基于运动检测的帧间降噪方法

文档序号:9711767阅读:2030来源:国知局
基于运动检测的帧间降噪方法
【技术领域】
[0001] 本发明涉及视频图像的降噪处理技术,具体是一种基于运动检测的顿间降噪方 法。
【背景技术】
[0002] 现实中的数字视频信号在获取、传输、存储或重建时经常会引入噪声,送些噪声会 导致图像模糊不清,使图像发白或者过暗。为了提高视频序列的主观视觉效果,提高视频的 压缩效率,节约传输带宽或进行后续视频处理与分析,都需要对含噪声的视频信号进行去 噪处理。
[0003] 在视频图像中,尤其是对静态或缓慢运动的图像序列,相邻顿之间一般具有较强 的相关性,而噪声总是随机分布在视频图像中,不具有相关性,因此可W利用顿间信号的相 关性和噪声的非相关性,先对相邻两顿图像进行运动判断,然后加权平均,从而降低图像的 噪声提高图像的质量。
[0004] 现有的去噪方法主要是空间域滤波、频率域滤波和时间域滤波。空间域滤波法是 利用图像中相邻像素具有相关性而噪声独立分布的特点进行滤波。常见的空间域滤波方法 有均值滤波法、自适应维纳滤波法、中值滤波法、小波滤波法。频域滤波法是是利用图像傅 里叶变换后的频率分量与变换前空域特征之间的相关性,通过处理图像频域来改变图像 空域的滤波方法。时域滤波法是一种利用视频序列相邻顿之间的相关性进行去噪的方法。 常用的时域滤波法有顿间均值滤波法、非局部均值滤波法、H维块匹配顿间滤波法。但是, 送些方法也都存在各自的技术缺点;1.均值滤波是将图像中每一像素点的灰度值设置为 该点邻域内像素的平均灰度值,但该方法破坏了图像的边缘和细节部分,使图像变得模糊; 2.自适应维纳滤波法是利用平稳随机过程的相关特性和频谱特性进行滤波,使原图像与滤 波后图像之间的均方误差最小。该方法能保护图像的边缘和细节信息,但计算量较大,不适 用于噪声为非平稳随机过程的情况;3.中值滤波法是将图像中每一像素点的灰度值设置 为该点某邻域窗口内的所有像素点灰度值的中值。该方法可W保护边缘信息,但会造成细 节模糊;4.频域滤波除了做滤波变换W外,还需要做傅里叶正变换和反变换,滤波时间大 于空域滤波和时域滤波;5.顿间均值滤波是对相邻顿图像的相同位置像素进行加权平均, 该方法由于考虑了顿间图像的相关性,具有更好的去噪效果,但会导致运动目标的模糊和 丢失,只适用于静止图像;6.近年来提出的非局部滤波算法和H维块匹配滤波法是目前认 为去噪效果最好的方法,但算法复杂难W硬件实现。

【发明内容】

[0005] 本发明的目的在于提供一种基于运动检测的顿间降噪方法,能实时地利用相邻顿 图像的相关性和噪声的非相关性对输入的视频图像进行降噪处理,提高视频图像的清晰 度。该方法是通过多高斯混合背景模型提取运动目标的方法找到相邻两顿间重叠的静止区 域,然后对该区域做顿间累加滤波,对非重叠区域内的运动目标区域采用顿内滤波算法,而 对非重叠区域中的非运动目标区域采用多高斯混合背景模型方法建立的背景模型代替,同 时算法还能自适应调整叠加顿的数目,具有多级可调功能。
[0006] 实现本发明目的的技术解决方案为:
[0007] -种基于运动检测的顿间降噪方法,包括W下步骤:
[0008] 步骤1 ;输入含噪声的视频图像序列V (X, y, k) = U (X, y, k) +n (X, y, k),其中 v(x,y,k)表示人眼所观察到的图像,u(x,y,k)表示成像系统的理想图像,n(x,y,k)表示随 机噪声,(x,y)表示图像像素点的位置,k表示视频序列的第k顿图像。
[0009] 步骤2 ;采用多高斯混合背景模型方法对输入的视频图像序列V (X,y,k)进行背景 建模,当输入图像与建模得到的背景图像的差值大于设定的阔值时,认为是运动目标,灰度 值设置为1 ;否则认为是静止区域,灰度值设置为0 ;根据上述灰度值,得到只含有运动目标 的前景图像f (X,y, k)。
[0010] 步骤3 ;由于输入的视频图像序列v(x, y, k) = u(x, y, k)+n(x, y, k)中含有大量的 随机噪声n(x,y,k),所W前景图像f (X,y,k)中含有大量被检测成运动目标的噪声,因此需 要对f(x,y,k)进行中值滤波,滤除掉背景区域,即图像中的非运动区域的噪声,滤波后的 前景图像记为g(x, y, k)。
[0011] 步骤4 ;对前一顿的前景图像g(x, y, k-1)和当前顿的前景图像g(x, y, k)中相同 位置的像素进行或运算,根据或运算的结果和当前顿的运动目标区域判断选择顿间滤波算 法、顿内滤波算法或背景模型替代算法,得到去噪后的视频图像v"w(x,y,k)。
[0012] 1.上述步骤2所述的采用多高斯混合背景模型方法对输入的视频图像序列进行 背景建模,当输入图像与建模得到的背景图像的差值大于设定的阔值时,认为是运动目标, 灰度值设置为1 ;否则认为是静止区域,灰度值设置为0 ;根据上述灰度值,得到只含有运动 目标的前景图像f(x,y,k);对于含噪的视频图像序列的第k顿图像,图像大小为M*N,其中 M为图像的行数,N为图像的列数,且M、N均为自然数,具体步骤如下:
[0013] 2-1)建立初始的背景模型;读取第一顿视频图像v(x,y,k),灰度化后的图像记为 Vg(X,y,k),初始化每个像素点高斯分布的个数为n,W及各个高斯分布的均值U 1 (X,y,k)、 方差巧M.、一a'巧时又值Wi (X,y,k),由于读取的是第一顿视频图像,此时的k取1,其中下标i 表示像素点(X,y)的第i个高斯分布,n = 3, 4, 5,方差初始化的取值范围为[1,36],均值、 权值初始化公式分别如下:
[0014] U i(x, y, k) = Vg (x, y, k) 化)
[001引 材;托左)='主 (巧 巧
[0016] 2-2)更新背景模型:读取下一顿的视频图像,对于M*N个像素,每个像素点对应的 n个高斯分布都需要进行参数更新,找出更新后权值最大的高斯分布的均值,若定义背景模 型为B(x,y,k),则更新后的背景模型B'(x,y,k)等于权值最大的高斯分布的均值,参数更 新方式根据当前顿的像素灰度值Vg(X,y,k)与该像素点的某个高斯分布是否匹配分为两 种,该高斯分布与像素点是否匹配的判定公式如下:
[0017] Vg (x, y, k) - U , (x, y, k-1) | <K □ a , (x, y, k-1) (8)
[001引其中,O i(x, y, k)为标准差,取值范围为[1,6] ;K为阔值,其取值范围为[0. 01, 0.引。
[0019] 参数更新方式分为W下两种情况:
[0020] ①如果当前顿的像素灰度值Vg (x,y,k)与第i个高斯分布满足匹配公式(8),该高 斯分布的参数按照匹配情况更新,更新规则如下:
[00引]Wi(x, y, k) = (1-a y, k-l) + a (9)
[0022] P = a /wi (x, y, k) (10)
[0023] U i (x, y, k) = (I- p ) u ; (x, y, k-1) + P (x, y, k) (11)
[0024] (1。
[002引公式巧)、(10)的a是更新率,取值范围为化001,0. 01] ; P为参数学习率。
[0026] ②如果当前顿像素灰度值Vg (x,y,k)与第i个高斯分布不满足匹配公式(8),按照 不匹配情况更新,更新规则如下:
[0027] w,(x,y,k) = (l-a)w,(x,y,k-l) (13)
[002引如果像素点(X,y)的n个高斯分布都不满足匹配公式做,按公式(13)更新,找 出权值最小的高斯分布,重新对其均值Ui(x,y,k)和方差巧'{>、>a)初始化更新;初始化 )的取值范围为[1,36],初始化均值为当前输入图像灰度化后的图像Vg(x,y,k), 该像素点(x,y)的其余高斯分布不变。
[0029] 2-扣运动目标检测与二值化:当输入图像Vg (X,y,k)与更新后的背景图像 B'(x,y,k)的差值大于设定的阔值参数T时,认为是运动目标,灰度值设置为1 ;否则认为是 静止区域,灰度值设置为0 ;只含有运动目标的前景图像f(x,y,k)为:
[003。 其中,T为图像二值化的阔值参数,取值范围为巧0, 40];
[0032] 2-4)返回步骤2-2),对下一顿图像进行运动目标检测。
[0033] 上述步骤3所述的对前景图像f(x,y,k)进行中值滤波,具体过程为:
[0034] 采用二维模板遍历整幅图像,将图像中每一像素点的灰度值设置为该点邻域窗口 内的所有像素点灰度值的中值,数学表达式为:
[0035] 邑(又,7,1〇=1116加1161'{江(又,7,1〇)}(又
当前第1页1 2 3 4 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1