CN103095967A - 一种视频噪声量化计算方法及*** - Google Patents
一种视频噪声量化计算方法及*** Download PDFInfo
- Publication number
- CN103095967A CN103095967A CN2011103360645A CN201110336064A CN103095967A CN 103095967 A CN103095967 A CN 103095967A CN 2011103360645 A CN2011103360645 A CN 2011103360645A CN 201110336064 A CN201110336064 A CN 201110336064A CN 103095967 A CN103095967 A CN 103095967A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- video
- module
- edge
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种视频噪声量化计算方法及***,包括:对原始视频图像进行边缘计算,得到原始视频图像的边缘图像;根据原始视频图像计算当前帧图像与前帧图像之间的帧差运动图像;对帧差运动图像进行拉普拉斯变换,得到噪声初步分布图;对所得到的噪声初步分布图与原始视频图像的边缘图像中对应点做异或处理,从而得到视频图像噪声分布图。通过边缘信息对噪声初步分布图中的边缘噪声进行过滤,从而获得实际更符合人们使用需要统计分析的噪声图像信息。
Description
技术领域
本发明涉及视频处理领域,特别是一种视频噪声量化计算方法及***。
背景技术
随着社会经济的快速发展,安防监控市场急剧扩张,视频监控的摄像机、DVR数目几何级增长,如何有效的利用和管理这些海量数据和视频,是安防监控行业必须需要解决的一个重要问题。
视频噪声量化计算技术是一种基于视频图像信息的计算机人工智能技术。和基于视频图像内容分析的智能算法不同,视频噪声量化计算技术采用国际领先的计算机图像处理和机器学习算法,对视频图像的信息进行分析,对视频中的噪声进行量化分析,对噪声干扰过大的异常事件进行检测、分析、量化、统计和报警。
相对视频图像内容的智能分析技术,基于视频图像信息分析的视频噪声量化计算技术主要提供智能化的视频监控管理,某种意义上真正实现海量视频的智能化监控管理,对视频进行监控、统计和管理,对出现的异常视频进行报警和分析,大大减少无效视频的数量,提高安防监控的效率。另外,视频质量分析诊断技术不仅能够进行大规模的监控视频状态的轮巡智能分析,还可以嵌入到相关设备中,针对设备采集的视频进行实时状态智能监控,实时检测出视频异常状况并报警。
发明内容
本发明的主要目的在于解决现有技术中存在的问题,提供一种视频噪声量化计算方法及***。
本发明的目的是通过下述技术方案予以实现的:
一种视频噪声量化计算方法,其特征在于,包括:
输入原始视频图像;
对所述原始视频图像进行边缘计算,得到原始视频图像的边缘图像;
根据所述原始视频图像计算当前帧图像与前帧图像之间的帧差运动图像;
对所得到的帧差运动图像进行拉普拉斯变换,得到噪声初步分布图;
对所得到的噪声初步分布图与原始视频图像的边缘图像中对应点做异或处理,从而得到视频图像噪声分布图。
所述对原始视频图像进行的边缘计算,包括如下步骤:
对所述原始视频图像在YUV色彩空间下Y、U、V三个分量各进行X轴和Y轴的Sobel边缘计算,分别得到X轴和Y轴方向的Sobel边缘图像;
对所述X轴和Y轴方向的Sobel边缘图像分别进行Canny边缘计算,通过得到原始视频图像的Y、U、V三个分量的Sobel边缘图像,并根据预先给定的阈值统计图像中边缘点数目,得到Y、U、V三个分量的canny边缘图像。
所述对原始视频图像进行的边缘计算的步骤中还包括:
根据所统计出的图像中的边缘点数目与预定的边缘点数目范围调整所述预先给定的阈值,使得得到的canny边缘图像中的边缘点数目在该预定的边缘点数目范围之内。
所述对帧差运动图像进行拉普拉斯变换,包括如下步骤:
对所述帧差运动图像基于第一拉普拉斯变换算子进行第一拉布拉斯变换计算,并统计得到的值的大小和数目;所述第一拉普拉斯算子为
所述对帧差运动图像进行拉普拉斯变换,还包括:
对所述经第一拉普拉斯变换得到的值进行阈值判断,对于小于第一阈值的图像点进行第二拉普拉斯变换;
对需要进行第二拉普拉斯变换的图像点基于第二拉普拉斯变换算子进行第二拉布拉斯变换计算,并统计得到的值的大小和数目。
所述第二拉普拉斯算子为
在所述对噪声初步分布图与边缘图像中对应点做异或处理之前,还包括:
对所述原始视频图像的边缘图像进行膨胀处理。
在所述对噪声初步分布图与边缘图像中对应点做异或处理之前,还包括:
对所述噪声初步分布图中噪点经拉普拉斯变换得到的值进行判断,对于大于预先给定阈值的图像点与边缘图像进行异或处理。
