一种单帧无参考自适应的视频雪花噪声检测方法与流程

本发明涉及视频图像处理技术领域，更具体地说，涉及一种单帧无参考自适应的视频雪花噪声检测方法。

背景技术：

在安防监控领域，监控视频的质量尤为重要，但由于天气原因，信号干扰及设备故障等原因，图像噪声将会使视频质量大幅下降，严重时表现为雪花噪声。在大规模监控场景中，如只依赖工巡检方式定期排查监控视频故障，需要耗费大量人力、物力。因此使用较小成本进行视频诊断的自动化检测，逐渐成为监控安防领域一个迫切需求的功能。

在视频异常检测的技术上，不需要对原正常场景进行标定的成为无参考检测。无参考的雪花噪声检测，具有易操作，通用性强，无需进行场景标定等优点，但针对不同相机、不同场景，往往容易出现误报。这是由于雪花噪声阈值的判定往往是由对图像噪声的统计演变而成，图像噪声越大，更易导致雪花噪声的视频诊断报警。这就导致雪花噪声的阈值往往与图像噪声成正比。如通常的监控在白天使用正常曝光下的彩色图像进行监控，夜晚则使用红外补光监控，由于夜晚红外图像较暗，且极易出现噪声，适用于白天的雪花噪声阈值到晚上则极易产生误报。若调大报警阈值来抑制误报，则算法对在白天时，对图像噪声较低，但又存在真正的雪花噪声视频可能又会产生漏报。

cn104539936a仅用信噪比评价当前图像是否为雪花噪声，在一些噪声较大的场景(如夜晚监控，有太阳反射的水面监控)易误报，需针对场景人工调整阈值。cn106303512a使用边缘检测带(即图像分块)中边缘点的垂直、水平坐标的方差来判断是否存在均匀分布的噪声，在特定的具有密集规律边缘的场景易产生误报。如在密集铁丝网后布置的监控，由于密集铁丝网往往是密集均匀排布，这种情况下正常视频也易产生雪花报警。cn103996177a使用滤波后图像与滤波前的图像差的大小来判定是否存在雪花噪声，这种方法类似于使用信噪比来判定是否存在雪花噪声的方法，对于较大噪声的场景同样易产生误报。

技术实现要素：

针对现有技术的不足，本发明的目的在于提供一种单帧无参考自适应的视频雪花噪声检测方法，可适应不同噪声场景的雪花噪声检测，准确判断雪花噪声，大幅减少误报。

本发明的目的可以通过以下技术方案实现：

一种单帧无参考自适应的视频雪花噪声检测方法，包括如下步骤：

s1、视频图像预处理：获取视频数据中帧视频图像，随机选取一帧视频图像并转为原始灰度图像1，并对灰度图像进行3*3窗口的中值滤波，得到滤波后的图像2，将图像1逐像素点减去图像2，并取绝对值后，获得图像3；

s2、初步判断：计算图像3中的所有灰度值的方差值std，若所述方差值大于设定阈值k，则判定视频图像中存在雪花噪声；若所述方差值不大于设定阈值k，则进入步骤s3；

s3、二次判断：对图像3进行自适应二值化处理，剔除边缘点后获取图像噪声点，计算图像噪声点占图像的比例，并根据图像噪声点占图像的比例判断该视频图像是否存在雪花噪声；

其中，所述步骤s3具体包括：

s301：使用二值化方法提取对比度较大像素点，其包含雪花噪声点及真正的物体边缘点，使用自适应阈值法，对图像进行二值化处理，获得图像4，具体公式为：

其中img1(x，y)为图像1上(x,y)像素位置的灰度值，img4(x，y)为图像4上(x,y)像素位置的值；

s302：获得图像中的真正物体边缘位置，对图像2进行canny边缘运算，获得物体边缘图为图像5；

s303：提取出雪花噪声点的位置，根据图像4及图像5，计算出图像6，公式如下：

其中img5(x，y)为图像5上(x,y)像素位置的值；

s304：根据图像噪声点占图像的比例判断，图像6中不为0的像素点，均为雪花噪声点，统计雪花噪声点的个数，再除以图像分辨率大小，得到噪声点占图像的比例，若图像噪声点占图像的比例大于一预设的阈值，则判定视频图像存在雪花噪声；若图像噪声点占图像的比例不大于一预设的阈值，则判定视频图像不存在雪花噪声。

作为本发明的一种优选方案，在步骤s2中，处理8位图像时，设定阈值k的取值为30。

作为本发明的一种优选方案，还包括：步骤s4、对s1至s3中的检测结果进行存储，若视频图像存在雪花噪声，则输出报警信息。

作为本发明的一种优选方案，步骤s1还包括对获取的视频流进行解码、缓冲和解析，对视频流解码并存储到缓存区，再将缓存区的视频进行解析处理并将其转换成帧视频图像。

作为本发明的一种优选方案，帧视频图像格式包括jpeg、gif、bmp和png。

本发明的有益效果：

本发明在步骤初步检测中对图像的所有灰度值进行方差，若该方差值大于设定的阈值，则判断为视频图像中存在雪花噪声，此为视频图像中存在较为严重的雪花噪声，目的是排除视频图像中存在较为严重的雪花噪声的情况；若该方差值不大于设定的阈值，则进入步骤二次检测，对图像进行自适应二值化处理，剔除边缘点后获取图像噪声点，计算图像噪声点占图像的比例，并根据图像噪声点占图像的比例判断该视频图像是否存在雪花噪声。该方法在检测雪花噪声时能够适应不同噪声场景的雪花噪声检测，准确判断雪花噪声，不会对复杂的噪声场景产生误报。

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，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地介绍，显而易见地，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他的附图。

图1为本发明的流程图；

图2为本发明中步骤二次检测的流程图；

图3为复杂的噪声场景原始图；

图4为采用常用现有方法得到的噪声点图；

图5为采用本发明方法得到的噪声点图。

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种单帧无参考自适应的视频雪花噪声检测方法，包括如下步骤：

s1、视频图像预处理：获取视频数据中帧视频图像，随机选取一帧视频图像并转为原始灰度图像1，并对灰度图像进行3*3窗口的中值滤波，得到滤波后的图像2，将图像1逐像素点减去图像2，并取绝对值后，获得图像3；

s2、初步判断：计算图像3中的所有灰度值的方差值std，用该值评估出当前场景图像噪声的大小，利用该值来对噪声较大的场景进行雪花噪声检测，以期望减少误报，若所述方差值大于设定阈值k，则判定视频图像中存在雪花噪声；若所述方差值不大于设定阈值k，则进入步骤s3；处理8位图像时，设定阈值k的取值为30，杜绝误报可能；

s3、二次判断：对图像3进行自适应二值化处理，剔除边缘点后获取图像噪声点，计算图像噪声点占图像的比例，并根据图像噪声点占图像的比例判断该视频图像是否存在雪花噪声；

s4、对s1至s3中的检测结果进行存储，若视频图像存在雪花噪声，则输出报警信息。

如图2所示，其中，所述步骤s3具体包括：

s301：使用二值化方法提取对比度较大像素点，其包含雪花噪声点及真正的物体边缘点，使用自适应阈值法，对图像进行二值化处理，获得图像4，具体公式为：

其中img1(x，y)为图像1上(x,y)像素位置的灰度值，img4(x，y)为图像4上(x,y)像素位置的值；在此公式中，引入的图像噪声考量std尤为重要，通过该参数，就可通过对图像本底噪声的考量，来调节使用二值化方法提取噪声时的敏感度；

s302：获得图像中的真正物体边缘位置，对图像2进行canny边缘运算，获得物体边缘图为图像5；由于图像为滤波后图像，且canny算子对连通域较小的边缘不敏感，该步骤将获得图像中的真正物体边缘位置；

s303：提取出雪花噪声点的位置，根据图像4及图像5，计算出图像6，公式如下：

其中img5(x，y)为图像5上(x,y)像素位置的值；该图像即可提取出雪花噪声点的位置；

s304：根据图像噪声点占图像的比例判断，图像6中不为0的像素点，均为雪花噪声点，统计雪花噪声点的个数，再除以图像分辨率大小(为图像宽乘以图像高)，得到噪声点占图像的比例，若图像噪声点占图像的比例大于一预设的阈值，则判定视频图像存在雪花噪声；若图像噪声点占图像的比例不大于一预设的阈值，则判定视频图像不存在雪花噪声。

步骤s1还包括对获取的视频流进行解码、缓冲和解析，对视频流解码并存储到缓存区，再将缓存区的视频进行解析处理并将其转换成帧视频图像。帧视频图像格式包括jpeg、gif、bmp和png。

对复杂的噪声场景如图3所示采用一般的噪声点及边缘点分析的方法进行处理得到的噪声点图如图4所示，噪声点多且复杂，易产生误报。使用本发明的方法，考虑图像的本底噪声后，提取噪声如图5所示，噪声点明显减少很多，大幅减少误报。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。