频图像的条纹干扰检测方法的流程图;
图5是根据本发明实施例的一种视频图像的条纹干扰检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于本领域技术人员理解本发明,下面对本发明各实施例中涉及的部分术语或名词做出解释:
二维离散傅里叶变换(Two-Dimens ional Discrete Fourier Transform),是一种数字变换方法,一般应用于将图像从空间域转至频域。
离散傅里叶变换(Discrete Fourier Transform,DFT),是信号分析的最基本方法。
本发明实施例可以应用于各种视频图像的条纹干扰检测中,例如,各种监控视频图像(包括但不限于:各种固定摄像装置(例如,与补光灯连接的摄像机、家庭入口摄像机、大厦入口摄像头等)拍摄的视频,各种移动摄像装置(例如,移动终端-手机、平板、IPAD等)拍摄的视频)。
监控视频中,条纹干扰最为显著的特征是画面中存在明显的或长、或短的直线,因此可以利用检测直线的方法来检测监控视频中的条纹干扰程度。但是,由于真实自然场景的复杂性以及图像前景的干扰,现有技术中监控视频条纹干扰存在如下多个弊端:(1)条纹干扰种类多样(例如,絮状条纹、横或纵波状条纹、波纹状条纹等);(2)正常无损的监控视频中往往也会有大量的直线特征,容易误报条纹(例如,高楼、斑马线等);(3)复杂的图像纹理也会极大的影响监控视频中条纹干扰的检测。
在本实施例中,利用单幅图像中的直线检出数量来评估条纹干扰程度,并结合一系列的后处理操作减少误报,其中,单幅图像包括但不限于:灰度图、梯度图或者帧差图等,其选择可视具体情况进行选择。
根据本发明实施例,提供了一种视频图像的条纹干扰检测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种可选的视频图像的条纹干扰检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,对视频图像进行缩放处理,得到缩放图像。
步骤S104,对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差。
步骤S106,基于量化处理的图像,确定像素平行线角度信息。
步骤S108,基于像素平行线角度信息,统计视频图像中的直线数量。
步骤S110,基于投影方差与直线数量,确定视频图像的条纹干扰检测结果。
通过上述步骤,可以采用对视频图像进行缩放处理,得到缩放图像,然后对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差,之后基于量化处理的图像,确定像素平行线角度信息,基于像素平行线角度信息,统计视频图像中的直线数量,最后基于投影方差与直线数量,确定视频图像的条纹干扰检测结果。在该实施例中,采用高效的直线提取算法快速得到视频图像中的直线数量,提高了条纹干扰的检出率,同时对压缩后的视频图像进行量化处理,分别计算量化处理的图像在不同方向的投影方差,使得该检测算法具备了检测条纹方向的能力,并且可以明显的降低条纹干扰的误检率,进而解决了相关技术中在对视频图像的条纹干扰进行检测时检出率低的技术问题。
本实施例中,对于摄像头采集的监控视频(例如,道路交通监控视频、商场入口监控视频、大厦入口监控视频等),解析出对应于多个时间点的视频帧图像,简称为视频图像。利用视频图像中的直线检出数量来评估条纹干扰程度,并结合一系列的后处理操作减少误报,本实施例中,为了解决离散数字图像的阶梯效应对直线检测的影响,对视频图像进行降采样处理,然后逐像素统计梯度方向与强度,得到每个像素的梯度信息后,为每一个像素分配一个垂直于梯度方向的单位向量,将此单位向量记为平行线,并以此为依据进行直线段检测。
下面结合各步骤对本发明实施例进行详细说明。
步骤S102,对视频图像进行缩放处理,得到缩放图像。
在本发明实施例中,视频图像的类型包括但不限于:灰度图、梯度图或者帧差图。
可选的,对视频图像进行缩放处理,得到缩放图像的步骤,包括:从监控视频中提取一张视频图像;利用预设高斯核对视频图像进行滤波操作,得到滤波视频图像;按照预设缩放因子,对滤波视频图像进行降采样处理,得到缩放图像。
在本发明实施例中,由于数字图像的离散采样特性,数字图像的直线边缘处会出现阶梯效应,这会导致一条线段被分为多个短线段或者部分直线无法检出,因此,本实施例中利用高斯降采样对图像进行缩放处理,利用方差为的预设高斯核对视频图像进行滤波操作之后进行降采样,其中,Γ表示原始方差,λ表示缩放因子(即预设缩放因子),为了平衡图像混叠与图像模糊,本实施例可以将Γ取为0.6,将λ取为0.8,在对视频图像进行降采样处理后,得到缩放图像。
可选的,在对视频图像进行缩放处理,得到缩放图像之前,条纹干扰检测方法还包括:建立一张与视频图像大小一致的视频空图,其中,视频空图用于保存每个像素点在监控视频中的动态变化信息;确认预设监控视频中已处理的图像总帧数;基于动态变化信息和图像总帧数,确定像素点是否为闪烁点,记录闪烁点个数。
