CN115330628B - 基于图像处理的视频逐帧去噪方法 - Google Patents
基于图像处理的视频逐帧去噪方法 Download PDFInfo
- Publication number
- CN115330628B CN115330628B CN202210993873.1A CN202210993873A CN115330628B CN 115330628 B CN115330628 B CN 115330628B CN 202210993873 A CN202210993873 A CN 202210993873A CN 115330628 B CN115330628 B CN 115330628B
- Authority
- CN
- China
- Prior art keywords
- denoised
- gray
- image
- suspected noise
- noise point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
Abstract
本发明涉及基于图像处理的视频逐帧去噪方法,属于图像处理技术领域。方法包括:获得各疑似噪声点的灰度特征指标和各疑似噪声点的方向特征指标;根据灰度特征指标和方向特征指标,得到各疑似噪声点的第一指标;根据各待去噪图像对应的关联图像序列和各待去噪图像的邻域待去噪图像,得到各疑似噪声点的各关联点和各疑似噪声点的移动角度;根据各关联点和移动角度,得到各疑似噪声点的第二指标;根据第一指标和第二指标,得到各待去噪灰度图像中的各噪声点,对各待去噪灰度图像中的各噪声点进行去除和修复。本发明能够提高对噪声点的检测精度,进而能较准确的对图像进行去噪,而且在去除噪声的同时也不会使得图像变模糊。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的视频逐帧去噪方法。
背景技术
视频图像在生成和传输过程中常常会受到各种噪声的干扰和影响,图像噪声会使得图像模糊,甚至淹没图像特征,为图像的辨识与分析带来困难,因此对图像进行去噪处理意义重大。
现有的对图像进行去噪的方法一般是利用去噪工具来实现的,例如中值滤波器,而利用去噪工具对图像进行去噪的方法是对所有的像素点采用统一的处理,因此在滤除噪声的同时也改变了非噪声点像素的灰度值,破坏了图像边缘及细节信息,进而造成了图像模糊;并且现有方法中对视频中各帧图像进行去噪时一般只考虑单帧图像的特征,而仅考虑单帧图像可能会将图像中的一些比较突兀但不是噪声点的像素点判定为噪声点,因此仅考虑单帧图像的特征容易出现误判,导致对图像去噪出现不准确的现象。因此如何在对图像进行精准去噪的基础上还能使得图像不模糊是需要解决的问题。
发明内容
为解决上述问题,本发明的目的在于提供基于图像处理的视频逐帧去噪方法,所采用的技术方案具体如下:
本发明实施例提供了基于图像处理的视频逐帧去噪方法包括以下步骤:
获取待去噪视频和待去噪视频对应的待去噪灰度图像序列;所述待去噪灰度图像序列中包括多帧待去噪灰度图像;
根据各待去噪灰度图像中各像素点的邻域像素点的灰度值,得到各待去噪灰度图像中的各疑似噪声点;
获取所述各疑似噪声点对应的各邻域疑似噪声点;根据所述各疑似噪声点的灰度值、各疑似噪声点对应的各邻域疑似噪声点的灰度值以及各疑似噪声点与对应各邻域疑似噪声点之间的距离,得到所述各疑似噪声点的灰度特征指标;
获取所述各疑似噪声点的梯度特征方向和梯度特征值;根据所述各疑似噪声点的梯度特征值、各疑似噪声点的梯度特征方向和各疑似噪声点对应的各邻域疑似噪声点的梯度特征方向,得到所述各疑似噪声点的方向特征指标;
根据所述灰度特征指标和方向特征指标,得到所述各疑似噪声点的第一指标;
获取各待去噪图像对应的关联图像序列和各待去噪图像对应的邻域待去噪图像;根据各待去噪图像对应的关联图像序列中的各待去噪图像和各待去噪图像对应的邻域待去噪图像,得到所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度;
根据所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,得到所述各疑似噪声点的第二指标;
根据所述第一指标和第二指标,得到各待去噪灰度图像中的各噪声点,对各待去噪灰度图像中的各噪声点进行去除和修复。
优选的,得到各待去噪灰度图像中的各疑似噪声点的方法,包括:
获取各待去噪灰度图像中各像素点的八邻域内的各像素点,记为各待去噪灰度图像中各像素点的各邻域像素点;
计算各像素点与对应像素点的各邻域像素点之间的灰度差值的绝对值,记为各像素点的各灰度差异值,一个像素点对应八个灰度差异值;
统计各像素点的各灰度差异值中大于预设灰度差异阈值的灰度差异值的数量;将各像素点的各灰度差异值中大于预设灰度差异阈值的灰度差异值的数量与8的比值记为各像素点的灰度差异程度;
对于任一待去噪灰度图像中的任一像素点:若该像素点的灰度差异程度大于等于预设灰度差异程度阈值且该像素点的各邻域像素点的灰度差异程度中大于等于预设灰度差异程度阈值的邻域像素点数量大于等于1,则判定该像素点为疑似噪声点。
优选的,获取所述各疑似噪声点对应的各邻域疑似噪声点;根据所述各疑似噪声点的灰度值、各疑似噪声点对应的各邻域疑似噪声点的灰度值以及各疑似噪声点与对应各邻域疑似噪声点之间的距离,得到所述各疑似噪声点的灰度特征指标的方法,包括:
获取各待去噪灰度图像中的各疑似噪声点的5*5邻域的各疑似噪声点,记为各疑似噪声点的邻域疑似噪声点;
统计所述各疑似噪声点的邻域疑似噪声点数量;
计算得到所述各疑似噪声点与对应疑似噪声点的各邻域疑似噪声点之间的欧式距离;
根据所述各疑似噪声点与对应疑似噪声点的各邻域疑似噪声点之间的欧式距离、各疑似噪声点的灰度值以及各疑似噪声点对应的各邻域疑似噪声点的灰度值,得到各待去噪灰度图像中的各疑似噪声点的灰度特征指标;
根据如下公式计算各疑似噪声点的灰度特征指标:
其中,Ea b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的灰度特征指标,Ia b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的邻域疑似噪声点数量,da b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点与第b个疑似噪声点对应的第i个邻域疑似噪声点之间的欧式距离,Ga b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的灰度值,Ga b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点对应的第i个邻域疑似噪声点的灰度值,e为自然常数。
优选的,获取所述各疑似噪声点的梯度特征方向和梯度特征值的方法,包括:
对于待去噪灰度图像序列中的任一待去噪灰度图像中的任一疑似噪声点:
过该疑似噪声点作一条直线,记为该疑似噪声点的特征直线,将该特征直线按照顺时针方向进行多次旋转,旋转一次得到一条该疑似噪声点的特征直线;
对于该疑似噪声点的任意一条特征直线:计算该疑似噪声点与该特征直线上的该疑似噪声点的各邻域疑似噪声点之间的灰度值差值的绝对值的累加和,将所述灰度值差值的绝对值的累加和记为该疑似噪声点的灰度梯度值;
将该疑似噪声点对应的各灰度梯度值中的最小值记为该疑似噪声点对应的梯度特征值;将该疑似噪声点对应的各灰度梯度值中的最小值对应的特征直线与水平方向的夹角记为该疑似噪声点对应的梯度特征方向。
优选的,根据如下公式计算各疑似噪声点的方向特征指标:
其中,Wa b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的方向特征指标,θa b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的梯度特征方向,θa b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点对应的第i个邻域疑似噪声点的梯度特征方向,Ta b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的梯度特征值。
优选的,得到所述各疑似噪声点的第一指标的方法,包括:
将待去噪灰度图像序列中各待去噪灰度图像中的各疑似噪声点的灰度特征指标与对应方向特征指标的乘积记为所述各疑似噪声点的第一指标。
优选的,获取各待去噪图像对应的关联图像序列和各待去噪图像对应的邻域待去噪图像的方法,包括:
对于待去噪灰度图像序列中的任一待去噪灰度图像:
对待去噪灰度图像序列中的各待去噪灰度图像依次进行标记,得到待去噪灰度图像序列中的各待去噪灰度图像的序号,所述待去噪灰度图像序列中的第k帧待去噪灰度图像的序号为k;
将待去噪灰度图像序列中待去噪灰度图像的数量记为M,将该待去噪灰度图像的序号记为m,将该待去噪灰度图像记为Qm;
若m大于预设第一阈值L,则得到的该待去噪灰度图像对应的第一关联图像序列为{Qm-L,Qm-L+1,…,Qm-1};若m小于等于预设第一阈值L且m大于1,则得到的该待去噪灰度图像对应的第一关联图像序列为{Q1,…,Qm-1};若m等于1,则得到的该待去噪灰度图像对应的第一关联图像序列中不存在图像;若M-m大于等于预设第一阈值L,则得到的该待去噪灰度图像对应的第二关联图像序列为{Qm+1,...Qm+L-1,Qm+L};若M-m小于预设第一阈值L且M-m大于0,则得到的该待去噪灰度图像对应的第二关联图像序列为{Qm+1,...,QM};若M-m等于0,则得到的该待去噪灰度图像对应的第二关联图像序列中不存在图像;其中,Qm-L为待去噪灰度图像序列中序号为m-L的待去噪灰度图像,Qm-L+1为待去噪灰度图像序列中序号为m-L+1的待去噪灰度图像,Qm-1为待去噪灰度图像序列中序号为m-1的待去噪灰度图像,Qm+1为待去噪灰度图像序列中序号为m+1的待去噪灰度图像,Qm+L-1为待去噪灰度图像序列中序号为m+L-1的待去噪灰度图像,Qm+L为待去噪灰度图像序列中序号为m+L的待去噪灰度图像,QM为待去噪灰度图像序列中序号为M的待去噪灰度图像,Q1为待去噪灰度图像序列中序号为1的待去噪灰度图像;
将该待去噪灰度图像对应的第二关联图像序列拼接到该待去噪灰度图像对应的第一关联图像序列的后面,将拼接的结果记为该待去噪灰度图像对应的关联图像序列;
若该待去噪灰度图像Qm的序号小于M,则将待去噪灰度图像序列中序号为m+1的待去噪灰度图像记为该待去噪灰度图像Qm的邻域待去噪灰度图像;若该待去噪灰度图像Qm的序号等于M,则将待去噪灰度图像序列中序号为m-1的待去噪灰度图像记为该待去噪灰度图像Qm的邻域待去噪灰度图像。
优选的,得到所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度的方法,包括:
对于待去噪灰度图像序列中的任一待去噪灰度图像上的任一疑似噪声点:
将该疑似噪声点在该待去噪灰度图像上的位置记为第x行第y列;
获取该待去噪灰度图像对应的关联图像序列中的各待去噪灰度图像上的第x行第y列的像素点,记为该疑似噪声点的关联点;所述该疑似噪声点对应的关联点数量与该待去噪灰度图像对应的关联图像序列中的待去噪灰度图像数量相同;
获取该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点的5*5邻域内的各邻域像素点,并将该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点的5*5邻域内的各邻域像素点记为该疑似噪声点的邻域特征像素点;
获得该疑似噪声点与该疑似噪声点对应的各邻域特征像素点之间的灰度值差值的绝对值中的最小值对应的邻域特征像素点,记为目标邻域特征像素点;
将该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点到目标邻域特征像素点的方向,记为该疑似噪声点的移动方向;
获取该疑似噪声点的移动方向与水平方向的夹角,记为该疑似噪声点的移动角度。
优选的,根据所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,得到所述各疑似噪声点的第二指标的方法,包括:
计算得到各疑似噪声点对应的各邻域疑似噪声点的移动角度的均值,记为各邻域疑似噪声点对应的平均邻域移动角度;
根据待去噪灰度图像序列中各待去噪图像上的各疑似噪声点对应的各关联点的灰度值、各疑似噪声点对应的平均邻域移动角度以及各疑似噪声点的移动角度,得到待去噪灰度图像序列中各待去噪图像上的各疑似噪声点的第二指标;
对于待去噪灰度图像序列中的任一待去噪灰度图像上的任一疑似噪声点,根据如下公式计算该疑似噪声点的第二指标:
其中,U为该疑似噪声点的第二指标,e为自然常数,F为该疑似噪声点对应的关联点的数量,Q0为该疑似噪声点的灰度值,Q1f为该疑似噪声点对应的第f个关联点的灰度值,γ0为该疑似噪声点对应的移动角度,为该疑似噪声点对应的平均邻域移动角度,max()为取最大值函数。
优选的,根据所述第一指标和第二指标,得到各待去噪灰度图像中的各噪声点的方法,包括:
对各疑似噪声点的第一指标和第二指标进行归一化处理,将归一化后的结果记为各疑似噪声点的第一目标指标和第二目标指标;
将各疑似噪声点的第一目标指标与对应疑似噪声点的第二目标指标相乘,将相乘的结果记为各疑似噪声点的综合指标;
判断各疑似噪声点的综合指标是否大于等于预设第二阈值,若是,则将对应疑似噪声点判定为噪声点。
有益效果:本发明首先基于各待去噪灰度图像中各像素点的邻域像素点的灰度值,得到各待去噪灰度图像中的各疑似噪声点;由于得到的疑似噪声点中可能存在正常像素点,因此本发明需要对疑似噪声点进行分析确定各待去噪灰度图像中的噪声点。本发明通过对所述各疑似噪声点的灰度值、各疑似噪声点对应的各邻域疑似噪声点的灰度值以及各疑似噪声点与对应各邻域疑似噪声点之间的距离进行分析,得到所述各疑似噪声点的灰度特征指标;所述灰度特征指标能反映疑似噪声点为噪声点的概率;紧接着根据所述各疑似噪声点的梯度特征值、各疑似噪声点的梯度特征方向和各疑似噪声点对应的各邻域疑似噪声点的梯度特征方向,得到所述各疑似噪声点的方向特征指标;所述方向特征指标也能反映疑似噪声点为噪声点的概率;然后结合灰度特征指标和方向特征指标,得到所述各疑似噪声点的第一指标;所述第一指标为判定噪声点的依据,并且第一指标是通过灰度特征指标和方向特征指标得到的,因此第一指标能够提高对噪声点检测的精度。然后本发明根据各待去噪图像对应的关联图像序列中的各待去噪图像和各待去噪图像对应的邻域待去噪图像,得到所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,并根据所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,得到所述各疑似噪声点的第二指标;所述第二指标为判定噪声点的依据,并且所述第二指标是通过对各待去噪图像对应的关联图像序列中的各待去噪图像和各待去噪图像对应的邻域待去噪图像进行分析得到,因此依据第二指标能进一步提高对噪声点的检测精度。由于第一指标是通过分析单帧图像得到的,第一指标是通过分析相邻帧图像得到的,因此最后结合第一指标和第二指标,能够较准确的确定各待去噪图像中的噪声点,实现对噪声点进行去除和修复。因此本发明提供的去噪方法能够较准确的确定图像中的各噪声点,即提高对噪声点的检测精度,而且本发明在去除噪声的同时也不会改变非噪声点像素的灰度值,即不会改变图像的边缘与细节,不会使图像变模糊,因此本发明能够在对图像进行精准去噪的基础上还能使得图像不模糊。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种基于图像处理的视频逐帧去噪方法的流程图。
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了基于图像处理的视频逐帧去噪方法,详细说明如下:
如图1所示,该基于图像处理的视频逐帧去噪方法,包括以下步骤:
步骤S001,获取待去噪视频和待去噪视频对应的待去噪灰度图像序列;所述待去噪灰度图像序列中包括多帧待去噪灰度图像。
本实施例主要是对视频中的各图像进行去噪,本实施例先对单帧图像上各像素点的邻域像素点进行分析,确定单帧图像上的疑似噪声点;然后基于噪声点与边缘像素点之间的特征差异和单帧图像的相邻帧图像,得到单帧图像上的疑似噪声点的指标值;所述指标值可以反映疑似噪声点为噪声点的概率,然后依据疑似噪声点的指标值确定单帧图像上的噪声点,并进行去噪。本实施例提供的基于图像处理的视频逐帧去噪方法可以提高对噪声点的检测精度,进而能较准确的对图像进行去噪,而且在去除噪声的同时也不会改变非噪声点像素的灰度值,即不会改变图像的边缘与细节,不会使图像变模糊。
本实施例首先获取待去噪视频,所述视频为摄像机拍摄的视频,拍摄时相机不动,且拍摄的视频中存在移动的物体也存在固定不动的物体;待去噪视频中包括连续帧待去噪RGB图像,相邻帧图像之间的时间间隔相同,且相邻帧图像之间的时间间隔较小;然后对待去噪RGB图像进行灰度化处理,记为待去噪灰度图像;按照时间的顺序对各待去噪灰度图像进行排序,得到待去噪视频对应的待去噪灰度图像序列,并对待去噪灰度图像序列中的各待去噪灰度图像依次进行标记,得到待去噪灰度图像序列中的各待去噪灰度图像的序号,所述序号为各待去噪灰度图像在待去噪灰度图像序列中的位置,例如待去噪灰度图像序列中的第1帧待去噪灰度图像的序号为1,第2帧待去噪灰度图像的序号为2。
步骤S002,根据各待去噪灰度图像中各像素点的邻域像素点的灰度值,得到各待去噪灰度图像中的各疑似噪声点。
由于噪声点在图像中的分布和大小不规则,具有随机性,且噪声点往往会破坏原有图像的连续性,增加图像的突兀性;因此本实施例首先获取各待去噪灰度图像中各像素点的八邻域内的各像素点,记为各待去噪灰度图像中各像素点的各邻域像素点;计算各像素点与对应像素点的各邻域像素点之间的灰度值差值的绝对值,记为各像素点的各灰度差异值,即一个像素点对应八个灰度差异值;统计各像素点的各灰度差异值中大于预设灰度差异阈值的灰度差异值的数量;将各像素点的各灰度差异值中大于预设灰度差异阈值的灰度差异值的数量与8的比值记为各像素点的灰度差异程度,且与8相比的目的是为了进行归一化;所述预设灰度差异阈值需要根据实际情况进行设置,例如可以将预设灰度差异阈值设置为8。
对于任一待去噪灰度图像中的任一像素点:若该像素点的灰度差异程度大于等于预设灰度差异程度阈值且该像素点的各邻域像素点的灰度差异程度中大于等于预设灰度差异程度阈值的邻域像素点数量大于等于1,则判定该像素点为疑似噪声点;若该像素点的灰度差异程度大于等于预设灰度差异程度阈值且该像素点的各邻域像素点的灰度差异程度中不存在大于等于预设灰度差异程度阈值的邻域像素点,则判定该像素点为噪声点;若该像素点的灰度差异程度小于预设灰度差异程度阈值,则判定该像素点为正常噪声点;所述预设灰度差异程度阈值需要根据实际情况进行设置,例如可以将预设灰度差异阈值设置为0.5。
至此,通过上述过程得到了待去噪灰度图像序列中各待去噪灰度图像中的各疑似噪声点。但是此时的疑似噪声点中可能存在边缘像素点以及一些比较突兀但不是噪声点也不是边缘点的正常像素点,因此需要对疑似噪声点进行进一步的判定。
步骤S003,获取所述各疑似噪声点对应的各邻域疑似噪声点;根据所述各疑似噪声点的灰度值、各疑似噪声点对应的各邻域疑似噪声点的灰度值以及各疑似噪声点与对应各邻域疑似噪声点之间的距离,得到所述各疑似噪声点的灰度特征指标;获取所述各疑似噪声点的梯度特征方向和梯度特征值;根据所述各疑似噪声点的梯度特征值、各疑似噪声点的梯度特征方向和各疑似噪声点对应的各邻域疑似噪声点的梯度特征方向,得到所述各疑似噪声点的方向特征指标;根据所述灰度特征指标和方向特征指标,得到所述各疑似噪声点的第一指标。
本实施例中步骤S002得到了各待去噪灰度图像中的各疑似噪声点,但是此时的疑似噪声点中可能存在边缘像素点以及一些比较突兀但不是噪声点也不是边缘点的正常像素点,因此本实施例将对疑似噪声点进行进一步的判定,首先计算各疑似噪声点的灰度特征指标和方向特征指标,作为得到各疑似噪声点对应的第一指标的依据。
(a)得到各疑似噪声点的灰度特征指标的具体过程为:
通常情况下,位于同一条边缘线上的边缘像素点之间的灰度差异较小;因此当各疑似噪声点与各疑似噪声点邻域内的各疑似噪声点之间的灰度差异越大时,表明对应疑似噪声点为噪声点的可能性越大,并且本实施例不仅考虑灰度值之间的差异,还考虑各疑似噪声点与对应疑似噪声点邻域内的各疑似噪声点之间的距离,因为当疑似噪声点与对应疑似噪声点邻域内的各疑似噪声点之间的距离越小且疑似噪声点与对应疑似噪声点邻域内的各疑似噪声点的灰度差异越大时,表明该疑似噪声点为噪声点的可能性越大;考虑距离的原因是因为当像素点之间的距离较大时,也会存在灰度值差异较大的情况;因此本实施例首先获取各待去噪灰度图像中的各疑似噪声点的5*5邻域的各疑似噪声点,记为各疑似噪声点的邻域疑似噪声点;统计各疑似噪声点的邻域疑似噪声点数量;计算得到各疑似噪声点与对应疑似噪声点的各邻域疑似噪声点之间的欧式距离,所述欧式距离的计算方式为公知技术,因此不再详细描述;紧接着根据各疑似噪声点与对应疑似噪声点的各邻域疑似噪声点之间的欧式距离、各疑似噪声点的灰度值以及各疑似噪声点对应的各邻域疑似噪声点的灰度值,得到各待去噪灰度图像中的各疑似噪声点的灰度特征指标;根据如下公式计算各疑似噪声点的灰度特征指标:
其中,Ea b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的灰度特征指标,Ia b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的邻域疑似噪声点数量,da b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点与第b个疑似噪声点对应的第i个邻域疑似噪声点之间的欧式距离,Ga b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的灰度值,Ga b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点对应的第i个邻域疑似噪声点的灰度值,e为自然常数。
Ea b的值越大,表明待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点为噪声点的概率越大;|Ga b-Ga b,i|的值越大,da b,i的值越小,表明Ea b的值越大。
因此通过上述过程可以得到待去噪灰度图像序列中各待去噪灰度图像上的各疑似噪声点的灰度特征指标。
(b)得到各疑似噪声点的方向特征指标的具体过程为:
通常情况下,位于同一条边缘线上的边缘像素点之间的灰度梯度方向差异较小且边缘像素点的灰度梯度相对于噪声点也较小,因此当各疑似噪声点与对应疑似噪声点邻域内的各疑似噪声点之间的灰度梯度方向差异越大以及各疑似噪声点的预设第一阈值灰度梯度越大时,表明对应疑似噪声点为噪声点的可能性越大;因此本实施例首先获取各待去噪灰度图像中的各疑似噪声点的灰度梯度特征方向;获取各疑似噪声点的灰度梯度特征方向的具体过程为:
对于待去噪灰度图像序列中的任一待去噪灰度图像中的任一疑似噪声点:
过该疑似噪声点作一条直线,记为该疑似噪声点的特征直线,将该特征直线按照顺时针方向进行多次旋转,旋转一次得到一条该疑似噪声点的特征直线;旋转的角度固定,旋转角度的大小需要根据实际情况设置,但是要设置的较小;设置旋转角度为β,旋转次数360度比上β之后取整,记为v,则该疑似噪声点的特征直线数量为v+1;对于该疑似噪声点的任意一条特征直线:计算该疑似噪声点与该特征直线上的该疑似噪声点的各邻域疑似噪声点之间的灰度值差值的绝对值的累加和,将所述灰度值差值的绝对值的累加和记为该疑似噪声点的灰度梯度值;因此得到了该疑似噪声点的各灰度梯度值,即基于一条特征直线可以得到一个该疑似噪声点的灰度梯度值;紧接着将该疑似噪声点对应的各灰度梯度值中的最小值记为该疑似噪声点对应的梯度特征值;将该疑似噪声点对应的各灰度梯度值中的最小值对应的特征直线与水平方向的夹角记为该疑似噪声点对应的梯度特征方向。
因此通过上述过程得到了该疑似噪声点对应的梯度特征值和梯度特征方向。然后按照上述得到该疑似噪声点对应的梯度特征值和梯度特征方向的方法,得到各疑似噪声点对应的梯度特征值和梯度特征方向,进而得到了该疑似噪声点的各邻域疑似噪声点对应的梯度特征值和梯度特征方向。
由于梯度特征值和梯度特征方向能反映疑似噪声点为噪声点的可能性;因此根据该疑似噪声点对应的梯度特征值、该疑似噪声点对应的梯度特征方向以及该疑似噪声点的各邻域疑似噪声点对应的梯度特征方向,得到该疑似噪声点的方向特征指标;根据如下公式计算该疑似噪声点的方向特征指标:
其中,Wa b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的方向特征指标,θa b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的梯度特征方向,θa b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点对应的第i个邻域疑似噪声点的梯度特征方向,Ta b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的梯度特征值。
Wa b的值越大,表明待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点为噪声点的概率越大;|θa b-θa b,i|的值越大,Ta b的值越大,表明Wa b的值越大。
因此通过上述过程得到了待去噪灰度图像序列中各待去噪灰度图像中的各疑似噪声点的灰度特征指标和方向特征指标。
(c)得到各疑似噪声点的第一指标的具体过程为:
由于灰度特征指标和方向特征指标均可以反映疑似噪声点为噪声点的概率;因此本实施例将待去噪灰度图像序列中各待去噪灰度图像中的各疑似噪声点的灰度特征指标与对应方向特征指标的乘积记为所述各疑似噪声点的第一指标。
至此,得到了待去噪灰度图像序列中各待去噪灰度图像中的各疑似噪声点的第一指标;所述第一指标为后续确定噪声点的依据。
步骤S004,获取各待去噪图像对应的关联图像序列和各待去噪图像对应的邻域待去噪图像;根据各待去噪图像对应的关联图像序列中的各待去噪图像和各待去噪图像对应的邻域待去噪图像,得到所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度;根据所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,得到所述各疑似噪声点的第二指标。
本实施例步骤S003得到了待去噪灰度图像序列中各待去噪灰度图像中的各疑似噪声点的第一指标,所述第一指标为后续确定噪声点的依据;但是第一指标仅仅只能分辨出疑似噪声点中的边缘像素点,但是疑似噪声点中除了边缘像素点之外还有可能存在一些比较突兀但并不是噪声点也不是边缘点的正常像素点;例如在某一帧图像中将属于某个固定物体的像素点判定为噪声点,此时将该像素点记为A,但是若在该帧图像的下一帧图像上的相同位置处的像素点的像素值与该帧图像上的相同位置处的灰度值相同,则此时判定像素点A为噪声点就有可能是误判,因为噪声点的出现是随机的,在连续两帧图像或者连续多帧图像上的相同位置处都出现噪声点的概率很小;另外若是在某一帧图像中将某个属于移动物体的像素点判定为噪声点,此时将该像素点记为B,所述移动物体可以是行人或者车辆等,但是若该帧图像的下一帧图像上的相同位置处的像素点对应的邻域像素点内出现与像素点B像素值相同的像素点,且此时像素点B的运动方向与物体的运动方向一致,则此时判定像素点B为噪声点也有可能是误判。因此为了避免上述现象的出现本实施例需要对多帧图像进行分析来进一步的确定噪声点,即进一步提高检测噪声点的精度;具体为:
(1)获取各待去噪图像对应的关联图像序列和各待去噪图像对应的邻域待去噪图像的具体过程为:
对于待去噪灰度图像序列中的任一待去噪灰度图像:
将待去噪灰度图像序列中待去噪灰度图像的数量记为M,将该待去噪灰度图像的序号记为m,将该待去噪灰度图像记为Qm;若m大于预设第一阈值L,则得到的该待去噪灰度图像对应的第一关联图像序列为{Qm-L,Qm-L+1,…,Qm-1};若m小于等于预设第一阈值L且m大于1,则得到的该待去噪灰度图像对应的第一关联图像序列为{Q1,…,Qm-1};若m等于1,则得到的该待去噪灰度图像对应的第一关联图像序列中不存在图像;若M-m大于等于预设第一阈值L,则得到的该待去噪灰度图像对应的第二关联图像序列为{Qm+1,...Qm+L-1,Qm+L};若M-m小于预设第一阈值L且M-m大于0,则得到的该待去噪灰度图像对应的第二关联图像序列为{Qm+1,...,QM};若M-m等于0,则得到的该待去噪灰度图像对应的第二关联图像序列中不存在图像;其中,Qm-L为待去噪灰度图像序列中序号为m-L的待去噪灰度图像,Qm-L+1为待去噪灰度图像序列中序号为m-L+1的待去噪灰度图像,Qm-1为待去噪灰度图像序列中序号为m-1的待去噪灰度图像,Qm+1为待去噪灰度图像序列中序号为m+1的待去噪灰度图像,Qm+L-1为待去噪灰度图像序列中序号为m+L-1的待去噪灰度图像,Qm+L为待去噪灰度图像序列中序号为m+L的待去噪灰度图像,QM为待去噪灰度图像序列中序号为M的待去噪灰度图像,Q1为待去噪灰度图像序列中序号为1的待去噪灰度图像。在具体应用中预设第一阈值L需要根据实际情况进行设置,但是需满足预设第一阈值L的值大于0小于待去噪灰度图像序列中待去噪灰度图像的数量,且预设第一阈值为整数。
若该待去噪灰度图像Qm的序号小于M,则将待去噪灰度图像序列中序号为m+1的待去噪灰度图像记为该待去噪灰度图像Qm的邻域待去噪灰度图像;若该待去噪灰度图像Qm的序号等于M,则将待去噪灰度图像序列中序号为m-1的待去噪灰度图像记为该待去噪灰度图像Qm的邻域待去噪灰度图像。
因此通过上述过程可以得到待去噪灰度图像序列中各待去噪灰度图像对应的第一关联图像序列和第二关联图像序列,以及待去噪灰度图像序列中各待去噪灰度图像的邻域待去噪灰度图像;将该待去噪灰度图像对应的第二关联图像序列拼接到该待去噪灰度图像对应的第一关联图像序列的后面,将拼接的结果记为该待去噪灰度图像对应的关联图像序列以及该待去噪灰度图像对应的关联图像序列中的各待去噪灰度图像。
(2)得到各疑似噪声点的第二指标的具体过程为:
对于待去噪灰度图像序列中的任一待去噪灰度图像上的任一疑似噪声点:
将该疑似噪声点在该待去噪灰度图像上的位置记为第x行第y列;然后获取该待去噪灰度图像对应的关联图像序列中的各待去噪灰度图像上的第x行第y列的像素点,记为该疑似噪声点的关联点;因此得到了该疑似噪声点对应的各关联点,且该疑似噪声点对应的关联点数量与该待去噪灰度图像对应的关联图像序列中的待去噪灰度图像数量相同。
获取该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点5*5邻域内的各邻域像素点,并将该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点5*5邻域内的各邻域像素点记为该疑似噪声点的邻域特征像素点,所述该疑似噪声点的位置位于该待去噪灰度图像上的第x行第y列;所述邻域待去噪灰度图像中第x行第y列像素点对应的各邻域像素点为第x行第y列像素点的5*5邻域内的像素点;然后得到该疑似噪声点与该疑似噪声点对应的各邻域特征像素点之间的灰度值差值的绝对值中的最小值对应的邻域特征像素点,记为目标邻域特征像素点;之后将该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点到目标邻域特征像素点的方向,记为该疑似噪声点的移动方向;并获取该疑似噪声点的移动方向与水平方向的夹角,记为该疑似噪声点的移动角度。
因此通过上述过程可以得到待去噪灰度图像序列中各待去噪灰度图像上的各疑似噪声点的移动角度;并且也得到了待去噪灰度图像序列中各待去噪灰度图像上的各疑似噪声点对应的各邻域疑似噪声点的移动角度;然后计算得到各疑似噪声点对应的各邻域疑似噪声点的移动角度的均值,记为各邻域疑似噪声点对应的平均邻域移动角度。
本实施例中各待去噪图像上各疑似噪声点对应的各关联点的灰度值以及所述各待去噪图像上各疑似噪声点的移动角度均能反映疑似噪声点为噪声点的概率,并且当各疑似噪声点与对应的各邻域疑似噪声点之间的移动角度差异较大时,表明对应疑似噪声点为噪声点的概率越大;当各疑似噪声点与对应的各关联点之间的灰度值差异越大时,也表明对应疑似噪声点为噪声点的概率越大;因此本实施例根据待去噪灰度图像序列中各待去噪图像上的各疑似噪声点对应的各关联点的灰度值、各疑似噪声点对应的平均邻域移动角度以及各疑似噪声点的移动角度,得到待去噪灰度图像序列中各待去噪图像上的各疑似噪声点的第二指标;对于待去噪灰度图像序列中的任一待去噪灰度图像上的任一疑似噪声点,根据如下公式计算该疑似噪声点的第二指标:
其中,U为该疑似噪声点的第二指标,e为自然常数,F为该疑似噪声点对应的关联点的数量,Q0为该疑似噪声点的灰度值,Q1f为该疑似噪声点对应的第f个关联点的灰度值,γ0为该疑似噪声点对应的移动角度,为该疑似噪声点对应的平均邻域移动角度,max()为取最大值函数;U越大,表明该疑似噪声点为噪声点的概率越大;|Q0-Q1f|越大,/>越大,表明U越大。
因此通过上述过程可以得到待去噪灰度图像序列中各待去噪灰度图像上的各疑似噪声点的第二指标;所述第二指标是结合相邻帧图像得到的,因此能进一步增加后续判定噪声点的准确度。
步骤S005,根据所述第一指标和第二指标,得到待去噪灰度图像序列中各待去噪灰度图像中的各噪声点。
本实施例中步骤S003和S004得到了待去噪灰度图像序列中各待去噪灰度图像上的各疑似噪声点的第一指标和第二指标;所述第一指标和第二指标均能表征疑似噪声点为噪声点的概率;因此本实施例首先分别对各疑似噪声点的第一指标和第二指标进行归一化处理,将归一化后的结果记为各疑似噪声点的第一目标指标和第二目标指标;将各疑似噪声点的第一目标指标与对应疑似噪声点的第二目标指标相乘,将相乘的结果记为各疑似噪声点的综合指标;紧接着判断各疑似噪声点的综合指标是否大于等于预设第二阈值,若是,则将对应疑似噪声点判定为噪声点;否则,则判定对应疑似噪声点不是噪声点;所述预设第二阈值在具体应用中需要根据实际情况进行设置,本实施例设置为0.8。
因此通过上述过程得到了待去噪灰度图像序列中各待去噪灰度图像上的各噪声点;并对噪声点进行去除,然后利用噪声点周围的非噪声点的灰度值来修复噪声点,所述噪声点去除和修复为公知技术,因此不再详细描述。
本实施例首先基于各待去噪灰度图像中各像素点的邻域像素点的灰度值,得到各待去噪灰度图像中的各疑似噪声点;由于得到的疑似噪声点中可能存在正常像素点,因此本实施例需要对疑似噪声点进行分析确定各待去噪灰度图像中的噪声点。本实施例通过对所述各疑似噪声点的灰度值、各疑似噪声点对应的各邻域疑似噪声点的灰度值以及各疑似噪声点与对应各邻域疑似噪声点之间的距离进行分析,得到所述各疑似噪声点的灰度特征指标;所述灰度特征指标能反映疑似噪声点为噪声点的概率;紧接着根据所述各疑似噪声点的梯度特征值、各疑似噪声点的梯度特征方向和各疑似噪声点对应的各邻域疑似噪声点的梯度特征方向,得到所述各疑似噪声点的方向特征指标;所述方向特征指标也能反映疑似噪声点为噪声点的概率;然后结合灰度特征指标和方向特征指标,得到所述各疑似噪声点的第一指标;所述第一指标为判定噪声点的依据,并且第一指标是通过灰度特征指标和方向特征指标得到的,因此第一指标能够提高对噪声点检测的精度。然后本实施例根据各待去噪图像对应的关联图像序列中的各待去噪图像和各待去噪图像对应的邻域待去噪图像,得到所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,并根据所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,得到所述各疑似噪声点的第二指标;所述第二指标为判定噪声点的依据,并且所述第二指标是通过对各待去噪图像对应的关联图像序列中的各待去噪图像和各待去噪图像对应的邻域待去噪图像进行分析得到,因此依据第二指标能进一步提高对噪声点的检测精度。由于第一指标是通过分析单帧图像得到的,第一指标是通过分析相邻帧图像得到的,因此最后结合第一指标和第二指标,能够较准确的确定各待去噪图像中的噪声点,实现对噪声点进行去除和修复。因此本实施例提供的去噪方法能够较准确的确定图像中的各噪声点,即提高对噪声点的检测精度,而且本实施例在去除噪声的同时也不会改变非噪声点像素的灰度值,即不会改变图像的边缘与细节,不会使图像变模糊,因此本实施例能够在对图像进行精准去噪的基础上还能使得图像不模糊。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像处理的视频逐帧去噪方法,其特征在于,该方法包括如下步骤:
获取待去噪视频和待去噪视频对应的待去噪灰度图像序列;所述待去噪灰度图像序列中包括多帧待去噪灰度图像;
根据各待去噪灰度图像中各像素点的邻域像素点的灰度值,得到各待去噪灰度图像中的各疑似噪声点;
获取所述各疑似噪声点对应的各邻域疑似噪声点;根据所述各疑似噪声点的灰度值、各疑似噪声点对应的各邻域疑似噪声点的灰度值以及各疑似噪声点与对应各邻域疑似噪声点之间的距离,得到所述各疑似噪声点的灰度特征指标;
获取所述各疑似噪声点的梯度特征方向和梯度特征值;根据所述各疑似噪声点的梯度特征值、各疑似噪声点的梯度特征方向和各疑似噪声点对应的各邻域疑似噪声点的梯度特征方向,得到所述各疑似噪声点的方向特征指标;
根据所述灰度特征指标和方向特征指标,得到所述各疑似噪声点的第一指标;
获取各待去噪图像对应的关联图像序列和各待去噪图像对应的邻域待去噪图像;根据各待去噪图像对应的关联图像序列中的各待去噪图像和各待去噪图像对应的邻域待去噪图像,得到所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度;
根据所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,得到所述各疑似噪声点的第二指标;
根据所述第一指标和第二指标,得到各待去噪灰度图像中的各噪声点,对各待去噪灰度图像中的各噪声点进行去除和修复。
2.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,得到各待去噪灰度图像中的各疑似噪声点的方法,包括:
获取各待去噪灰度图像中各像素点的八邻域内的各像素点,记为各待去噪灰度图像中各像素点的各邻域像素点;
计算各像素点与对应像素点的各邻域像素点之间的灰度差值的绝对值,记为各像素点的各灰度差异值,一个像素点对应八个灰度差异值;
统计各像素点的各灰度差异值中大于预设灰度差异阈值的灰度差异值的数量;将各像素点的各灰度差异值中大于预设灰度差异阈值的灰度差异值的数量与8的比值记为各像素点的灰度差异程度;
对于任一待去噪灰度图像中的任一像素点:若该像素点的灰度差异程度大于等于预设灰度差异程度阈值且该像素点的各邻域像素点的灰度差异程度中大于等于预设灰度差异程度阈值的邻域像素点数量大于等于1,则判定该像素点为疑似噪声点。
3.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,获取所述各疑似噪声点对应的各邻域疑似噪声点;根据所述各疑似噪声点的灰度值、各疑似噪声点对应的各邻域疑似噪声点的灰度值以及各疑似噪声点与对应各邻域疑似噪声点之间的距离,得到所述各疑似噪声点的灰度特征指标的方法,包括:
获取各待去噪灰度图像中的各疑似噪声点的5*5邻域的各疑似噪声点,记为各疑似噪声点的邻域疑似噪声点;
统计所述各疑似噪声点的邻域疑似噪声点数量;
计算得到所述各疑似噪声点与对应疑似噪声点的各邻域疑似噪声点之间的欧式距离;
根据所述各疑似噪声点与对应疑似噪声点的各邻域疑似噪声点之间的欧式距离、各疑似噪声点的灰度值以及各疑似噪声点对应的各邻域疑似噪声点的灰度值,得到各待去噪灰度图像中的各疑似噪声点的灰度特征指标;
根据如下公式计算各疑似噪声点的灰度特征指标:
其中,Ea b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的灰度特征指标,Ia b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的邻域疑似噪声点数量,da b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点与第b个疑似噪声点对应的第i个邻域疑似噪声点之间的欧式距离,Ga b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的灰度值,Ga b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点对应的第i个邻域疑似噪声点的灰度值,e为自然常数。
4.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,获取所述各疑似噪声点的梯度特征方向和梯度特征值的方法,包括:
对于待去噪灰度图像序列中的任一待去噪灰度图像中的任一疑似噪声点:
过该疑似噪声点作一条直线,记为该疑似噪声点的特征直线,将该特征直线按照顺时针方向进行多次旋转,旋转一次得到一条该疑似噪声点的特征直线;
对于该疑似噪声点的任意一条特征直线:计算该疑似噪声点与该特征直线上的该疑似噪声点的各邻域疑似噪声点之间的灰度值差值的绝对值的累加和,将所述灰度值差值的绝对值的累加和记为该疑似噪声点的灰度梯度值;
将该疑似噪声点对应的各灰度梯度值中的最小值记为该疑似噪声点对应的梯度特征值;将该疑似噪声点对应的各灰度梯度值中的最小值对应的特征直线与水平方向的夹角记为该疑似噪声点对应的梯度特征方向。
5.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,根据如下公式计算各疑似噪声点的方向特征指标:
其中,Wa b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的方向特征指标,θa b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的梯度特征方向,θa b,i为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点对应的第i个邻域疑似噪声点的梯度特征方向,Ta b为待去噪灰度图像序列中的第a帧待去噪灰度图像中的第b个疑似噪声点的梯度特征值。
6.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,得到所述各疑似噪声点的第一指标的方法,包括:
将待去噪灰度图像序列中各待去噪灰度图像中的各疑似噪声点的灰度特征指标与对应方向特征指标的乘积记为所述各疑似噪声点的第一指标。
7.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,获取各待去噪图像对应的关联图像序列和各待去噪图像对应的邻域待去噪图像的方法,包括:
对于待去噪灰度图像序列中的任一待去噪灰度图像:
对待去噪灰度图像序列中的各待去噪灰度图像依次进行标记,得到待去噪灰度图像序列中的各待去噪灰度图像的序号,所述待去噪灰度图像序列中的第k帧待去噪灰度图像的序号为k;
将待去噪灰度图像序列中待去噪灰度图像的数量记为M,将该待去噪灰度图像的序号记为m,将该待去噪灰度图像记为Qm;
若m大于预设第一阈值L,则得到的该待去噪灰度图像对应的第一关联图像序列为{Qm-L,Qm-L+1,…,Qm-1};若m小于等于预设第一阈值L且m大于1,则得到的该待去噪灰度图像对应的第一关联图像序列为{Q1,…,Qm-1};若m等于1,则得到的该待去噪灰度图像对应的第一关联图像序列中不存在图像;若M-m大于等于预设第一阈值L,则得到的该待去噪灰度图像对应的第二关联图像序列为{Qm+1,…Qm+L-1,Qm+L};若M-m小于预设第一阈值L且M-m大于0,则得到的该待去噪灰度图像对应的第二关联图像序列为{Qm+1,…,QM};若M-m等于0,则得到的该待去噪灰度图像对应的第二关联图像序列中不存在图像;其中,Qm-L为待去噪灰度图像序列中序号为m-L的待去噪灰度图像,Qm-L+1为待去噪灰度图像序列中序号为m-L+1的待去噪灰度图像,Qm-1为待去噪灰度图像序列中序号为m-1的待去噪灰度图像,Qm+1为待去噪灰度图像序列中序号为m+1的待去噪灰度图像,Qm+L-1为待去噪灰度图像序列中序号为m+L-1的待去噪灰度图像,Qm+L为待去噪灰度图像序列中序号为m+L的待去噪灰度图像,QM为待去噪灰度图像序列中序号为M的待去噪灰度图像,Q1为待去噪灰度图像序列中序号为1的待去噪灰度图像;
将该待去噪灰度图像对应的第二关联图像序列拼接到该待去噪灰度图像对应的第一关联图像序列的后面,将拼接的结果记为该待去噪灰度图像对应的关联图像序列;
若该待去噪灰度图像Qm的序号小于M,则将待去噪灰度图像序列中序号为m+1的待去噪灰度图像记为该待去噪灰度图像Qm的邻域待去噪灰度图像;若该待去噪灰度图像Qm的序号等于M,则将待去噪灰度图像序列中序号为m-1的待去噪灰度图像记为该待去噪灰度图像Qm的邻域待去噪灰度图像。
8.如权利要求7所述的基于图像处理的视频逐帧去噪方法,其特征在于,得到所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度的方法,包括:
对于待去噪灰度图像序列中的任一待去噪灰度图像上的任一疑似噪声点:
将该疑似噪声点在该待去噪灰度图像上的位置记为第x行第y列;
获取该待去噪灰度图像对应的关联图像序列中的各待去噪灰度图像上的第x行第y列的像素点,记为该疑似噪声点的关联点;所述该疑似噪声点对应的关联点数量与该待去噪灰度图像对应的关联图像序列中的待去噪灰度图像数量相同;
获取该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点的5*5邻域内的各邻域像素点,并将该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点的5*5邻域内的各邻域像素点记为该疑似噪声点的邻域特征像素点;
获得该疑似噪声点与该疑似噪声点对应的各邻域特征像素点之间的灰度值差值的绝对值中的最小值对应的邻域特征像素点,记为目标邻域特征像素点;
将该待去噪灰度图像对应的邻域待去噪灰度图像中第x行第y列像素点到目标邻域特征像素点的方向,记为该疑似噪声点的移动方向;
获取该疑似噪声点的移动方向与水平方向的夹角,记为该疑似噪声点的移动角度。
9.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,根据所述各疑似噪声点的各关联点以及各疑似噪声点的移动角度,得到所述各疑似噪声点的第二指标的方法,包括:
计算得到各疑似噪声点对应的各邻域疑似噪声点的移动角度的均值,记为各邻域疑似噪声点对应的平均邻域移动角度;
根据待去噪灰度图像序列中各待去噪图像上的各疑似噪声点对应的各关联点的灰度值、各疑似噪声点对应的平均邻域移动角度以及各疑似噪声点的移动角度,得到待去噪灰度图像序列中各待去噪图像上的各疑似噪声点的第二指标;
对于待去噪灰度图像序列中的任一待去噪灰度图像上的任一疑似噪声点,根据如下公式计算该疑似噪声点的第二指标:
其中,U为该疑似噪声点的第二指标,e为自然常数,F为该疑似噪声点对应的关联点的数量,Q0为该疑似噪声点的灰度值,Q1f为该疑似噪声点对应的第f个关联点的灰度值,γ0为该疑似噪声点对应的移动角度,为该疑似噪声点对应的平均邻域移动角度,max()为取最大值函数。
10.如权利要求1所述的基于图像处理的视频逐帧去噪方法,其特征在于,根据所述第一指标和第二指标,得到各待去噪灰度图像中的各噪声点的方法,包括:
对各疑似噪声点的第一指标和第二指标进行归一化处理,将归一化后的结果记为各疑似噪声点的第一目标指标和第二目标指标;
将各疑似噪声点的第一目标指标与对应疑似噪声点的第二目标指标相乘,将相乘的结果记为各疑似噪声点的综合指标;
判断各疑似噪声点的综合指标是否大于等于预设第二阈值,若是,则将对应疑似噪声点判定为噪声点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993873.1A CN115330628B (zh) | 2022-08-18 | 2022-08-18 | 基于图像处理的视频逐帧去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993873.1A CN115330628B (zh) | 2022-08-18 | 2022-08-18 | 基于图像处理的视频逐帧去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330628A CN115330628A (zh) | 2022-11-11 |
CN115330628B true CN115330628B (zh) | 2023-09-12 |
Family
ID=83925204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210993873.1A Active CN115330628B (zh) | 2022-08-18 | 2022-08-18 | 基于图像处理的视频逐帧去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330628B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228601B (zh) * | 2023-05-08 | 2023-07-21 | 山东中都机器有限公司 | 一种火车双向平煤的平煤效果视觉监控方法 |
CN116309557B (zh) * | 2023-05-16 | 2023-08-01 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN117408890B (zh) * | 2023-12-14 | 2024-03-08 | 武汉泽塔云科技股份有限公司 | 一种视频图像传输质量增强方法及系统 |
CN117522733B (zh) * | 2024-01-04 | 2024-04-05 | 深圳市悦道科技有限公司 | 一种用于视频图像的智能处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938824A (zh) * | 2012-06-05 | 2013-02-20 | 李英明 | 一种基于改进的自适应双边滤波的视频去噪方法 |
CN104680483A (zh) * | 2013-11-25 | 2015-06-03 | 浙江大华技术股份有限公司 | 图像的噪声估计方法、视频图像去噪方法及装置 |
CN104767913A (zh) * | 2015-04-16 | 2015-07-08 | 中国科学院自动化研究所 | 一种对比度自适应的视频去噪系统 |
CN106303156A (zh) * | 2016-08-29 | 2017-01-04 | 厦门美图之家科技有限公司 | 对视频去噪的方法、应用及移动终端 |
CN111724317A (zh) * | 2020-05-20 | 2020-09-29 | 天津大学 | Raw域视频去噪监督数据集构造方法 |
CN112257534A (zh) * | 2020-10-15 | 2021-01-22 | 合肥工业大学 | 一种从视频中估计三维人体姿态的方法 |
WO2021114592A1 (zh) * | 2019-12-12 | 2021-06-17 | 腾讯科技(深圳)有限公司 | 视频降噪方法、装置、终端及存储介质 |
-
2022
- 2022-08-18 CN CN202210993873.1A patent/CN115330628B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938824A (zh) * | 2012-06-05 | 2013-02-20 | 李英明 | 一种基于改进的自适应双边滤波的视频去噪方法 |
CN104680483A (zh) * | 2013-11-25 | 2015-06-03 | 浙江大华技术股份有限公司 | 图像的噪声估计方法、视频图像去噪方法及装置 |
CN104767913A (zh) * | 2015-04-16 | 2015-07-08 | 中国科学院自动化研究所 | 一种对比度自适应的视频去噪系统 |
CN106303156A (zh) * | 2016-08-29 | 2017-01-04 | 厦门美图之家科技有限公司 | 对视频去噪的方法、应用及移动终端 |
WO2021114592A1 (zh) * | 2019-12-12 | 2021-06-17 | 腾讯科技(深圳)有限公司 | 视频降噪方法、装置、终端及存储介质 |
CN111724317A (zh) * | 2020-05-20 | 2020-09-29 | 天津大学 | Raw域视频去噪监督数据集构造方法 |
CN112257534A (zh) * | 2020-10-15 | 2021-01-22 | 合肥工业大学 | 一种从视频中估计三维人体姿态的方法 |
Non-Patent Citations (1)
Title |
---|
基于块和低秩张量恢复的视频去噪方法;李小利 等;《计算机应用研究》;第34卷(第4期);1273-1280 * |
Also Published As
Publication number | Publication date |
---|---|
CN115330628A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330628B (zh) | 基于图像处理的视频逐帧去噪方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115082462B (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN110517265B (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN111027546A (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN115131351B (zh) | 基于红外图像的机油散热器检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN110555866A (zh) | 一种改进kcf特征描述符的红外目标跟踪方法 | |
CN112017157A (zh) | 一种光学元件激光损伤阈值测试中损伤点识别方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN116245880A (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN114648734A (zh) | 基于图像处理的摄像机工作异常检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN112069852B (zh) | 一种基于游程编码的低质量二维码信息提取方法及装置 | |
CN112926695A (zh) | 基于模板匹配的图像识别方法和系统 | |
US7646892B2 (en) | Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium | |
CN110889817A (zh) | 图像融合质量评价方法及装置 | |
CN109934817A (zh) | 一种果体外部轮廓畸形检测方法 | |
CN114359183A (zh) | 图像质量评估方法及设备、镜头遮挡的确定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |