本发明涉及一种视频噪声的智能检测方法，尤其是涉及一种变电站场景视频噪声智能检测方法。
背景技术：
在摄像时，光学系统的失真或者传输过程中因硬件设备原因所带来的图像模糊、图像质量下降等现象，都可以看成是由视频噪声所引起的。合理地估计噪声区域并进行降噪声，是恢复图像质量的重要手段。视频噪声智能检测是直接依据视频图像特征来分析视频噪声水平，可模拟人的视觉特性，替代以往由人工完成的视频故障检巡工作。
但，现有的视频噪声检测方法存在检测结果不够准确的不足之处。
技术实现要素：
本发明所要解决的技术问题，就是提供一种检测结果准确的变电站场景视频噪声的智能检测方法。
解决上述技术问题，本发明所采用的技术方法如下：
一种变电站场景视频噪声的智能检测方法，其特征是包括以下步骤：
S1,获取变电站场景视频的原始码流，进行视频解码，得到YUV420标准的Y、U、V数据；
S2，获取码流中前后两帧图像，将当前帧与前一帧两帧图像的Y、U、V数据进行差分，得到前景图，也包括噪声信息；
S3,计算YUV420图像Y数据Canny图，对Canny图进行膨胀处理，根据该图过滤掉当前前景区域，使用拉普拉斯算子进行卷积运算，算子公式：得到噪声区域；根据噪声区域的文理信息，将这些文理信息转化成SIFT特征，使用RANSAC算法进行筛选出候选区域，在此区域上使用噪点置信度进行统计噪声值；
S4，输出结果。
所述的步骤S3滤掉当前前景区域以及筛选出候选区域具体为使用deeplearning学习前景样本进行；对噪声区域进行卷积得到噪声边缘具体为使用用sobel算法进行边缘检测，使用Sobel卷积因子对噪声区域进行卷积得到噪声边缘。
所述的步骤S2的差分从色彩还原性、峰值信噪比、均方误差信噪比三个维度进行：
色彩还原性:色彩还原性用于评价摄像机对色彩的还原能力，采用24色色卡的测试方法，保证光线照度为600Lux，正负偏差为100Lux，整个测试版表面的亮度差值小于20％的情况下，色卡中各色块在CIE LAB色空间的色差应不超过35％；
彩色标板上每块色板的CIE LAB色差计算方法为：
ΔEab＝[(Lm-Ln)2+(am-an)2+(bm-bn)2]1/2；
上式中：
ΔEab——彩色标板上每块色板的CIE LAB色差；
Lm、am、bm——CIE LAB色空间的明度指数(L)和色品指数(a、b)的测量值；
Ln、an、bn——CIE LAB色空间的明度指数(L)和色品指数(a、b)的标准值；
按上述算法，得到前后两帧图像的ΔEab值；
峰值信噪比:峰值信噪比是最大信号量与噪声强度的比值，该参数根据均方误差的计算结果为依据，评价处理图像对原始图像的还原性；
按算法：得到前后两帧图像的PSNR值；
式中：MSE——均方误差值，n——取值为8；
均方误差信噪比:通过计算原始图像与处理图像的像素差值的均方差，采用均方差的大小评价图像失真程度；
计算方法如下：
按算法：得到前后两帧图像的MSE值；
式中：
M——表示图像的长度，
N——表示图像的宽度，
i——表示图像的横轴像素坐标，
J——表示图像的纵轴像素坐标，
f——表示原始图像某个像素点的像素值，
f’——表示处理图像某个像素点的像素值；
按照采集到的前后两帧(P1、P2)图像的ΔEab值、PSNR值、MSE值及标准图像(P0)的ΔEab值、PSNR值、MSE值进行差分比较，按照以下检测标准检测并输出结果；
(ΔEab(P0)*X-|ΔEab(P1)-ΔEab(P2)|)<＝0.05ΔEab；
(PSNR(P0)*Y-|PSNR(P1)-PSNR(P2)|)<＝0.08PSNR；
(MSE(P0)*Y-|MSE(P1)-MSE(P2)|)<＝0.26MSE。
有益效果：本发明使用了改善图像质量的图像增强技术-空间域法，空间域法实用性广及实时性高，在图像增强技术中被大量采用。相比于正常图像而言，噪声图像含有更多的边缘文理等细节信息，可以采用传统的边缘检测手段进行估计。拉普拉斯变换是一种各向同性的线性算子，并且对噪声敏感，可以作为噪声估计的工具；同时，为了滤除噪声图像中存在的非噪声目标，可以结合运动目标的帧差信息进行过滤。
附图说明
图1为本发明的视频噪声智能检测方法流程图。
具体实施方式
下面结合具体实施例对本发明作进一步的说明。
本发明的视频噪声智能检测方法实施例，包括以下步骤：
第一步：获取变电站内模拟摄像机及网络摄像机的原始码流，通过RPU(站端处理单元)，将原始码流传输给噪声检测装置；噪声检测装置将获取到的原始码流进行视频解码，按照YUV420标准，分别得到Y、U、V数据；
第二步：获取码流中前后两帧图像，并分别对两帧图像的Y、U、V数据进行差分：从色彩还原性、峰值信噪比、均方误差信噪比三个维度进行；
色彩还原性:色彩还原性用于评价摄像机对色彩的还原能力，采用24色色卡的测试方法，保证光线照度为600Lux(正负偏差为100Lux)，整个测试版表面的亮度差值小于20％的情况下，色卡中各色块在CIE LAB色空间的色差应不超过35％；
彩色标板上每块色板的CIE LAB色差计算方法为：
ΔEab＝[(Lm-Ln)2+(am-an)2+(bm-bn)2]1/2
上式中：
ΔEab——彩色标板上每块色板的CIE LAB色差；
Lm、am、bm——CIE LAB色空间的明度指数(L)和色品指数(a、b)的测量值；
Ln、an、bn——CIE LAB色空间的明度指数(L)和色品指数(a、b)的标准值；
按上述算法，得到前后两帧图像的ΔEab值；
峰值信噪比:峰值信噪比是最大信号量与噪声强度的比值，该参数根据均方误差的计算结果为依据，评价处理图像对原始图像的还原性；
按算法：得到前后两帧图像的PSNR值；
MSE——均方误差值，n——取值为8；
均方误差信噪比:通过计算原始图像与处理图像的像素差值的均方差，采用均方差的大小评价图像失真程度；
计算方法如下：
按算法：得到前后两帧图像的MSE值；
M——表示图像的长度；
N——表示图像的宽度；
i——表示图像的横轴像素坐标；
J——表示图像的纵轴像素坐标；
f——表示原始图像某个像素点的像素值；
f’——表示处理图像某个像素点的像素值；
按照采集到的前后两帧(P1、P2)图像的ΔEab值、PSNR值、MSE值及标准图像(P0)的ΔEab值、PSNR值、MSE值后进行差分比较，按照以下检测标准检测：
(ΔEab(P0)*X-|ΔEab(P1)-ΔEab(P2)|)<＝0.05ΔEab；
(PSNR(P0)*Y-|PSNR(P1)-PSNR(P2)|)<＝0.08PSNR；
(MSE(P0)*Y-|MSE(P1)-MSE(P2)|)<＝0.26MSE；
第三步：计算YUV420图像Y数据Canny图，对Canny图进行膨胀处理，根据该图过滤掉当前前景区域，使用拉普拉斯算子进行卷积运算，算子公式：得到噪声区域；
根据噪声区域的文理信息，将这些文理信息转化成SIFT特征，使用RANSAC算法进行筛选出候选区域，在此区域上使用噪点置信度进行统计噪声值。
对噪声区域使用边缘检测手段进行估计，用sobel算法进行边缘检测，使用Sobel卷积因子对噪声区域进行卷积得到噪声边缘。
第四步：输出检测结果。