在本发明实施例中,针对视频条纹干扰检测,由于帧差信息的引入,考虑到部分絮状条纹存在明显的像素闪烁情况,可以先建立一张与视频图像大小一致的空图S(x,y)用于保存每个像素点在预设监控视频中的动态变化信息,同时追踪并保存目前已处理的总帧数T,利用公式(1)得到每个像素点的变换次数。
步骤S104,对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差。
在本发明实施例中,通过对图像进行量化处理,能够加速算法,同时,通过添加梯度方向投影方差计算模块使得算法具备了检测条纹方向的能力,而且在一定程度上可以降低误检。
可选的,对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差的步骤,包括:采用预设量化公式对缩放图像进行量化处理;分别计算量化处理的图像在第一方向上的第一梯度图和在第二方向上的第二梯度图;对第一梯度图和第二梯度图,计算对应于第一方向的第一梯度投影方差以及对应于第二方向的第二梯度投影方差,其中,第一梯度投影方差和第二梯度投影方差用于判断视频图像上的条纹方向和条纹强度。
在本发明实施例中,为了快速计算像素的梯度信息,同时过滤梯度值较小的区域,缓解计算压力,可以利用预设量化公式(2)对缩放图像进行量化处理。
其中,I(x,y)表示像素点,Imax表示最大像素点值,Imin表示最小像素点值。之后对量化处理的图像分别计算x(例如,坐标轴东西方向),y方向(例如,坐标轴南北方向)的梯度图(即第一方向上的第一梯度图和在第二方向上的第二梯度图),接着对两幅梯度图,分别计算x,y方向的投影方差(即第一方向的第一梯度投影方差以及对应于第二方向的第二梯度投影方差),并记其中,var的下标表示不同方向的投影方差,上标表示不同方向的梯度,vx,vy用于判断条纹的方向与强度。
步骤S106,基于量化处理的图像,确定像素平行线角度信息。
在本发明实施例中,每个像素的平行线为在得到每个像素的梯度信息后为每一个像素分配一个垂直于梯度方向的单位向量,此单位向量即为像素的平行线,该平行线可以作为直线检测的依据。
可选的,基于量化处理的图像,确定像素平行线角度信息的步骤,包括:采用自定义掩膜蒙层作用于量化处理的图像之上,得到掩膜图像;分别计算掩膜图像在第一方向的第一梯度和在第二方向的第二梯度;基于第一方向的第一梯度和第二方向的第二梯度,计算掩膜图像中每个像素的平行线角度,得到像素平行线角度信息。
在本发明实施例中,采用自定义掩膜作用于量化处理的图像之上,用以计算图像梯度,其中,自定义掩膜可以设定为图2所示的2×2掩膜,其中,I(i,j)表示为像素点(i,j)处的灰度值,I(i+1,j)表示为像素点(i+1,j)处的灰度值,I(i,j+1)表示为像素点(i,j+1)处的灰度值,I(i+1,j+1)表示为像素点(i+1,j+1)处的灰度值,利用公式(3)计算图像梯度,
步骤S108,基于像素平行线角度信息,统计视频图像中的直线数量。
在本发明实施例中,采用高效的统计直线算法,可以充分利用条纹干扰的形状特征,提高检出率。
可选的,基于像素平行线角度信息,统计视频图像中的直线数量的步骤,包括:基于像素平行线角度信息,统计直线候选区,其中,直线候选区为掩膜图像中每相邻两条直线之间的平行线角度差小于第一预设阈值的区域;勾画直线候选区的最小检测框;计算直线候选区的最小检测框的主方向,统计直线候选区中的直线点个数,其中,最小检测框的主方向为直线候选区两条短边的中点连成直线的角度,直线点为直线候选区中像素的平行线角度与主方向角度小于第二预设阈值的像素点;基于直线点个数,统计视频图像中的直线数量,其中,直线是对直线点个数大于第三预设阈值的直线候选区勾画出的区域直线。
在本发明实施例中,利用像素平行线角度信息,统计直线候选区,其中,直线候选区为具有相近(即平行线角度差小于第一预设阈值)平行线方向的邻接区域,利用参数κ来控制同一候选区中的平行线角度差异,如图3所示,其中,图3中的左图(a)为视频图像每个像素的平行线分布情况,其中,短线段表示的是单位向量,与量化处理的图像像素一一对应,右图(b)中的两个区域(即检测框1与检测框2,是利用平行线角度差异勾画出的)则为提取出的直线候选区(即勾画直线候选区的最小检测框,其中,检测框可以为矩形、梯形、箭头型等多边形状框图),接着计算直线候选区的最小检测框的主方向,即直线候选区两条短边的中点连成直线的角度,并将候选区中平行线角度与主方向角度小于2κ(即第二预设阈值)的点记为直线点,并统计其个数,将直线点个数大于所选择阈值(即第三预设阈值)的直线候选区记为直线,即直线数加一。
步骤S110,基于投影方差与直线数量,确定视频图像的条纹干扰检测结果。
一种可选的,基于投影方差与直线数量,确定视频图像的条纹干扰检测结果的步骤,包括:确定与每种条纹干扰类型对应的方差权重、直线数量权重以及闪烁点个数权重;基于投影方差以及对应的方差权重、直线数量以及对应的直线数量权重、闪烁点个数以及对应的直闪烁点个数权重,确定视频图像的条纹干扰检测结果,其中,采用条纹干扰检测结果,评估在视频图像中出现的条纹噪声对监控视频的干扰程度。
在本发明实施例中,条纹干扰类型可以为絮状条纹干扰类型,其典型特征是检出直线多、短且细,同时闪烁点个数较大等,对于不同类型的条纹干扰,基于投影方差、直线数量以及闪烁点个数的检测结果对视频条纹程度进行联合评估,利用投影方差、直线数量、闪烁点个数的不同加权组合来进行详细的评估。
另一种可选的,在确定视频图像的条纹干扰检测结果之后,条纹干扰检测方法还包括:采用预设直线特征库,过滤条纹干扰检测结果中的非条纹直线。
在本发明实施例中,预设直线特征库包括但不限于:楼房、斑马线、树林等对象主体的特征,由于这些常规对象是可以出现监控视频中,但是这些常规对象的线条提取特征存在直线特征,容易被误识别为条纹噪声,因此,可以有选择性的将预设直线特征库中的非条纹直线进行过滤,能够减少误报。
本发明实施例提出的视频图像的条纹干扰检测方法,采用高效的直线提取算法,能够充分利用条纹干扰的形状特征,提高检出率,同时,利用像素级的统计特征来评估像素的闪烁程度,可以使该算法具备检测视频动态变化程度的能力,而且通过梯度方向投影方差计算公式,使得该算法具备了检测条纹方向的能力,同时可显著降低视频条纹的误检率。
实施例二
在本发明实施例中,利用视频图像中的直线检出数量来评估条纹干扰程度,并结合一系列的后处理操作减少误报,其中的视频图像可以是灰度图、梯度图或者帧差图等,其选择可视具体情况进行选择。在本实施例中,为了解决离散数字图像的阶梯效应对直线检测的影响,对视频图像进行高斯降采样,然后逐像素统计梯度方向与强度,得到每个像素的梯度信息后,为每一个像素分配一个垂直于梯度方向的单位向量,将此单位向量记为平行线,并以此为依据进行直线段检测。
图4是根据本发明实施例的另一种可选的视频图像的条纹干扰检测方法的流程图,如图4所示,首先,由于噪声会对后续的直线检测造成较大影响,因此可以对输入的单幅图像进行噪声检测,然后对单幅图像进行高斯降采样,之后对图像进行量化处理,接着一方面进行逐像素计算平行线,统计直线段数量,即利用像素的梯度信息来检测直线区域,需要注意的是由于数字图像的采样特性,此处检测的并非真实的直线段,而是一块可能包含线段状特征的区域,另一方面对量化处理的图像计算梯度投影方差,最后结合检测到的直线数量以及不同方向的梯度投影方差来综合评估条纹干扰类型、程度。具体步骤如下:
步骤一:高斯降采样。由于数字图像的离散采样特性,数字图像的直线边缘处会出现阶梯效应,这会导致一条线段被分为多个短线段或者部分直线无法检出。因此需要利用高斯降采样对图像进行缩放,此处所选的缩放因子可以为80%,具体过程为利用方差为的高斯核对图像进行滤波操作之后进行下采样,其中为了平衡图像混叠与图像模糊,将Γ取为0.6,将λ取为0.8。
步骤二:图像量化。为了快速计算像素的梯度信息,同时过滤梯度值较小的区域,缓解计算压力,利用如下公式将图像进行量化:
步骤三:计算图像梯度。利用如图2所示的2×2掩膜(mask)作用于量化后的图像以计算梯度。使用如下公式计算图像梯度:
步骤四:直线检测部分。利用步骤三中得到的像素平行线角度信息,统计直线候选区,即具有相近平行线方向的邻接区域,利用参数κ来控制同一候选区中的平行线角度差异,如图3所示,计算直线候选区的最小外接矩形的主方向,即矩形两条短边的中点连成直线的角度,并将候选区中平行线角度与主方向角度小于2κ的点记为直线点,并统计其个数,将直线点个数大于所选择阈值的直线候选区记为直线,即直线数加一。
步骤六:像素级统计特征。针对视频条纹干扰检测,由于帧差信息的引入,考虑到部分絮状条纹存在明显的像素闪烁情况。首先建立一张与输入图像大小一致的空图S(x,y)用于保存每个像素点在一段视频中的动态变化信息。同时追踪并保存目前已处理的总帧数T,利用如下公式计算每个像素点的变换次数,
步骤七:条纹检测。基于步骤四、五、六的检测结果对视频条纹程度进行联合评估。对于不同类型的条纹干扰,利用投影方差、直线数量、闪烁点个数的不同加权组合来进行详细的评估。
步骤八:视频条纹检测的后处理。针对某些特殊情况导致的误报,例如楼房、斑马线、树林等等,有选择性的将其过滤。
本发明实施例提出的条纹干扰检测算法具有如下有益效果:
(1)采用高效的直线提取算法,能够充分利用条纹干扰的形状特征,提高检出率;
(2)利用像素级的统计特征来评估像素的闪烁程度,使该算法具备检测视频动态变化程度的能力;
(3)通过计算梯度方向投影方差,使得算法具备了检测条纹方向的能力,同时可以降低误检率。
实施例三
本实施例中提供的一种视频图像的条纹检测装置包含了多个实施单元,每个实施单元对应于上述实施例一中的各个实施步骤。
图5是根据本发明实施例的一种视频图像的条纹干扰检测装置的示意图,如图5所示,该检测装置可以包括:缩放单元50,第一确定单元52,第二确定单元54,统计单元56,第三确定单元58,其中,
缩放单元50,用于对视频图像进行缩放处理,得到缩放图像;
第一确定单元53,用于对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差;
第二确定单元54,用于基于量化处理的图像,确定像素平行线角度信息;
统计单元56,用于基于像素平行线角度信息,统计视频图像中的直线数量;
第三确定单元58,用于基于投影方差与直线数量,确定视频图像的条纹干扰检测结果。
上述条纹干扰检测装置,可以通过缩放单元50对视频图像进行缩放处理,得到缩放图像,然后对缩放图像进行量化处理,并通过第一确定单元52分别确定量化处理的图像在不同方向的投影方差,之后基于量化处理的图像,通过第二确定单元54确定像素平行线角度信息,基于像素平行线角度信息,通过统计单元56统计视频图像中的直线数量,最后基于投影方差与直线数量,通过第三确定单元58确定视频图像的条纹干扰检测结果。在该实施例中,采用高效的直线提取算法快速得到视频图像中的直线数量,提高了条纹干扰的检出率,同时对压缩后的视频图像进行量化处理,分别计算量化处理的图像在不同方向的投影方差,使得该检测算法具备了检测条纹方向的能力,并且可以明显的降低条纹干扰的误检率,进而解决了相关技术中在对视频图像的条纹干扰进行检测时检出率低的技术问题。
可选的,缩放单元包括:第一提取模块,用于从监控视频中提取一张视频图像;第一滤波模块,用于利用预设高斯核对视频图像进行滤波操作,得到滤波视频图像;第一降采样模块,用于按照预设缩放因子,对滤波视频图像进行降采样处理,得到缩放图像。
可选的,第一确定单元包括:第一量化模块,用于采用预设量化公式对缩放图像进行量化处理;第一计算模块,用于分别计算量化处理的图像在第一方向上的第一梯度图和在第二方向上的第二梯度图;对第一梯度图和第二梯度图,第二计算模块,用于计算对应于第一方向的第一梯度投影方差以及对应于第二方向的第二梯度投影方差,其中,第一梯度投影方差和第二梯度投影方差用于判断视频图像上的条纹方向和条纹强度。
可选的,第二确定单元包括:第一获得模块,用于采用自定义掩膜蒙层作用于量化处理的图像之上,得到掩膜图像;第三计算模块,用于分别计算掩膜图像在第一方向的第一梯度和在第二方向的第二梯度;第四计算模块,用于基于第一方向的第一梯度和第二方向的第二梯度,计算掩膜图像中每个像素的平行线角度,得到像素平行线角度信息。
可选的,统计单元包括:第一统计模块,用于基于像素平行线角度信息,统计直线候选区,其中,直线候选区为掩膜图像中每相邻两条直线之间的平行线角度差小于第一预设阈值的区域;第一勾画模块,用于勾画直线候选区的最小检测框;第二统计模块,用于计算直线候选区的最小检测框的主方向,统计直线候选区中的直线点个数,其中,最小检测框的主方向为直线候选区两条短边的中点连成直线的角度,直线点为直线候选区中像素的平行线角度与主方向角度小于第二预设阈值的像素点;第三统计模块,用于基于直线点个数,统计视频图像中的直线数量,其中,直线是对直线点个数大于第三预设阈值的直线候选区勾画出的区域直线。
可选的,条纹干扰检测装置还包括:第一建立模块,用于在对视频图像进行缩放处理,得到缩放图像之前,建立一张与视频图像大小一致的视频空图,其中,视频空图用于保存每个像素点在监控视频中的动态变化信息;第一确认模块,用于确认预设监控视频中已处理的图像总帧数;第一记录模块,用于基于动态变化信息和图像总帧数,确定像素点是否为闪烁点,记录闪烁点个数。
可选的,第三确定单元包括:第一确定模块,用于确定与每种条纹干扰类型对应的方差权重、直线数量权重以及闪烁点个数权重;第二确定模块,用于基于投影方差以及对应的方差权重、直线数量以及对应的直线数量权重、闪烁点个数以及对应的直闪烁点个数权重,确定视频图像的条纹干扰检测结果,其中,采用条纹干扰检测结果,评估在视频图像中出现的条纹噪声对监控视频的干扰程度。
可选的,条纹干扰检测装置还包括:在确定视频图像的条纹干扰检测结果之后,第一过滤模块,用于采用预设直线特征库,过滤条纹干扰检测结果中的非条纹直线。
上述的条纹干扰检测装置还可以包括处理器和存储器,上述缩放单元50,第一确定单元52,第二确定单元54,统计单元56,第三确定单元58等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来确定视频图像的条纹干扰检测结果。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:对视频图像进行缩放处理,得到缩放图像,然后对缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差,之后基于量化处理的图像,确定像素平行线角度信息,基于像素平行线角度信息,统计视频图像中的直线数量,最后基于投影方差与直线数量,确定视频图像的条纹干扰检测结果。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备上述任意一项的视频图像的条纹干扰检测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种视频图像的条纹干扰检测方法,其特征在于,包括:
对视频图像进行缩放处理,得到缩放图像;
对所述缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差;
基于所述量化处理的图像,确定像素平行线角度信息;
基于所述像素平行线角度信息,统计所述视频图像中的直线数量;
基于所述投影方差与所述直线数量,确定所述视频图像的条纹干扰检测结果。
2.根据权利要求1所述的条纹干扰检测方法,其特征在于,对视频图像进行缩放处理,得到缩放图像的步骤,包括:
从监控视频中提取一张所述视频图像;
利用预设高斯核对所述视频图像进行滤波操作,得到滤波视频图像;
按照预设缩放因子,对所述滤波视频图像进行降采样处理,得到所述缩放图像。
3.根据权利要求1所述的条纹干扰检测方法,其特征在于,对所述缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差的步骤,包括:
采用预设量化公式对所述缩放图像进行量化处理;
分别计算量化处理的图像在第一方向上的第一梯度图和在第二方向上的第二梯度图;
对所述第一梯度图和所述第二梯度图,计算对应于第一方向的第一梯度投影方差以及对应于第二方向的第二梯度投影方差,其中,所述第一梯度投影方差和所述第二梯度投影方差用于判断视频图像上的条纹方向和条纹强度。
4.根据权利要求1所述的条纹干扰检测方法,其特征在于,基于所述量化处理的图像,确定像素平行线角度信息的步骤,包括:
采用自定义掩膜蒙层作用于所述量化处理的图像之上,得到掩膜图像;
分别计算所述掩膜图像在第一方向的第一梯度和在第二方向的第二梯度;
基于所述第一方向的第一梯度和所述第二方向的第二梯度,计算所述掩膜图像中每个像素的平行线角度,得到像素平行线角度信息。
5.根据权利要求4所述的条纹干扰检测方法,其特征在于,基于所述像素平行线角度信息,统计所述视频图像中的直线数量的步骤,包括:
基于所述像素平行线角度信息,统计直线候选区,其中,所述直线候选区为所述掩膜图像中每相邻两条直线之间的平行线角度差小于第一预设阈值的区域;
勾画所述直线候选区的最小检测框;
计算所述直线候选区的最小检测框的主方向,统计所述直线候选区中的直线点个数,其中,所述最小检测框的主方向为所述直线候选区两条短边的中点连成直线的角度,所述直线点为所述直线候选区中像素的平行线角度与所述主方向角度小于第二预设阈值的像素点;
基于所述直线点个数,统计所述视频图像中的直线数量,其中,所述直线是对所述直线点个数大于第三预设阈值的所述直线候选区勾画出的区域直线。
6.根据权利要求1所述的条纹干扰检测方法,其特征在于,在对所述视频图像进行缩放处理,得到缩放图像之前,所述条纹干扰检测方法还包括:
建立一张与所述视频图像大小一致的视频空图,其中,所述视频空图用于保存每个像素点在监控视频中的动态变化信息;
确认预设监控视频中已处理的图像总帧数;
基于所述动态变化信息和所述图像总帧数,确定所述像素点是否为闪烁点,记录所述闪烁点个数。
7.根据权利要求6所述的条纹干扰检测方法,其特征在于,基于所述投影方差与所述直线数量,确定所述视频图像的条纹干扰检测结果的步骤,包括:
确定与每种条纹干扰类型对应的方差权重、直线数量权重以及闪烁点个数权重;
基于所述投影方差以及对应的方差权重、所述直线数量以及对应的直线数量权重、所述闪烁点个数以及对应的直闪烁点个数权重,确定所述视频图像的条纹干扰检测结果,其中,采用所述条纹干扰检测结果,评估在所述视频图像中出现的条纹噪声对监控视频的干扰程度。
8.根据权利要求1至7中任意一项所述的条纹干扰检测方法,其特征在于,在确定所述视频图像的条纹干扰检测结果之后,所述条纹干扰检测方法还包括:
采用预设直线特征库,过滤所述条纹干扰检测结果中的非条纹直线。
9.一种视频图像的条纹干扰检测装置,其特征在于,包括:
缩放单元,用于对视频图像进行缩放处理,得到缩放图像;
第一确定单元,用于对所述缩放图像进行量化处理,并分别确定量化处理的图像在不同方向的投影方差;
第二确定单元,用于基于所述量化处理的图像,确定像素平行线角度信息;
统计单元,用于基于所述像素平行线角度信息,统计所述视频图像中的直线数量;
第三确定单元,用于基于所述投影方差与所述直线数量,确定所述视频图像的条纹干扰检测结果。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的视频图像的条纹干扰检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110838394.8A CN113592801A (zh) | 2021-07-23 | 2021-07-23 | 视频图像的条纹干扰检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110838394.8A CN113592801A (zh) | 2021-07-23 | 2021-07-23 | 视频图像的条纹干扰检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592801A true CN113592801A (zh) | 2021-11-02 |
Family
ID=78249302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110838394.8A Pending CN113592801A (zh) | 2021-07-23 | 2021-07-23 | 视频图像的条纹干扰检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592801A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908404A (zh) * | 2023-01-03 | 2023-04-04 | 合肥中科类脑智能技术有限公司 | 图像条纹干扰的检测方法、装置、电子设备及介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006131866A2 (en) * | 2005-06-08 | 2006-12-14 | Koninklijke Philips Electronics N.V. | Method and system for image processing |
FR2914422A1 (fr) * | 2007-03-28 | 2008-10-03 | Soitec Silicon On Insulator | Procede de detection de defauts de surface d'un substrat et dispositif mettant en oeuvre ledit procede. |
CN101622859A (zh) * | 2007-03-05 | 2010-01-06 | 恩益禧电子股份有限公司 | 成像装置和闪烁检测方法 |
US20100066912A1 (en) * | 2006-12-28 | 2010-03-18 | Wuttipong Kumwilaisak | Banding artifact detection in digital video content |
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 |
CN104392203A (zh) * | 2014-10-13 | 2015-03-04 | 浙江工业大学 | 一种基于视频分析的点状条纹噪声检测方法 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
CN105791813A (zh) * | 2014-12-26 | 2016-07-20 | 深圳中兴力维技术有限公司 | 视频滚动干扰条纹检测实现方法及装置 |
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 |
CN106504247A (zh) * | 2016-11-09 | 2017-03-15 | 广东电网有限责任公司电力科学研究院 | 一种基于可见光图像的绝缘子串爆片自动检测方法及装置 |
CN107862290A (zh) * | 2017-11-10 | 2018-03-30 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
CN108038841A (zh) * | 2017-11-27 | 2018-05-15 | 浙江华睿科技有限公司 | 一种硅片ld缺陷检测方法及装置 |
CN109712107A (zh) * | 2017-10-26 | 2019-05-03 | 北京航天长峰科技工业集团有限公司 | 一种监控视频条纹快速检测方法 |
CN109978878A (zh) * | 2019-04-04 | 2019-07-05 | 厦门商集网络科技有限责任公司 | 基于lsd的彩色图像线段检测方法及其系统 |
CN111080661A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
WO2020147398A1 (zh) * | 2019-01-17 | 2020-07-23 | 平安科技(深圳)有限公司 | 翻拍图像检测方法、装置、计算机设备及存储介质 |
CN111815578A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 图像条纹检测方法、视频监控系统及相关装置 |
CN111833341A (zh) * | 2020-07-22 | 2020-10-27 | 浙江大华技术股份有限公司 | 确定图像中条纹噪声的方法及装置 |
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 |
-
2021
- 2021-07-23 CN CN202110838394.8A patent/CN113592801A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006131866A2 (en) * | 2005-06-08 | 2006-12-14 | Koninklijke Philips Electronics N.V. | Method and system for image processing |
US20100066912A1 (en) * | 2006-12-28 | 2010-03-18 | Wuttipong Kumwilaisak | Banding artifact detection in digital video content |
CN101622859A (zh) * | 2007-03-05 | 2010-01-06 | 恩益禧电子股份有限公司 | 成像装置和闪烁检测方法 |
FR2914422A1 (fr) * | 2007-03-28 | 2008-10-03 | Soitec Silicon On Insulator | Procede de detection de defauts de surface d'un substrat et dispositif mettant en oeuvre ledit procede. |
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 |
CN104392203A (zh) * | 2014-10-13 | 2015-03-04 | 浙江工业大学 | 一种基于视频分析的点状条纹噪声检测方法 |
CN105791813A (zh) * | 2014-12-26 | 2016-07-20 | 深圳中兴力维技术有限公司 | 视频滚动干扰条纹检测实现方法及装置 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
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 |
CN106504247A (zh) * | 2016-11-09 | 2017-03-15 | 广东电网有限责任公司电力科学研究院 | 一种基于可见光图像的绝缘子串爆片自动检测方法及装置 |
CN109712107A (zh) * | 2017-10-26 | 2019-05-03 | 北京航天长峰科技工业集团有限公司 | 一种监控视频条纹快速检测方法 |
CN107862290A (zh) * | 2017-11-10 | 2018-03-30 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
CN108038841A (zh) * | 2017-11-27 | 2018-05-15 | 浙江华睿科技有限公司 | 一种硅片ld缺陷检测方法及装置 |
WO2020147398A1 (zh) * | 2019-01-17 | 2020-07-23 | 平安科技(深圳)有限公司 | 翻拍图像检测方法、装置、计算机设备及存储介质 |
CN109978878A (zh) * | 2019-04-04 | 2019-07-05 | 厦门商集网络科技有限责任公司 | 基于lsd的彩色图像线段检测方法及其系统 |
CN111080661A (zh) * | 2019-12-09 | 2020-04-28 | Oppo广东移动通信有限公司 | 基于图像的直线检测方法、装置以及电子设备 |
CN111815578A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 图像条纹检测方法、视频监控系统及相关装置 |
CN111833341A (zh) * | 2020-07-22 | 2020-10-27 | 浙江大华技术股份有限公司 | 确定图像中条纹噪声的方法及装置 |
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 |
Non-Patent Citations (4)
Title |
---|
RONGBIN WANG等: "Terra MODIS band 5 Stripe noise detection and correction using MAP-based algorithm", 《2011 INTERNATIONAL CONFERENCE ON REMOTE SENSING, ENVIRONMENT AND TRANSPORTATION ENGINEERING》, 31 July 2011 (2011-07-31), pages 8612 - 8615 * |
YUN-JIA SUN等: "Remote Sensing Image Stripe Detecting and Destriping Using the Joint Sparsity Constraint with Iterative Support Detection", 《REMOTE SENSING》, vol. 11, no. 6, 6 March 2019 (2019-03-06), pages 1 - 20 * |
刘佳祥等: "监控视频横向条纹扰动快速盲检测算法", 《计算机应用与软件》, vol. 32, no. 12, 31 December 2015 (2015-12-31), pages 175 - 178 * |
刘彬: "基于光条纹形状的图像去模糊", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2017, no. 3, 15 March 2017 (2017-03-15), pages 138 - 4524 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908404A (zh) * | 2023-01-03 | 2023-04-04 | 合肥中科类脑智能技术有限公司 | 图像条纹干扰的检测方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598558B (zh) | 人群密度估计方法、装置、电子设备及介质 | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
US20120328161A1 (en) | Method and multi-scale attention system for spatiotemporal change determination and object detection | |
Sengar et al. | Moving object area detection using normalized self adaptive optical flow | |
EP3438929B1 (en) | Foreground and background detection method | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
WO2008009656A1 (en) | Image processing for change detection | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及系统 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
KR20140028809A (ko) | 이미지 피라미드의 적응적 이미지 처리 장치 및 방법 | |
CN113822352B (zh) | 基于多特征融合的红外弱小目标检测方法 | |
WO2014070273A1 (en) | Recursive conditional means image denoising | |
Filonenko et al. | Real-time flood detection for video surveillance | |
CN103700087A (zh) | 移动侦测方法和装置 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN113569713A (zh) | 视频图像的条纹检测方法及装置、计算机可读存储介质 | |
CN106875396B (zh) | 基于运动特性的视频显著区的提取方法和装置 | |
CN115131229A (zh) | 图像降噪、滤波数据处理方法、装置和计算机设备 | |
CN113592801A (zh) | 视频图像的条纹干扰检测方法及其装置 | |
Kamble et al. | No reference noise estimation in digital images using random conditional selection and sampling theory | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
Maalouf et al. | Offline quality monitoring for legal evidence images in video-surveillance applications | |
US20190251695A1 (en) | Foreground and background detection method | |
Chowdhury et al. | A background subtraction method using color information in the frame averaging process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |