CN116347002A - 一种视频降噪方法、系统、设备及存储介质 - Google Patents

一种视频降噪方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN116347002A
CN116347002A CN202310336831.5A CN202310336831A CN116347002A CN 116347002 A CN116347002 A CN 116347002A CN 202310336831 A CN202310336831 A CN 202310336831A CN 116347002 A CN116347002 A CN 116347002A
Authority
CN
China
Prior art keywords
image frame
image
measurement index
average
video
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
Application number
CN202310336831.5A
Other languages
English (en)
Inventor
黄茂芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Saifang Technology Co ltd
Original Assignee
Guangdong Saifang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Saifang Technology Co ltd filed Critical Guangdong Saifang Technology Co ltd
Priority to CN202310336831.5A priority Critical patent/CN116347002A/zh
Publication of CN116347002A publication Critical patent/CN116347002A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

一种视频降噪方法，其特征在于，包括以下步骤：提取待降噪视频中的各个图像帧；获取各个图像帧中的图像信息，并通过图像信息分别获取图像信息所对应的度量指标信息；通过各个图像帧的度量指标信息，分别代入至预设的度量指标公式中获取得到图像帧的度量指标密度；通过度量指标密度与预设的权重值获取得到图像帧的图像质量评分，得到去噪图像帧序列；根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合，根据新的图像帧集合得到降噪视频。本发明通过从大量图像帧中提取出具有代表性的待去噪图像帧，大大减少了需要进行去噪处理图像帧的数量，从而减少了运算时间和计算资源，提高了视频降噪的效率。

Description

一种视频降噪方法、系统、设备及存储介质
技术领域
本发明涉及视频降噪技术领域，特别是一种视频降噪方法、系统、设备及存储介质。
背景技术
在日常生活中，由于拍摄条件的限制以及发送设备、传输设备、接收设备的影响，视频经常受到噪声干扰，使视频质量下降，从而影响视频的视觉效果，妨碍视频的进一步处理。因此，需要对视频降噪以提升视频的质量。
目前，为了提高视频降噪的质量，常采用的方法是对视频中的每一个图像帧进行降噪，以得到降噪的视频，这种降噪处理需要对每一帧进行处理，需要消耗大量的运算时间和计算资源，降低了视频降噪的效率。
发明内容
针对上述缺陷，本发明的目的在于提出一种视频降噪方法、系统、设备及存储介质，用以改善现有技术中对每一帧进行处理，需要消耗大量的运算时间和计算资源，降低了视频降噪的效率的问题。
为达此目的，本发明采用以下技术方案：一种视频降噪方法，包括以下步骤：
提取待降噪视频中的各个图像帧；
获取各个图像帧中的图像信息，并通过所述图像信息分别获取所述图像信息所对应的度量指标信息，其中所述图像信息包括亮度、饱和度以及梯度值，所述度量指标信息包括平均亮度向量、平均饱和度向量以及平均梯度向量；
通过各个图像帧的所述度量指标信息，分别代入至预设的度量指标公式中获取得到图像帧的度量指标密度；
通过所述度量指标密度与预设的权重值获取得到图像帧的图像质量评分；
对所述图像帧进行类别划分，得到多个标注类别不同的图像帧集合，其中所述类别划分为将相似度高于阈值的多个帧进行标注；
分别提取各个标注类别图像帧集合中图像质量评分最高的图像帧，并将所有图像质量评分最高的图像帧组合为待去噪图像帧序列；
将待去噪图像帧序列输入至图像帧去噪模型，得到去噪图像帧序列；
根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合，根据新的图像帧集合得到降噪视频。
优选的，获取所述度量指标信息的过程如下：
提取图像帧中的图像亮度分量的均值，以图像亮度分量的均值作为所述平均亮度向量L；
提取图像帧中的饱和度分量的均值，以饱和度分量的均值作为所述平均饱和度向量S；
利用Laplace算子计算图像帧的梯度值分量，并计算梯度值分量的均值，梯度值分量的均值作为所述平均梯度向量G。
优选的，计算所述度量指标密度的具体过程如下：
分别计算平均亮度向量L、平均饱和度向量S、平均梯度向量G的均值和方差；
并分别将所述计算平均亮度向量L、平均饱和度向量S、平均梯度向量G以及其对应的均值和方差代入至所述度量指标公式中，得到对应度量指标信息对应的度量指标密度；
其中所述度量指标公式为：
Figure BDA0004156702000000031
其中x的取值范围为平均亮度向量L、平均饱和度向量S、平均梯度向量G，σx与μx分别为度量指标信息对应的均值和方差。
优选的，所述图像质量评分的获取公式如下：Y＝A×Y1+B×Y2+C×Y3；其中A、B、C分别为预设的权重值，Y1、Y2、Y3分别为平均亮度对应的密度向量、平均饱和度对应的密度向量、平均梯度对应的密度向量。
优选的，别划分的具体过程如下：
每一图像帧分别与其他图像帧进行相似度匹配，若两个图像帧帧之间的相似度大于阈值，则将该两个图像帧标注为相同的类别，若两个图像帧帧之间的相似度小于阈值，则将该两个图像帧标注为不相同的类别。
优选的，所述相似度匹配的过程如下：
分别对各个图像帧进行深度自编码，得到各个图像帧自编码；
分别计算不同图像帧自编码之间的欧式距离；
根据不同图像帧自编码之间的欧式距离得到各个图像帧之间的相似度。
优选的，根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合的步骤包括以下步骤：将去噪图像帧序列中的各个去噪图像帧替换对应的标注类别图像帧集合中的各个图像帧，以更新各个标注类别图像帧集合，得到新的图像帧集合。
一种视频降噪系统，使用所述的一种视频降噪方法，其特征在于，包括：图像帧提取模块、度量指标计算模块、度量指标密度计算模块、图像质量评分计算模块、图像帧标注模块、待去噪图像帧提取模块、图像去噪模块、降噪视频模块以及图像帧更新模块；
所述图像帧提取模块用于提取待降噪视频中的各个图像帧；
所述度量指标计算模块用于获取各个图像帧中的图像信息，并通过所述图像信息分别获取所述图像信息所对应的度量指标信息；
所述度量指标密度计算模块用于通过各个图像帧的所述度量指标信息，分别代入至预设的度量指标公式中获取得到图像帧的度量指标密度；
所述图像质量评分计算模块用于通过所述度量指标密度与预设的权重值获取得到图像帧的图像质量评分；
所述图像帧标注模块用于对所述图像帧进行类别划分，得到多个标注类别不同的图像帧集合；
所述待去噪图像帧提取模块用于分别提取各个标注类别图像帧集合中图像质量评分最高的图像帧，并将所有图像质量评分最高的图像帧组合为待去噪图像帧序列；
所述图像去噪模块用于将待去噪图像帧序列输入至预设的图像帧去噪模型，得到去噪图像帧序列；
所述图像帧更新模块用于用于根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合；
所述降噪视频模块用于根据新的图像帧集合得到降噪视频。
一种设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现所述的一种视频降噪方法。
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种视频降噪方法。
上述技术方案中的一个技术方案具有如下优点或有益效果：本发明通过从大量图像帧中提取出具有代表性的待去噪图像帧，大大减少了需要进行去噪处理图像帧的数量，从而减少了运算时间和计算资源，提高了视频降噪的效率。
附图说明
图1为本发明实施例提供的一种视频降噪方法流程图。
图2为本发明实施例提供的一种视频降噪系统结构框图。
图3为本发明实施例提供的一种电子设备的结构框图。
具体实施方式
下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的实施方式的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的实施方式的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。如图1～3所示，一种视频降噪方法，包括以下步骤：
提取待降噪视频中的各个图像帧；
上述待降噪视频可以是由摄像机拍摄得到，也可以是现有视频通过数据传输的方式或云端下载的方式获得。
获取各个图像帧中的图像信息，并通过所述图像信息分别获取所述图像信息所对应的度量指标信息，其中所述图像信息包括亮度、饱和度以及梯度值，所述度量指标信息包括平均亮度向量、平均饱和度向量以及平均梯度向量；
通过各个图像帧的所述度量指标信息，分别代入至预设的度量指标公式中获取得到图像帧的度量指标密度；
通过所述度量指标密度与预设的权重值获取得到图像帧的图像质量评分；
对所述图像帧进行类别划分，得到多个标注类别不同的图像帧集合，其中所述类别划分为将相似度高于阈值的多个帧进行标注；
分别提取各个标注类别图像帧集合中图像质量评分最高的图像帧，并将所有图像质量评分最高的图像帧组合为待去噪图像帧序列；
将待去噪图像帧序列输入至图像帧去噪模型，得到去噪图像帧序列；
上述预设的图像帧去噪模型可以是采用卷积神经网络训练得到，卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。通过采用卷积神经网络对待去噪图像帧序列中的各图像帧进行去噪处理，可以提升对每一帧图像帧的处理效率，进而高效对视频进行降噪处理。所述图像帧去噪模型为现有的技术手段，在此就不做过多的描述。
根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合，根据新的图像帧集合得到降噪视频。
得到的新的图像帧集合是经过去噪图像帧替换后得到，从而将待降噪视频中的每一帧都进行了降噪处理，进而得到降噪视频。
本发明通过从大量图像帧中提取出具有代表性的待去噪图像帧，大大减少了需要进行去噪处理图像帧的数量，从而减少了运算时间和计算资源，提高了视频降噪的效率。
优选的，获取所述度量指标信息的过程如下：
提取图像帧中的图像亮度分量的均值，以图像亮度分量的均值作为所述平均亮度向量L；
提取图像帧中的饱和度分量的均值，以饱和度分量的均值作为所述平均饱和度向量S；
利用Laplace算子计算图像帧的梯度值分量，并计算梯度值分量的均值，梯度值分量的均值作为所述平均梯度向量G。
首先，分别提取并计算各个图像帧的图像亮度分量的均值，得到平均亮度向量L；计算过程是先提取图像的亮度分量，然后求取均值，为便于后面计算，可以将求取的均值按照灰度级进行归一化处理，将均值归一化到区间[0，1]之间，以得到平均亮度向量L。
然后，分别提取并计算各个图像帧的饱和度分量的均值，得到平均饱和度向量S；计算方法为先提取图像的饱和度分量，然后求取均值，为便于后面计算，可以将求取的均值进行归一化处理，将均值归一化到区间[0，1]之间，以得到平均饱和度向量S。
最后，利用Laplace算子计算梯度值分量，并计算梯度值分量的均值，得到平均梯度向量G，以形成各个图像帧的度量指标信息。梯度的函数可以用Laplace算子，然后求取均值，为便于后面计算，可以将求取的均值进行归一化处理，将均值归一化到区间[0，1]之间，以得到平均梯度向量G。
优选的，计算所述度量指标密度的具体过程如下：
分别计算平均亮度向量L、平均饱和度向量S、平均梯度向量G的均值和方差；
并分别将所述计算平均亮度向量L、平均饱和度向量S、平均梯度向量G以及其对应的均值和方差代入至所述度量指标公式中，得到对应度量指标信息对应的度量指标密度；
其中所述度量指标公式为：
Figure BDA0004156702000000081
其中x的取值范围为平均亮度向量L、平均饱和度向量S、平均梯度向量G，σx与μx分别为度量指标信息对应的均值和方差。
为便于计算，可以将平均亮度向量对应的度量指标密度O(L)，平均饱和度向量对应的度量指标密度O(S)，平均梯度向量对应的度量指标密度O(G)归一化到[0，1]区间，以得到平均亮度对应的密度向量Y1、平均饱和度对应的密度向量Y2、平均梯度对应的密度向量Y3。
优选的，所述图像质量评分的获取公式如下：Y＝A×Y1+B×Y2+C×Y3；其中A、B、C分别为预设的权重值，Y1、Y2、Y3分别为平均亮度对应的密度向量、平均饱和度对应的密度向量、平均梯度对应的密度向量。
优选的，类别划分的具体过程如下：
每一图像帧分别与其他图像帧进行相似度匹配，若两个图像帧帧之间的相似度大于阈值，则将该两个图像帧标注为相同的类别，若两个图像帧帧之间的相似度小于阈值，则将该两个图像帧标注为不相同的类别。
下面以一个实施例说明：若图像帧1和图像帧2之间的相似度判定为相似，则可以将图像帧1和图像帧2均标注为类别1，图像帧3和图像帧4之间的相似度判定为不相似，则可以将图像帧3和图像帧4分别标注为类别3和类别4，图像帧1和图像帧5之间的相似度判定为相似，则可以将图像帧1和图像帧5均标注为类别1。
优选的，所述相似度匹配的过程如下：
分别对各个图像帧进行深度自编码，得到各个图像帧自编码；分别计算不同图像帧自编码之间的欧式距离；根据不同图像帧自编码之间的欧式距离得到各个图像帧之间的相似度。
在进行欧式距离的计算过程中，若两个图像帧之间的欧式距离越小，则说明两个图像帧之间相似度就越高。反之两个图像帧之间的欧式距离越大，则说明两个图像帧之间相似度就越低。其中判断相似度的所述阈值可以通过处理器的处理能力设置阈值的大小，当处理器的处理能力越强，所述阈值可以增大，此时一个类别中的图像帧就会增多。反之同理。使得本发明可以使用于各种不同处理能力的处理器上。
优选的，根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合的步骤包括以下步骤：将去噪图像帧序列中的各个去噪图像帧替换对应的标注类别图像帧集合中的各个图像帧，以更新各个标注类别图像帧集合，得到新的图像帧集合。
在上述例子中，去噪图像帧序列中的去噪图像帧1对应于类别1，则使用去噪图像帧1将类别1中的图像帧1、图像帧2、图像帧5进行替换，去噪图像帧3对应于类别3，则将类别3中的图像帧3替换为去噪图像帧3，去噪图像帧4对应于类别4，则将类别4中的图像帧4替换为去噪图像帧4。
一种视频降噪系统，使用所述的一种视频降噪方法，其特征在于，包括：图像帧提取模块、度量指标计算模块、度量指标密度计算模块、图像质量评分计算模块、图像帧标注模块、待去噪图像帧提取模块、图像去噪模块、降噪视频模块以及图像帧更新模块；
所述图像帧提取模块用于提取待降噪视频中的各个图像帧；
所述度量指标计算模块用于获取各个图像帧中的图像信息，并通过所述图像信息分别获取所述图像信息所对应的度量指标信息；
所述度量指标密度计算模块用于通过各个图像帧的所述度量指标信息，分别代入至预设的度量指标公式中获取得到图像帧的度量指标密度；
所述图像质量评分计算模块用于通过所述度量指标密度与预设的权重值获取得到图像帧的图像质量评分；
所述图像帧标注模块用于对所述图像帧进行类别划分，得到多个标注类别不同的图像帧集合；
所述待去噪图像帧提取模块用于分别提取各个标注类别图像帧集合中图像质量评分最高的图像帧，并将所有图像质量评分最高的图像帧组合为待去噪图像帧序列；
所述图像去噪模块用于将待去噪图像帧序列输入至预设的图像帧去噪模型，得到去噪图像帧序列；
所述图像帧更新模块用于用于根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合；
所述降噪视频模块用于根据新的图像帧集合得到降噪视频。
一种设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现所述的一种视频降噪方法。
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种视频降噪方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施实施进行变化、修改、替换和变型。

Claims (10)

1.一种视频降噪方法，其特征在于，包括以下步骤：
提取待降噪视频中的各个图像帧；
获取各个图像帧中的图像信息，并通过所述图像信息分别获取所述图像信息所对应的度量指标信息，其中所述图像信息包括亮度、饱和度以及梯度值，所述度量指标信息包括平均亮度向量、平均饱和度向量以及平均梯度向量；
通过各个图像帧的所述度量指标信息，分别代入至预设的度量指标公式中获取得到图像帧的度量指标密度；
通过所述度量指标密度与预设的权重值获取得到图像帧的图像质量评分；
对所述图像帧进行类别划分，得到多个标注类别不同的图像帧集合，其中所述类别划分为将相似度高于阈值的多个帧进行标注；
分别提取各个标注类别图像帧集合中图像质量评分最高的图像帧，并将所有图像质量评分最高的图像帧组合为待去噪图像帧序列；
将待去噪图像帧序列输入至图像帧去噪模型，得到去噪图像帧序列；
根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合，根据新的图像帧集合得到降噪视频。
2.根据权利要求1所述的一种视频降噪方法，其特征在于，获取所述度量指标信息的过程如下：
提取图像帧中的图像亮度分量的均值，以图像亮度分量的均值作为所述平均亮度向量L；
提取图像帧中的饱和度分量的均值，以饱和度分量的均值作为所述平均饱和度向量S；
利用Laplace算子计算图像帧的梯度值分量，并计算梯度值分量的均值，梯度值分量的均值作为所述平均梯度向量G。
3.根据权利要求2所述的一种视频降噪方法，其特征在于，计算所述度量指标密度的具体过程如下：
分别计算平均亮度向量L、平均饱和度向量S、平均梯度向量G的均值和方差；
并分别将所述计算平均亮度向量L、平均饱和度向量S、平均梯度向量G以及其对应的均值和方差代入至所述度量指标公式中，得到对应度量指标信息对应的度量指标密度；
其中所述度量指标公式为：
Figure FDA0004156701990000021
其中x的取值范围为平均亮度向量L、平均饱和度向量S、平均梯度向量G，σx与μx分别为度量指标信息对应的均值和方差。
4.根据权利要求3所述的一种视频降噪方法，其特征在于，所述图像质量评分的获取公式如下：Y＝A×Y1+B×Y2+C×Y3；其中A、B、C分别为预设的权重值，Y1、Y2、Y3分别为平均亮度对应的密度向量、平均饱和度对应的密度向量、平均梯度对应的密度向量。
5.根据权利要求1所述的一种视频降噪方法，其特征在于，类别划分的具体过程如下：
每一图像帧分别与其他图像帧进行相似度匹配，若两个图像帧帧之间的相似度大于阈值，则将该两个图像帧标注为相同的类别，若两个图像帧帧之间的相似度小于阈值，则将该两个图像帧标注为不相同的类别。
6.根据权利要求5所述的一种视频降噪方法，其特征在于，所述相似度匹配的过程如下：
分别对各个图像帧进行深度自编码，得到各个图像帧自编码；
分别计算不同图像帧自编码之间的欧式距离；
根据不同图像帧自编码之间的欧式距离得到各个图像帧之间的相似度。
7.根据权利要求1所述的一种视频降噪方法，其特征在于，根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合的步骤包括以下步骤：将去噪图像帧序列中的各个去噪图像帧替换对应的标注类别图像帧集合中的各个图像帧，以更新各个标注类别图像帧集合，得到新的图像帧集合。
8.一种视频降噪系统，使用权利要求1～7任一项所述的一种视频降噪方法，其特征在于，包括：图像帧提取模块、度量指标计算模块、度量指标密度计算模块、图像质量评分计算模块、图像帧标注模块、待去噪图像帧提取模块、图像去噪模块、降噪视频模块以及图像帧更新模块；
所述图像帧提取模块用于提取待降噪视频中的各个图像帧；
所述度量指标计算模块用于获取各个图像帧中的图像信息，并通过所述图像信息分别获取所述图像信息所对应的度量指标信息；
所述度量指标密度计算模块用于通过各个图像帧的所述度量指标信息，分别代入至预设的度量指标公式中获取得到图像帧的度量指标密度；
所述图像质量评分计算模块用于通过所述度量指标密度与预设的权重值获取得到图像帧的图像质量评分；
所述图像帧标注模块用于对所述图像帧进行类别划分，得到多个标注类别不同的图像帧集合；
所述待去噪图像帧提取模块用于分别提取各个标注类别图像帧集合中图像质量评分最高的图像帧，并将所有图像质量评分最高的图像帧组合为待去噪图像帧序列；
所述图像去噪模块用于将待去噪图像帧序列输入至预设的图像帧去噪模型，得到去噪图像帧序列；
所述图像帧更新模块用于用于根据去噪图像帧序列分别对各个标注类别图像帧集合进行更新，得到新的图像帧集合；
所述降噪视频模块用于根据新的图像帧集合得到降噪视频。
9.一种设备，其特征在于，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～7任一所述的一种视频降噪方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～7任一所述的一种视频降噪方法。
CN202310336831.5A 2023-03-31 2023-03-31 一种视频降噪方法、系统、设备及存储介质 Pending CN116347002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310336831.5A CN116347002A (zh) 2023-03-31 2023-03-31 一种视频降噪方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310336831.5A CN116347002A (zh) 2023-03-31 2023-03-31 一种视频降噪方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116347002A true CN116347002A (zh) 2023-06-27

Family

ID=86889254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310336831.5A Pending CN116347002A (zh) 2023-03-31 2023-03-31 一种视频降噪方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116347002A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437635A (zh) * 2023-12-21 2024-01-23 杭州海康慧影科技有限公司 一种生物组织类图像的预标注方法、装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437635A (zh) * 2023-12-21 2024-01-23 杭州海康慧影科技有限公司 一种生物组织类图像的预标注方法、装置
CN117437635B (zh) * 2023-12-21 2024-04-05 杭州海康慧影科技有限公司 一种生物组织类图像的预标注方法、装置

Similar Documents

Publication Publication Date Title
CN108108746B (zh) 基于Caffe深度学习框架的车牌字符识别方法
CN111160533B (zh) 一种基于跨分辨率知识蒸馏的神经网络加速方法
CN112837303A (zh) 一种用于模具监视的缺陷检测方法、装置、设备及介质
CN111444826B (zh) 视频检测方法、装置、存储介质及计算机设备
CN111144566B (zh) 神经网络权重参数的训练方法、特征分类方法及对应装置
CN111950723A (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN108764084A (zh) 基于空域分类网络和时域分类网络融合的视频分类方法
Lu et al. UID-GAN: Unsupervised image deblurring via disentangled representations
CN114511041B (zh) 模型训练方法、图像处理方法、装置、设备和存储介质
WO2010043954A1 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN112561879B (zh) 模糊度评价模型训练方法、图像模糊度评价方法及装置
CN112257738A (zh) 机器学习模型的训练方法、装置和图像的分类方法、装置
CN116347002A (zh) 一种视频降噪方法、系统、设备及存储介质
WO2023124278A1 (zh) 图像处理模型的训练方法、图像分类方法及装置
CN116071271A (zh) 一种用于平板电脑的图像捕获的分析方法
CN114445651A (zh) 一种语义分割模型的训练集构建方法、装置及电子设备
CN112116567A (zh) 一种无参考图像质量评价方法、装置及存储介质
CN111126296A (zh) 水果定位方法及装置
CN112949456B (zh) 视频特征提取模型训练、视频特征提取方法和装置
CN112613564A (zh) 一种剔除重叠框的目标检测后处理方法
CN110136164B (zh) 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法
CN111369477A (zh) 一种针对视频恢复任务的预分析和工具自适应的方法
CN113688263A (zh) 用于搜索图像的方法、计算设备和存储介质
CN114792436A (zh) 人脸深度图像质量评价方法及系统、电子设备及存储介质
CN116844198B (zh) 一种检测人脸攻击的方法及系统

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