在所述对噪声初步分布图与边缘图像中对应点做异或处理之后,还包括:
根据所述得到最终的视频图像噪声分布图,根据噪声的幅度、数目量化噪声信息,得到图像噪声的量化值。
所述输入的原始视频图像可以为实时的视频流或本地保存的录像。
在所述输入原始视频图像与对原始视频图像进行边缘计算之间,还包括有:
对所述输入的原始视频图像进行图像压缩或截取,使之图像大小在预先给定的图像大小范围内。
所述图像大小范围设定为CIF格式大小。
所述计算方法还包括:
根据所述获得的视频图像噪声分布图,通过与预先设定的阈值参数进行比较,输出视频噪声的预警状态或报警状态。
一种视频噪声量化计算***,其特征在于,包括:图像存储模块、边缘图像计算模块、帧差运动图像计算模块、拉普拉斯变换模块和视频图像噪声分布图生成模块;
所述图像存储模块,用以存储输入的原始视频图像;
所述边缘图像计算模块,用以对所述原始视频图像进行边缘计算,得到原始视频图像的边缘图像;
所述帧差运动图像计算模块,用以根据所述原始视频图像计算当前帧图像与前帧图像之间的帧差运动图像;
所述拉普拉斯变换模块,用以对所述帧差运动图像进行拉普拉斯变换,得到噪声初步分布图;
所述视频图像噪声分布图生成模块内设置有异或处理模块;该异或处理模块,用以对所述噪声初步分布图与原始视频图像的边缘图像中对应点做异或处理,从而得到最终的视频图像噪声分布图。
所述边缘图像计算模块具体包括:Sobe l边缘计算模块、Canny边缘计算模块;
所述Sobel边缘计算模块,用以对所述原始视频图像在YUV色彩空间下Y、U、V三个分量各进行X轴和Y轴的Sobel边缘计算,分别得到X轴和Y轴方向的Sobel边缘图像;
所述Canny边缘计算模块,用以对所述X轴和Y轴方向的Sobel边缘图像分别进行Canny边缘计算,通过得到原始视频图像的Y、U、V三个分量的Sobel边缘图像,并根据预先给定的阈值统计图像中边缘点数目,得到Y、U、V三个分量的canny边缘图像。
在所述边缘图像计算模块中还设置有阈值自适应调整模块;
所述阈值自适应调整模块,根据所统计出的图像中的边缘点数目与预定的边缘点数目范围调整所述预先给定的阈值,使得得到的canny边缘图像中的边缘点数目在该预定的边缘点数目范围之内。
所述拉普拉斯变换模块设置有第一拉普拉斯变换模块;
所述第一拉普拉斯变换模块,用以对所述帧差运动图像计算模块计算得到的帧差运动图像基于第一拉普拉斯变换算子进行第一拉布拉斯变换计算,并统计得到的值的大小和数目;所述第一拉普拉斯算子为
在所述拉普拉斯变换模块中还设置有:阈值比较模块和第二拉普拉斯变换模块;
所述阈值比较模块,用以对经第一拉普拉斯变换模块得到的值进行阈值判断,将小于第一阈值的图像点输入第二拉普拉斯变换模块;
所述第二拉普拉斯变换模块,用以对所述输入的图像点基于第二拉普拉斯变换算子进行第二拉布拉斯变换计算,并统计得到的值的大小和数目。
所述第二拉普拉斯算子为
所述视频图像噪声分布图生成模块,还设置有:膨胀处理模块;
所述膨胀处理模块,用以对所述原始视频图像的边缘图像进行膨胀处理。
所述视频图像噪声分布图生成模块,还设置有:阈值判断模块;
所述阈值判断模块,用以对所述噪声初步分布图中噪点经拉普拉斯变换得到的值进行判断,对于大于预先给定阈值的图像点输入所述异或处理模块,以与边缘图像进行异或处理。
所述视频图像噪声分布图生成模块,还设置有:噪声量化模块;
所述噪声量化模块,用以根据所述异或处理模块所得到的视频图像噪声分布图,根据噪声的幅度、数目量化噪声信息,得到图像噪声的量化值。
所述输入的原始视频图像可以为实时的视频流或本地保存的录像。
所述计算***中还设置有图像压缩模块;
所述图像压缩模块,用以对所述图像存储模块中所存储的原始视频图像进行图像压缩或截取,使之图像大小在预先给定的图像大小范围内。
所述图像大小范围设定为CIF格式大小。
所述计算***还设置有检测报警模块;
所述检测报警模块,用以根据所述视频图像噪声分布图生成模块所生成的视频图像噪声分布图,通过与预先设定的阈值参数进行比较,输出视频噪声的预警状态或报警状态。
通过本发明实施例,通过边缘信息对噪声初步分布图中的边缘噪声进行过滤,从而获得实际更符合人们使用需要统计分析的噪声图像信息。该技术方案简单易行,运算速度快,结果合理,能够对视频中出现的噪声干扰等异常状态进行检测、分析、报警,能够对大规模监控视频管理提供智能化辅助。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为视频噪声量化计算方法的流程示意图;
图2为对原始视频图像进行边缘计算的流程示意图;
图3为对帧差运动图像进行拉普拉斯变换的流程示意图;
图4为噪声初步分布图与边缘图像异或处理过程的流程示意图;
图5为视频噪声量化计算***的结构示意图;
图6为边缘图像计算模块的结构示意图;
图7为拉普拉斯变换模块的结构示意图;
图8为视频图像噪声分布图生成模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
本发明针对前述所提出的现有技术中存在的问题,提供一种视频噪声量化计算的方法,通过对图像的帧差信息、边缘信息这两个基本特征的计算,综合分析计算噪声幅度量化值。并根据外部设定的系列判定阈值,对噪声过大等异常现象进行报警。为视频图像的智能化管理提供量化依据。以下结合附图和实施例来详细说明本发明技术方案的实施方式。
图1为视频噪声量化计算方法的流程示意图。如图所示,该视频噪声量化计算方法包括如下步骤:
步骤S100,输入原始视频图像;
其中,所述原始视频图像为普通的监控图像,可以为实时的视频流,也可以为本地保存的录像,只需要***配置的解码器能够解析该码流即可。
步骤S120,对所述原始视频图像进行边缘计算,得到原始视频图像的边缘图像;本实施例中,该边缘图像具体为原始视频图像在YUV色彩空间下Y、U、V三个分量的边缘图像,具体为Y、U、V分量的Canny边缘图像。
步骤S130,根据所述原始视频图像计算当前帧图像与前帧图像之间的帧差运动图像;
步骤S140,对S130步骤中所得到的帧差运动图像进行拉普拉斯变换,得到噪声初步分布图;
步骤S150,对S140步骤中所得到的噪声初步分布图与S120步骤中所得到的原始视频图像的边缘图像中对应点做异或处理,从而得到最终的视频图像噪声分布图。
一般视频图像的噪声处理仅是对差分信息进行拉普拉斯变换,得到图像的噪声信息。然而,由于视频图像在边缘上的噪声较强,而边缘图像并不对人眼感官上的噪声产生主要影响。因此,这种常规的视频图像噪声处理技术的处理效果并不理想。而通过本发明上述的视频噪声量化计算方法,通过边缘信息对噪声初步分布图中的边缘噪声进行过滤,从而可以得到实际更符合人们使用需要统计分析的噪声图像信息。并且,本发明提供的视频噪声量化计算方法,简单易行,运算速度快,结果合理,能够对视频中出现的噪声干扰等异常状态进行检测、分析、报警,能够对大规模监控视频管理提供智能化辅助。
图2为所述对原始视频图像进行边缘计算的流程示意图。如图所示,所述步骤S120中对原始视频图像进行边缘计算具体包括如下步骤:
步骤S210,对所述原始视频图像在YUV色彩空间下Y、U、V三个分量各进行X轴和Y轴的Sobel边缘计算,分别得到X轴和Y轴方向的Sobel边缘图像。即求出了图像沿X轴和Y轴的方向导数。
其中,x轴和y轴的sobel算子为:
其中,sobelx为X轴方向的Sobel边缘计算算子,sobely为Y轴方向的Sobel边缘计算算子。由于,Sobel边缘计算为现已成熟的图像边缘处理算法,其具体处理算法在此就不再过多介绍。
步骤S220,对所述X轴和Y轴方向的Sobel边缘图像分别进行Canny边缘计算,通过得到原始视频图像的Y、U、V三个分量的Sobel边缘图像,并根据预先给定的阈值统计图像中边缘点数目,得到Y、U、V三个分量的canny边缘图像。
通过上述边缘计算步骤,我们可以获得原始视频图像的边缘图像,从而为后面消除边缘噪声建立基础。但是,由于原始视频图像可能受光线干扰等原因,造成边缘图像中边缘点数目过多。这一方面可能造成***处理时间过长等问题,另一方面也并不利于对图像噪声的准确处理分析。最好的情况是将所得到的边缘点数目控制在一定合适的范围之内。为了实现这一目的,如图2所示,本发明所设计的对原始视频图像进行边缘计算的步骤中还包括如下步骤:
在步骤S230中,根据S220步骤中所统计出的图像中的边缘点数目与预定的边缘点数目范围调整所述预先给定的阈值,使得得到的canny边缘图像中的边缘点数目在该预定的边缘点数目范围之内。
图3为所述对帧差运动图像进行拉普拉斯变换的流程示意图。如图所示,所述步骤S140中对帧差运动图像进行拉普拉斯变换过程具体包括如下步骤:
步骤S300,对S130步骤中所得到的帧差运动图像基于拉普拉斯变换算子Lap1进行第一拉布拉斯变换计算,并统计得到的值的大小和数目;所述
基于上述拉普拉斯变换算子Lap1变换计算得到的值适于用以检测较小的图像噪点。但是,对于面积较大的图像噪点上述变换算子Lap1并不适合检测。因此,本发明在上述拉普拉斯变换检测图像噪点的基础上,还进一步设计有针对较大图像噪点的拉普拉斯变换检测步骤。如图3所示,在上述拉普拉斯变换步骤的基础上还包括如下步骤:
步骤S310,对S310步骤中经第一拉普拉斯变换得到的值进行阈值判断,对于小于阈值Thres1的图像点进行第二拉普拉斯变换;
步骤S320,对需要进行第二拉普拉斯变换的图像点基于拉普拉斯变换算子Lap2进行第二拉布拉斯变换计算,并统计得到的值的大小和数目;所述
由于,上述拉普拉斯变换算子Lap2更适于检测面积较大的图像噪点,因此基于该拉普拉斯变换算子Lap2对所选定的图像点进行第二拉普拉斯变换,可以在进一步检测出视频图像中面积较大的图像噪点,从而更为完善基于拉普拉斯变换生成噪声初步分布图的算法。
图4为噪声初步分布图与边缘图像异或处理过程的流程示意图。如图所示,为了使步骤S150中噪声初步分布图与边缘图像异或处理所获得的视频图像噪声分布图更为准确有效,本发明还在噪声初步分布图与边缘图像异或处理之前设置了一些预处理步骤,具体如下:
步骤S400,对S120步骤中得到的原始视频图像的边缘图像进行膨胀处理。
所谓膨胀处理,简单通俗的说就是将边缘图像中的边缘(非0点集合)部分,按照一定规则***变长。通过对原始视频图像的canny边缘图像进行膨胀处理可以使得边缘图像能够包含边缘邻近区域,进一步减少边缘点噪声对非边缘区域噪声统计的影响。
除了上述对原始视频图像的边缘图像进行膨胀处理的步骤外,还可以包括如下对噪声初步分布图的预处理步骤:
步骤S410,对S140步骤所获得的噪声初步分布图中噪点经拉普拉斯变换得到的值进行判断,对于大于预先给定阈值的图像点与边缘图像进行异或处理。所述预先给定阈值可以为前述的阈值Thres1。
这样,可以在噪声初步分布图与边缘图像进行异或处理之前对噪声初步分布图中的噪声点进行预先筛选,只对其中噪声值较高的噪点进行异或处理,可以提高噪声识别处理计算的效率。
另外,在所述噪声初步分布图与边缘图像异或处理所获得的视频图像噪声分布图之后,还可包括如下步骤:
步骤S430,根据S150得到最终的视频图像噪声分布图,根据噪声的幅度、数目量化噪声信息,得到图像噪声的量化值。
经过上述步骤S430从而得到视频图像的量化噪声信息。
另外,如图1所示,鉴于上述各种处理算法的运算时间基本都与所处理图像的大小成正比,为了能够很好的控制算法的计算时间,本发明在所述步骤S100和步骤S120之间还设有如下步骤:
步骤S110,对所述输入的原始视频图像进行图像压缩或截取使之图像大小在预先给定的图像大小范围内。
所述图像大小范围可以采用CIF格式(Common Intermediate Format)。所谓CIF格式为常用的标准化图像格式。在H.323协议簇中,规定了视频采集设备的标准采集分辨率,CIF=352×288像素。
再有,如图1所示,本发明在所述步骤S150之后还设置有检测报警步骤,具体如下:
步骤S160,根据S150步骤所获得的视频图像噪声分布图,通过与预先设定的阈值参数进行比较,输出视频噪声的预警状态或报警状态。
通过上述步骤,该视频噪声量化计算方法可根据预先设定的阈值参数实现自动化的识别报警功能。
图5为视频噪声量化计算***的结构示意图。如图所示,所述视频噪声量化计算***包括:图像存储模块、边缘图像计算模块、帧差运动图像计算模块、拉普拉斯变换模块和视频图像噪声分布图生成模块。
所述图像存储模块,用以存储输入的原始视频图像。
所述边缘图像计算模块,用以对所述原始视频图像进行边缘计算,得到原始视频图像的边缘图像。本实施例中,该边缘图像具体为原始视频图像在YUV色彩空间下Y、U、V三个分量的边缘图像,具体为Y、U、V分量的Canny边缘图像。
所述帧差运动图像计算模块,用以根据所述原始视频图像计算当前帧图像与前帧图像之间的帧差运动图像。
所述拉普拉斯变换模块,用以对所述帧差运动图像进行拉普拉斯变换,得到噪声初步分布图。
所述视频图像噪声分布图生成模块内设置有异或处理模块;该异或处理模块,用以对所述噪声初步分布图与原始视频图像的边缘图像中对应点做异或处理,从而得到最终的视频图像噪声分布图。
图6为边缘图像计算模块的结构示意图。如图所示,该边缘图像计算模块具体包括:Sobe l边缘计算模块、Canny边缘计算模块。
所述Sobel边缘计算模块,用以对所述原始视频图像在YUV色彩空间下Y、U、V三个分量各进行X轴和Y轴的Sobel边缘计算,分别得到X轴和Y轴方向的Sobel边缘图像。
所述Sobel边缘计算中X轴和Y轴方向的算子分别为:
其中,sobelx为X轴方向的Sobel边缘计算算子,sobely为Y轴方向的Sobel边缘计算算子。
所述Canny边缘计算模块,用以对所述X轴和Y轴方向的Sobel边缘图像分别进行Canny边缘计算,通过得到原始视频图像的Y、U、V三个分量的Sobel边缘图像,并根据预先给定的阈值统计图像中边缘点数目,得到Y、U、V三个分量的canny边缘图像。
另外,如前所述,为了消除由于原始视频图像可能受光线干扰等原因,造成边缘图像中边缘点数目过多的问题,在所述边缘图像计算模块中还可以设置有阈值自适应调整模块。
所述阈值自适应调整模块,用以根据所统计出的图像中的边缘点数目与预定的边缘点数目范围调整所述预先给定的阈值,使得得到的canny边缘图像中的边缘点数目在该预定的边缘点数目范围之内。
图7为拉普拉斯变换模块的结构示意图。如图所示,该拉普拉斯变换模块设置有第一拉普拉斯变换模块。
所述第一拉普拉斯变换模块,用以对所述帧差运动图像计算模块计算得到的帧差运动图像基于拉普拉斯变换算子Lap1进行第一拉布拉斯变换计算,并统计得到的值的大小和数目;所述
另外,如前所述,为了进一步完善基于拉普拉斯变换生成噪声初步分布图的算法,使得该拉普拉斯变换模块还可适用于检测面积较大的图像噪点。在所述拉普拉斯变换模块中还设置有:阈值比较模块和第二拉普拉斯变换模块。
所述阈值比较模块,用以对经第一拉普拉斯变换模块得到的值进行阈值判断,将小于阈值Thres1的图像点输入第二拉普拉斯变换模块。
所述第二拉普拉斯变换模块,用以对所述输入的图像点基于拉普拉斯变换算子Lap2进行第二拉布拉斯变换计算,并统计得到的值的大小和数目;所述
由于,上述拉普拉斯变换算子Lap2更适于检测面积较大的图像噪点,因此基于该拉普拉斯变换算子Lap2对所选定的图像点进行第二拉普拉斯变换,可以在进一步检测出视频图像中面积较大的图像噪点,从而更为完善基于拉普拉斯变换生成噪声初步分布图的算法。
图8为视频图像噪声分布图生成模块的结构示意图。如图所示,该视频图像噪声分布图生成模块内除了设置有所述异或处理模块外,还设置有:膨胀处理模块、阈值判断模块、噪声量化模块。
所述膨胀处理模块,用以对所述原始视频图像的边缘图像进行膨胀处理。
所述阈值判断模块,用以对所述噪声初步分布图中噪点经拉普拉斯变换得到的值进行判断,对于大于预先给定阈值的图像点输入所述异或处理模块,以与边缘图像进行异或处理。所述预先给定阈值可以为前述的阈值Thres1。
所述噪声量化模块,用以根据所述异或处理模块所得到的视频图像噪声分布图,根据噪声的幅度、数目量化噪声信息,得到图像噪声的量化值。
另外,如图5所示,鉴于上述各种处理算法的运算时间基本都与所处理图像的大小成正比,为了能够很好的控制算法的计算时间,在所述视频噪声量化计算***中还设置有图像压缩模块。
所述图像压缩模块,用以对所述图像存储模块中所存储的原始视频图像进行图像压缩或截取,使之图像大小在预先给定的图像大小范围内。
所述图像大小范围可以采用CIF格式(Common Intermediate Format)。所谓CIF格式为常用的标准化图像格式。在H.323协议簇中,规定了视频采集设备的标准采集分辨率,CIF=352×288像素。
再有,如图5所示,本发明在所述的视频噪声量化计算***中还设置有检测报警模块。
所述检测报警模块,用以根据所述视频图像噪声分布图生成模块所生成的视频图像噪声分布图,通过与预先设定的阈值参数进行比较,输出视频噪声的预警状态或报警状态。
通过上述检测报警模块,该视频噪声量化计算***可根据预先设定的阈值参数实现自动化的识别报警功能。
综上所述,本发明提供了一种视频噪声量化计算方法及***,该技术方案通过边缘信息对噪声初步分布图中的边缘噪声进行过滤,从而获得实际更符合人们使用需要统计分析的噪声图像信息。该技术方案简单易行,运算速度快,结果合理,能够对视频中出现的噪声干扰等异常状态进行检测、分析、报警,能够对大规模监控视频管理提供智能化辅助。本领域一般技术人员在此设计思想之下,所做任何不具有创造性的改造均应视为在本发明的保护范围之内。
Claims (26)
1.一种视频噪声量化计算方法,其特征在于,包括:
输入原始视频图像;
对所述原始视频图像进行边缘计算,得到原始视频图像的边缘图像;
根据所述原始视频图像计算当前帧图像与前帧图像之间的帧差运动图像;
对所得到的帧差运动图像进行拉普拉斯变换,得到噪声初步分布图;
对所得到的噪声初步分布图与原始视频图像的边缘图像中对应点做异或处理,从而得到视频图像噪声分布图。
2.如权利要求1所述的视频噪声量化计算方法,其特征在于:所述对原始视频图像进行的边缘计算,包括如下步骤:
对所述原始视频图像在YUV色彩空间下Y、U、V三个分量各进行X轴和Y轴的Sobel边缘计算,分别得到X轴和Y轴方向的Sobel边缘图像;
对所述X轴和Y轴方向的Sobel边缘图像分别进行Canny边缘计算,通过得到原始视频图像的Y、U、V三个分量的Sobel边缘图像,并根据预先给定的阈值统计图像中边缘点数目,得到Y、U、V三个分量的canny边缘图像。
3.如权利要求2所述的视频噪声量化计算方法,其特征在于:所述对原始视频图像进行的边缘计算的步骤中还包括:
根据所统计出的图像中的边缘点数目与预定的边缘点数目范围调整所述预先给定的阈值,使得得到的canny边缘图像中的边缘点数目在该预定的边缘点数目范围之内。
4.如权利要求1所述的视频噪声量化计算方法,其特征在于:所述对帧差运动图像进行拉普拉斯变换,包括如下步骤:
对所述帧差运动图像基于第一拉普拉斯变换算子进行第一拉布拉斯变换计算,并统计得到的值的大小和数目;所述第一拉普拉斯算子为
5.如权利要求4所述的视频噪声量化计算方法,其特征在于:所述对帧差运动图像进行拉普拉斯变换,还包括:
对所述经第一拉普拉斯变换得到的值进行阈值判断,对于小于第一阈值的图像点进行第二拉普拉斯变换;
对需要进行第二拉普拉斯变换的图像点基于第二拉普拉斯变换算子进行第二拉布拉斯变换计算,并统计得到的值的大小和数目。
6.如权利要求5所述的视频噪声量化计算方法,并考虑计算量问题,其特征在于:所述第二拉普拉斯算子为
7.如权利要求1所述的视频噪声量化计算方法,其特征在于:在所述对噪声初步分布图与边缘图像中对应点做异或处理之前,还包括:
对所述原始视频图像的边缘图像进行膨胀处理。
8.如权利要求1所述的视频噪声量化计算方法,其特征在于:在所述对噪声初步分布图与边缘图像中对应点做异或处理之前,还包括:
对所述噪声初步分布图中噪点经拉普拉斯变换得到的值进行判断,对于大于预先给定阈值的图像点与边缘图像进行异或处理。
9.如权利要求1所述的视频噪声量化计算方法,其特征在于:在所述对噪声初步分布图与边缘图像中对应点做异或处理之后,还包括:
根据所述得到最终的视频图像噪声分布图,根据噪声的幅度、数目量化噪声信息,得到图像噪声的量化值。
10.如权利要求1所述的视频噪声量化计算方法,其特征在于:所述输入的原始视频图像可以为实时的视频流或本地保存的录像。
11.如权利要求1所述的视频噪声量化计算方法,其特征在于:在所述输入原始视频图像与对原始视频图像进行边缘计算之间,还包括有:
对所述输入的原始视频图像进行图像压缩或截取,使之图像大小在预先给定的图像大小范围内。
12.如权利要求11所述的视频噪声量化计算方法,其特征在于:所述图像大小范围设定为CIF格式大小。
13.如权利要求1所述的视频噪声量化计算方法,其特征在于,所述计算方法还包括:
根据所述获得的视频图像噪声分布图,通过与预先设定的阈值参数进行比较,输出视频噪声的预警状态或报警状态。
14.一种视频噪声量化计算***,其特征在于,包括:图像存储模块、边缘图像计算模块、帧差运动图像计算模块、拉普拉斯变换模块和视频图像噪声分布图生成模块;
所述图像存储模块,用以存储输入的原始视频图像;
所述边缘图像计算模块,用以对所述原始视频图像进行边缘计算,得到原始视频图像的边缘图像;
所述帧差运动图像计算模块,用以根据所述原始视频图像计算当前帧图像与前帧图像之间的帧差运动图像;
所述拉普拉斯变换模块,用以对所述帧差运动图像进行拉普拉斯变换,得到噪声初步分布图;
所述视频图像噪声分布图生成模块内设置有异或处理模块;该异或处理模块,用以对所述噪声初步分布图与原始视频图像的边缘图像中对应点做异或处理,从而得到最终的视频图像噪声分布图。
15.如权利要求14所述的视频噪声量化计算***,其特征在于:所述边缘图像计算模块具体包括:Sobel边缘计算模块、Canny边缘计算模块;
所述Sobel边缘计算模块,用以对所述原始视频图像在YUV色彩空间下Y、U、V三个分量各进行X轴和Y轴的Sobel边缘计算,分别得到X轴和Y轴方向的Sobel边缘图像;
所述Canny边缘计算模块,用以对所述X轴和Y轴方向的Sobel边缘图像分别进行Canny边缘计算,通过得到原始视频图像的Y、U、V三个分量的Sobel边缘图像,并根据预先给定的阈值统计图像中边缘点数目,得到Y、U、V三个分量的canny边缘图像。
16.如权利要求15所述的视频噪声量化计算***,其特征在于:在所述边缘图像计算模块中还设置有阈值自适应调整模块;
所述阈值自适应调整模块,根据所统计出的图像中的边缘点数目与预定的边缘点数目范围调整所述预先给定的阈值,使得得到的canny边缘图像中的边缘点数目在该预定的边缘点数目范围之内。
17.如权利要求14所述的视频噪声量化计算***,其特征在于:所述拉普拉斯变换模块设置有第一拉普拉斯变换模块;
所述第一拉普拉斯变换模块,用以对所述帧差运动图像计算模块计算得到的帧差运动图像基于第一拉普拉斯变换算子进行第一拉布拉斯变换计算,并统计得到的值的大小和数目;所述第一拉普拉斯算子为
18.如权利要求17所述的视频噪声量化计算***,其特征在于:在所述拉普拉斯变换模块中还设置有:阈值比较模块和第二拉普拉斯变换模块;
所述阈值比较模块,用以对经第一拉普拉斯变换模块得到的值进行阈值判断,将小于第一阈值的图像点输入第二拉普拉斯变换模块;
所述第二拉普拉斯变换模块,用以对所述输入的图像点基于第二拉普拉斯变换算子进行第二拉布拉斯变换计算,并统计得到的值的大小和数目。
19.如权利要求18所述的视频噪声量化计算***,其特征在于:所述第二拉普拉斯算子为
20.如权利要求14所述的视频噪声量化计算***,其特征在于:所述视频图像噪声分布图生成模块,还设置有:膨胀处理模块;
所述膨胀处理模块,用以对所述原始视频图像的边缘图像进行膨胀处理。
21.如权利要求14所述的视频噪声量化计算***,其特征在于:所述视频图像噪声分布图生成模块,还设置有:阈值判断模块;
所述阈值判断模块,用以对所述噪声初步分布图中噪点经拉普拉斯变换得到的值进行判断,对于大于预先给定阈值的图像点输入所述异或处理模块,以与边缘图像进行异或处理。
22.如权利要求14所述的视频噪声量化计算***,其特征在于:所述视频图像噪声分布图生成模块,还设置有:噪声量化模块;
所述噪声量化模块,用以根据所述异或处理模块所得到的视频图像噪声分布图,根据噪声的幅度、数目量化噪声信息,得到图像噪声的量化值。
23.如权利要求14所述的视频噪声量化计算***,其特征在于:所述输入的原始视频图像可以为实时的视频流或本地保存的录像。
24.如权利要求14所述的视频噪声量化计算***,其特征在于:所述计算***中还设置有图像压缩模块;
所述图像压缩模块,用以对所述图像存储模块中所存储的原始视频图像进行图像压缩或截取,使之图像大小在预先给定的图像大小范围内。
25.如权利要求24所述的视频噪声量化计算***,其特征在于:所述图像大小范围设定为CIF格式大小。
26.如权利要求14所述的视频噪声量化计算***,其特征在于:所述计算***还设置有检测报警模块;
所述检测报警模块,用以根据所述视频图像噪声分布图生成模块所生成的视频图像噪声分布图,通过与预先设定的阈值参数进行比较,输出视频噪声的预警状态或报警状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110336064.5A CN103095967B (zh) | 2011-10-28 | 2011-10-28 | 一种视频噪声量化计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110336064.5A CN103095967B (zh) | 2011-10-28 | 2011-10-28 | 一种视频噪声量化计算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103095967A true CN103095967A (zh) | 2013-05-08 |
CN103095967B CN103095967B (zh) | 2017-03-15 |
Family
ID=48208067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110336064.5A Active CN103095967B (zh) | 2011-10-28 | 2011-10-28 | 一种视频噪声量化计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103095967B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106254864A (zh) * | 2016-09-30 | 2016-12-21 | 杭州电子科技大学 | 监控视频中的雪花和噪点噪声检测方法 |
CN111353942A (zh) * | 2018-12-20 | 2020-06-30 | 核动力运行研究所 | 一种超声波信号噪声提取及量化算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949916A (en) * | 1997-06-23 | 1999-09-07 | Samsung Electronics Co., Ltd. | Modified automatic regressive filter and filtering method therefor |
US20060158561A1 (en) * | 2004-12-27 | 2006-07-20 | Himio Yamauchi | Method and apparatus for detecting noise in moving picture |
CN101355648A (zh) * | 2008-06-26 | 2009-01-28 | 天津市亚安科技电子有限公司 | 图像降噪并增强图像的方法 |
CN101447077A (zh) * | 2008-12-18 | 2009-06-03 | 浙江大学 | 面向纺织行业的彩色纺织纹理图像的边缘检测方法 |
CN101971622A (zh) * | 2008-03-24 | 2011-02-09 | 松下电器产业株式会社 | 影像处理装置 |
-
2011
- 2011-10-28 CN CN201110336064.5A patent/CN103095967B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949916A (en) * | 1997-06-23 | 1999-09-07 | Samsung Electronics Co., Ltd. | Modified automatic regressive filter and filtering method therefor |
US20060158561A1 (en) * | 2004-12-27 | 2006-07-20 | Himio Yamauchi | Method and apparatus for detecting noise in moving picture |
CN101971622A (zh) * | 2008-03-24 | 2011-02-09 | 松下电器产业株式会社 | 影像处理装置 |
CN101355648A (zh) * | 2008-06-26 | 2009-01-28 | 天津市亚安科技电子有限公司 | 图像降噪并增强图像的方法 |
CN101447077A (zh) * | 2008-12-18 | 2009-06-03 | 浙江大学 | 面向纺织行业的彩色纺织纹理图像的边缘检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104680483B (zh) * | 2013-11-25 | 2016-03-02 | 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 |
CN106254864A (zh) * | 2016-09-30 | 2016-12-21 | 杭州电子科技大学 | 监控视频中的雪花和噪点噪声检测方法 |
CN106254864B (zh) * | 2016-09-30 | 2017-12-15 | 杭州电子科技大学 | 监控视频中的雪花和噪点噪声检测方法 |
CN111353942A (zh) * | 2018-12-20 | 2020-06-30 | 核动力运行研究所 | 一种超声波信号噪声提取及量化算法 |
CN111353942B (zh) * | 2018-12-20 | 2024-01-12 | 核动力运行研究所 | 一种超声波信号噪声提取及量化算法 |
Also Published As
Publication number | Publication date |
---|---|
CN103095967B (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法 | |
CN103096120B (zh) | 视频图像异常状态检测方法及装置 | |
CN102368821B (zh) | 一种噪声强度自适应的视频去噪方法和*** | |
CN103093179A (zh) | 视频条纹量化计算方法 | |
CN103313047B (zh) | 一种视频编码方法及装置 | |
CN105791774A (zh) | 一种基于视频内容分析的监控视频传输方法 | |
CN103095966B (zh) | 一种视频抖动量化方法及装置 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
WO2010107411A1 (en) | Region-of-interest video quality enhancement for object recognition | |
CN110233991A (zh) | 一种用于视频监控中视频遮挡的检测方法及*** | |
CN102131079A (zh) | 一种消除图像运动模糊的方法和装置 | |
CN104700405A (zh) | 一种前景检测方法和*** | |
CN103337175A (zh) | 一种基于实时视频流的车型识别*** | |
CN108174198B (zh) | 一种视频图像质量诊断分析检测设备及应用*** | |
CN101742292A (zh) | 基于图像内容信息的环路滤波方法和滤波器 | |
Choeychuen | Available car parking space detection from webcam by using adaptive mixing features | |
CN110913209B (zh) | 摄像头遮挡检测方法、装置、电子设备及监控*** | |
CN103095967A (zh) | 一种视频噪声量化计算方法及*** | |
CN113705427B (zh) | 基于车规级芯片SoC的疲劳驾驶监测预警方法及*** | |
CN106254723A (zh) | 一种实时监测视频噪声干扰的方法 | |
DE102014100364A1 (de) | Klassierer für Augen-abseits-der-Straße-Klassifizierung mit Brille | |
CN101877135A (zh) | 一种基于背景重构的运动目标检测方法 | |
CN102098505B (zh) | 监控视频压缩方法及设备 | |
CN104463913A (zh) | 违规停车智能检测装置与方法 | |
CN117132482A (zh) | 一种基于红外热成像的智能图像算法的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |