CN113724167A - 一种高清视频信息的自适应采集及图像处理方法 - Google Patents

Abstract

本发明为一种高清视频信息的自适应采集及图像处理方法，方法包括如下步骤：a.对滤波的初始窗口尺寸提前进行计算；b.判断窗口是否达到最大值，对于部分异常噪声点进判断，改进噪声点的检测，对初始窗口尺寸进行更改；c.对窗口达到最大值后，仍无法处理的噪声引入均值滤波器；基于传统的自适应中值滤波算法，在其中加入对初始窗口尺寸提前进行计算、对于部分异常噪声点进判断，改进噪声点的检测标准同时结合部分均值滤波技术完善滤波效果，本方法使得滤波效果满足图像的实时性要求，通过确定最佳窗口尺寸，尽量减少像素点重复排序问题，有效地将高频细节与噪声区分开。

Description

一种高清视频信息的自适应采集及图像处理方法

技术领域

本发明属于高清视频信息处理的技术领域，尤其涉及一种高清视频信息的自适应采集及图像处理方法。

背景技术

我国人口众多，且工业规模大，随着科技的进步，安防监控设备从原来的模拟时代到数字时代再到如今的智能时代逐渐演化。智能监控系统是采用摄像头作为图像采集、通过智能算法对监控摄像头采集到的图像进行识别分析，分析抽取视频源中关键有用信息，快速准确的定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统。然而在面对真实的现场情况时，总会有很多意外情况发生导致监控图像质量不佳，比如突遇极端天气，又比如生产环境同时存在着粉尘及水雾，这些情况导致图像难以被用来进行进一步的智能分析与判断预警，严重影响了人们的日常安全以及工业的正常运转。同时图像在传输和接收的过程中，不可避免地会受到外界的干扰，如由传感器产生的噪声、数字化过程中出现的量化噪声等，对于这些情况，有必要对其进行降噪处理。这样不仅可以使得监控中心更加清晰的看到各种应用场景的实时画面，而且可以便于后续的智能视频分析与识别，可有力的推动智能化安防及预警系统在我国的应用。

视频质量评价从方法上可以分为主观评价方法和客观评价方法前者凭感知者主观感受评价对象的质量；后者依据模型给出的量化指标衡量视频图像质量。

对于含脉冲噪声的图像，由于噪声和图像内容相互独立，一般采用非线性滤波算法进行处理，传统的消除脉冲噪声的方法是中值滤波，它利用邻域中值代替当前像素值，但存在以下不足：①不能较好地保留图像边缘和纹理等细节；②窗口大小固定，滤波效果差；③对所有的像素采用统一的处理方法，于是自适应中值滤波被提出，它通过自动调节窗口的大小以实现滤波，但对高密度噪声的滤除效果不佳。

一直以来中值滤波被认为是抑制椒盐噪声效果较好，实现起来简单高效的方法，但当椒盐噪声浓度较大时，中值滤波的滤波效果会急剧下降，于是自适应的中值滤波算法被提出，其较好地解决了在椒盐噪声浓度较高时的降噪问题，然而自适应滤波算法在其窗口迭代过程中会有一部分像素点被重复地排序计算，并且在排序时也是针对窗口内的所有像素点，使得算法效率大打折扣。

现行主流的滤除椒盐噪声的图像方法主要会出现以下缺陷：

第一，中值滤波算法的窗口是预先设定的，不能根据噪声密度自适应改变窗口大小，很难满足图像跟踪系统的实时性要求。

第二，把窗口图像中所有像素值用其范围内的中值来代替，损失了图像中大量的细微的纹理和边缘特征信息，而使图像变模糊。

第三，窗口迭代时存在像素点重复排序的问题，提高了算法复杂度。

第四，图像部分边缘或高频处的点会被误判，影响图像处理效果。

因此需要设计一种高清视频信息的自适应采集及图像处理方法来解决上述问题。

发明内容

本发明的目的在于提供一种能够解决上述问题的一种高清视频信息的自适应采集及图像处理方法，本发明采用的技术方案如下：

一种高清视频信息的自适应采集及图像处理方法，该方法包括如下步骤：

S1:根据输入图片提取像素点；

S2：根据输入对初始窗口尺寸进行计算，得到滤波窗口中的Zmax、Zmin、Zmed；

S3：判断输入的像素点是否为图像边界，如果是边界就需要回到起始部分对下一个像素点进行处理，如果不是边界就进入S4；

S4：引入条件Zmin＜Zmed＜Zmax，如果满足条件的像素点则进入S5，如果不满足条件的像素点则通过此时滤波窗口是否达到最大值进行判断，如果未到达最大值，进入S6，如果此时窗口已经到达设定的最大值，则进入S7；

S5：引入条件Zmin<Z(i，j)<Zmax，如果满足条件的像素点则使最后输出的该像素点值Z(i，j)＝Z(i，j)，然后进入S8，如果不满足该条件，则使该像素点的输出值为Z(i，j)＝Zmed，然后进入S8；

S6：对噪声点进行检测判定，增大所述S2中的滤波窗口尺寸，使未满足S4条件的像素点重新进入S2；

S7：对满足进入该条件的像素点，结合均值滤波，得到新的Zmed，使该像素点的输出值为Z(i，j)＝Zmed，然后进入S8；

S8：根据结果判断是否为最后一个像素点，如果是最后一个像素点则整个过程结束，如果不是最后一个像素点则进入S1步，提取下一个未处理的像素点，若是则输出所有像素点，结束流程。

本发明的进一步改进在于：所述步骤S2中的提前计算包括对最大窗口范围内的像素点进行判别，找出有效像素点并记录其与中心像素点间的坐标距离。

本发明的进一步改进在于：通过有效像素点与中心像素点间的坐标距离来确定初始的最佳窗口尺寸，对最佳窗口尺寸内的有效像素点进行排序。

本发明的进一步改进在于：所述步骤S6基于引入最小距离集合M。灰度值为Z(i，j)的像素与集合A的M定义为：

其中，最小距离集合M，灰度值为Z(i，j)，A表示当前范围内未污染点的集合。

本发明的进一步改进在于：通过最小距离集合M计算增大窗口步骤S2中的滤波窗口尺寸。

本发明的进一步改进在于：所述步骤S7中，当滤波窗口达到预设的最大值,仍然无法找到可替代的中值时采用修正后的均值滤波来得到噪声点的替代值。

所述图像采集模块用于在不同环境下的视频采集工作；所述图像处理模块用于对采集到的视频流进行数学处理；所述图像显示输出模块用于对处理结果进行输出展示，所述图像采集模块的作用是采集含噪视频流，所述图像处理模块的作用是对视频流的解码、视频帧的预处理、自适应滤波去噪处理，所述图像显示输出模块的作用是判断像素点是否全部处理完毕，然后输出清晰视频流。

本发明的有益效果：

第一，对于滤波算法的窗口不能根据噪声密度自适应改变窗口大小的问题，本方法通过动态地根据输入自适应改变窗口大小，使得滤波效果满足图像的实时性要求。

第二，对于像素点重复排序计算，增大算法复杂度问题，本方法通过确定最佳窗口尺寸，尽量减少像素点重复排序问题。

第三，对于高频纹理和边缘特征信息的误判问题，本方法通过对高频处进行判断，有效地将高频细节与噪声区分开，并且仅采用未污染点进行中值滤波同时结合均值滤波的方式进行滤除噪声。

附图说明

图1为对本发明的图解；

图2为本发明中自适应滤波方法的流程图；

图3为本发明对有效像素点距离的判定。

具体实施方式

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，都属于本发明保护的范围。

传统方法如下：

自适应中值滤波较之常规的中值滤波，能够处理噪声概率更大的脉冲噪声，并且能够更好的保留图像细节。出于计算便捷目的，定义滤波窗口Sxy的规格大小为N×N，其中，N为奇数自适应中值滤波算法包括进程1和进程2两个部分：

Zmin是在滤波窗内灰度的最小值；Zmax是在滤波窗内灰度的最大值；Zmed是在滤波窗内灰度的中值；Zxy是坐标处的灰度值；Smax则是指定窗口所允许的最大值。

自适应中值滤波算法可以自动调整窗口的大小，并且对不同噪声点采取不同的方法，因此在平滑非冲激噪声时可以保存部分细节，自适应中值滤波算法流程如下，进程1：

A1＝Zmed-Zmin，A2＝Zmed-Zmax，如果A1>0且A2<0，则转至进程2，否则增大窗口尺寸，使窗口尺寸+2，如果窗口尺寸<＝Smax，则重复进程1，否则输出Zmed；进程2：B1＝Zxy-Zmin，B2＝Zxy-Zmax，如果B1>0且B2<0，则输出Zxy，否则输出Zmed

从中可以看出，该算法对噪声的判断是基于最小值Zmin和最大值Zmax，如果Zmin＝S(x，y)，或者S(x，y)＝Zmax，则判为噪声点，这对边缘或高频处的点会造成误判，从而不能很好的保存边缘和细节。另外当窗口达到最大且Zmin＝Zmed或者Zmed＝Zmax时，直接输出中值Zmed，而不讨论该点是否为噪声点，这样就使滤波器的去噪性能下降。并且在流程2中直接用Zmed代替噪声点，会造成图像的模糊。

本发明方案如下：

本发明提出了一种高清视频信息的自适应采集及图像处理方法，引入了一种新的自适应中值滤波的方法，其主要目的是解决传统中值滤波后导致图像边缘变模糊、计算量大以及传统自适应中值滤波后，一些高频信号误判为噪声信号、滤波运算的重复操作等问题，可以较好地实现图像有效滤除噪声，同时保护图像边缘等细节，不使图像变得模糊，同时减少部分运算量，系统包括含噪视频流的读取、视频流的解码、视频帧的预处理、视频帧的自适应滤波和清晰视频流的输出共5个环节，提出的系统流程框架图如图1所示，视频流的输入需要图像采集单元，也就是各种安防监控设备，视频流的输出则可以是输出至计算机内部对清晰图像进行下一步操作，也可以输出至监控设备以供查看。

该方法主要包括这几部分：1.对初始窗口尺寸提前进行计算；2.对于部分异常噪声点进判断，改进噪声点的检测标准；3.结合均值滤波，图1是对本发明的图解。

第一部分：对初始窗口尺寸提前进行计算

本改进算法首先在选择窗口尺寸时对最大窗口范围内的像素点进行判别，找出有效像素点并记录其与中心像素点间的坐标距离，之后再通过此距离来确定最佳窗口尺寸，最后对窗口内的有效像素点进行排序，具体流程如下：设起始遍历点为Z(i，j)，若Z(i，j)为有效信号点则跳过，否则首先将窗口的i，j大小初始化为最大值设为M，Zmin，Zmax分别为滤波窗内灰度中的最小值、最大值。

遍历M×M窗口内除中心Z(i，j)以外的像素点，若Z(i±m，j±n)为有效像素点，即Z(i±m，j±n)＞Zmin且Z(i±m，j±n)<Zmax)，则将其位置(m，n)标记，并计算其与中心(i，j)的距离，记为半径r，数学表达式为

对计算出的不同rs值进行统计，挑选出一个rs下数目最多的(即窗口边缘有效像素点最多的rs)，窗口大小即选为Si,j＝2rs+1(因为窗口大小为奇数，所以此处选取能将rs包含在内的奇数大小窗口，例如rs＝2，则Si,j初始值取5)。

第二部分：噪声点的检测标准

从传统方法中可以看出，噪声点的检测和判定是以Zmin和Zmax为基准的，如果Zmed满足在(Zmin，Zmax)内，则表明Zmed不是噪声，如果像素点P的灰度满足Z(i，j)＝Zmin或Z(i，j)＝Zmax时，则被认定为噪声点，因为噪声点的灰度值通常是局部最小值或局部最大值，对图像信号点的处理则采用以下2种方式：(1)如果在滤波窗口达到最大值时仍没有中值输出(即Zmin＜Zmed＜Zmax的条件不满足)，则对像素点P不予滤波，直接输出Z(i，j)，不论它是否为噪声点；(2)如果滤波窗口有中值输出，那么再判断像素点P是否为噪声点，如果是噪声点，则采用标准中值滤波算法输出，否则保持原灰度值Z(i，j)不变，Zmin，Zmax，Zmed分别为滤波窗内灰度中的最小值、最大值和中值。

但这样的噪声点检测方法在噪声点检测时，容易把满足Z(i，j)＝Zmin或Z(i，j)＝Zmax条件的图像边缘等一些高频信号点误认为噪声点，这就会损失一些边缘信息；所以进行以下改进引入最小距离集合M。灰度值为Z(i，j)的像素与集合A的M定义为：

其中，A表示当前范围内未污染点的集合，集合A反映了像素值与未污染集合元素的相关性，A越小，相关性越大，表明为Z(i，j)为未污染点的可能性越高，当A小于某一个数阀值时，可认为Z(i，j)为未污染点，对于像素点Z(i，j),只有当Zmin<Z(i，j)<Zmax条件不满足时，才通过式(1)的M来判断其是否为高频信号点，因此不需要计算Z(i，j)与集合A中所有未污染点的M,当Zmin<Z(i，j)<Zmax条件满足时，式(1)就变为：

M＝min{|Z(i，j)-A_max|，|Z(i，j)-A_min|} (3)

A_min和A_max是集合A中的最小值和最大值。

在噪声点恢复时，采用未污染点，即噪声点的输出为当前像素点领域内未污染点集合A的中值，滤波窗口偏大，平滑作用强；滤波窗口偏小，能较好的保持图像细节，在自适应中值滤波算法中，噪声点的检测判定窗口可以增大，但未污染点集合A保持不变，以保证A对应的窗口最小，同时窗口扩大的条件修改为，如果当前像素点为可疑噪声则扩大窗口，仅在恢复噪声点时才计算最小未污染点集合的中值。

第三部分：结合均值滤波

随着噪声的增大，自适应中值滤波去除噪声效果变差，而均值滤波在去除噪声方面有较大的优势，通过结合均值滤波，使自适应中值滤波在保留细节的同时，也能较好地去除噪声，当自适应中值滤波算法进行到最后一步时，如果由于噪声密度较大，在Z(i，j)点上可能使Zmed输出为极值(0或255)。

另一方面,在算法的应用中加入了均值滤波，当滤波窗口达到我们预设的最大值，仍然无法找到可替代的中值时，此时采用修正后的均值滤波来得到噪声点的替代值。

均值滤波器如下：

其中，Z(i，j)是被噪声污染的M×N图像在(i，j)点的像素值，在点(i，j)邻域内去掉灰度值为0和255的像素点，p表示Z(i，j)中灰度值为0的像素点个数，q表示Z(i，j)灰度值为255的像素点个数。

第一，因为一幅图像含有不同内容，面对不同内容，如果一直使用不能更改大小的滤波窗口，是会有很多局限性的，传统方法通过自适应滤波解决这一问题，但是传统算法的初始窗口大小是通过经验设置的，其需要通过计算更改窗口大小，所以势必会有很多像素点被重复计算，本方法通过选择窗口尺寸时对最大窗口范围内的像素点进行判别，通过计算有效像素点与中心像素的坐标距离，确定最佳的窗口大小将窗口大小取为有效像素点较多的窗口，提前判断好窗口所需的大小，可以有效减少重复计算的像素点。

第二，传统方法会出现将一些高频信号误判为噪声信号的问题，在实际滤波时，图像边缘等一些高频信号点会被误认为是噪声点，这就会导致图像失真，所以此方法通过改进噪声的检测标准，引入最小距离集合M，对滤波窗口达到最大值后仍未通过滤波的噪声进行判断，而不是单纯的直接滤波。

第三，随着噪声密度的增大，传统自适应中值滤波的效果会大打折扣，对于这部分的噪声，均值滤波会有比较大的优势。所以此方法通过结合均值滤波，使自适应中值滤波在保留细节的同时，也能较好地去除噪声。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种高清视频信息的自适应采集及图像处理方法，其特征在于：该方法包括如下步骤：

S1:根据输入图片提取像素点；

S2：根据输入对初始窗口尺寸进行计算，得到滤波窗口中的Zmax、Zmin、Zmed；

S3：判断输入的像素点是否为图像边界，如果是边界就需要回到起始部分对下一个像素点进行处理，如果不是边界就进入S4；

S4：引入条件Zmin＜Zmed＜Zmax，如果满足条件的像素点则进入S5，如果不满足条件的像素点则通过此时滤波窗口是否达到最大值进行判断，如果未到达最大值，进入S6，如果此时窗口已经到达设定的最大值，则进入S7；

S5：引入条件Zmin<Z(i，j)<Zmax，如果满足条件的像素点则使最后输出的该像素点值Z(i，j)＝Z(i，j)，然后进入S8，如果不满足该条件，则使该像素点的输出值为Z(i，j)＝Zmed，然后进入S8；

S6：对噪声点进行检测判定，增大所述S2中的滤波窗口尺寸，然后使未满足S4条件的像素点重新进入S2；

S7：对满足进入该条件的像素点，结合均值滤波，得到新的Zmed，使该像素点的输出值为Z(i，j)＝Zmed，然后进入S8；

S8：根据结果判断是否为最后一个像素点，如果是最后一个像素点则整个过程结束，如果不是最后一个像素点则进入S1步，提取下一个未处理的像素点，若是则输出所有像素点，结束流程。

2.根据权利要求1所述的一种高清视频信息的自适应采集及图像处理方法，其特征在于：所述步骤S2中的计算包括对最大窗口范围内的像素点进行判别，找出有效像素点并记录其与中心像素点间的坐标距离。

3.根据权利要求2所述的一种高清视频信息的自适应采集及图像处理方法，其特征在于：通过有效像素点与中心像素点间的坐标距离来确定初始的最佳窗口尺寸，对最佳窗口尺寸内的有效像素点进行排序。

4.根据权利要求1所述的一种高清视频信息的自适应采集及图像处理方法，其特征在于：所述步骤S6基于引入最小距离集合M，灰度值为Z(i，j)的像素与集合A的M定义为：

其中，最小距离集合M，灰度值为Z(i，j)，A表示当前范围内未污染点的集合。

5.根据权利要求4所述的一种高清视频信息的自适应采集及图像处理方法，其特征在于:通过最小距离集合M计算增大窗口步骤S2中的滤波窗口尺寸。

6.根据权利要求1所述的一种高清视频信息的自适应采集及图像处理方法，其特征在于：所述步骤S7中，当滤波窗口达到预设的最大值,仍然无法找到可替代的中值时采用修正后的均值滤波来得到噪声点的替代值。

Images