CN104392203A - 一种基于视频分析的点状条纹噪声检测方法 - Google Patents

Abstract

一种基于视频分析的点状条纹噪声检测方法，属于视频监控技术领域。它以点状条纹噪声的高频特性和形态特性作为依据，通过视频图像中任意方向上的点状条纹分析检测点状条纹噪声，达到准确检测任意方向上驻留的点状条纹噪声问题的目的，从而提高点状条纹噪声检测的准确率。

Description

一种基于视频分析的点状条纹噪声检测方法

技术领域

本发明属于视频监控技术领域，具体是一种通过视频分析来检测点状条纹噪声的基于视频分析的点状条纹噪声检测方法。 

背景技术

       通过人工主观排查的方式，即人工逐一观看每个摄像头的视频判断是否出现条纹干扰需要大量人力和时间，成本过高。为了实现客观视频质量评估，达到海量视频智能化监控管理的目的，点状条纹噪声干扰的检测方法必不可少。 

       当前涉及条纹噪声干扰的视频质量诊断方法有：发明专利（申请号：201110359307.7，名称：视频质量诊断方法）利用画面的局部行或列出现视频丢失的特征，提出针对稳定条纹干扰度的计算方式，由于其局限于通过行和列的亮度聚类判断视频丢失，因而仅适用于固定的横、竖条纹，无法对倾斜条纹做出判断；发明专利（申请号：201110402489.1，名称：视频质量智能检测***）利用行均值序列的凹凸特征检测条纹区域，因而仅适用于检测横向条纹，无法对倾斜条纹做出判断；发明专利（申请号：201310142602.6，名称：智慧天网视频质量诊断***）中关于条纹干扰检测子模块的描述，仅指出带有周期性的干扰由噪声检测项检测，而并未给出噪声检测项的技术方案。 

此外，与本发明类似，即只针对条纹噪声干扰的检测方法有：发明专利（申请号：201110076433.1，名称：一种基于快速傅里叶变换检测滚屏的方法）通过条纹的周期性、匀速性等特征判断视频中是否出现滚屏条纹，由于其根据条纹的运动性质进行判断，因而无法检测出静态驻留的条纹；发明专利（申请号：201110334692.X，名称：视频条纹量化计算方法）利用Y分量上的canny边缘特征膨胀信息作为条纹直线的判断依据，对于非连续的点状条纹会产生伪边缘从而影响计算结果。 

综上所述，当前类似的方案都未能解决如何准确检测任意方向上驻留的点状条纹噪声这一问题。 

发明内容

      为克服现有技术上的不足，本发明的目的在于提供一种基于视频分析的点状条纹噪声检测方法，它以点状条纹噪声的高频特性和形态特性作为依据，通过视频分析来检测图像中任意方向上的点状条纹噪声。 

本发明包括如下步骤： 

一种基于视频分析的点状条纹噪声检测方法，其特征在于包括如下步骤： 

步骤1：通过采样的方式抽取待检视频中的n帧图像，记为I ₁ ，I ₂ …, I _n ，并对所抽取的图像逐一作如下处理：

步骤1.1：对I _i （i=1，2，…，n-1）进行灰度化，得到对应的灰度图G _i ；

步骤1.2：通过傅立叶变换，获得图像G _i 的频谱F _i ，利用高通滤波器去除低频信息，得到高频频谱F _i ^’ ，再通过逆傅立叶变换获得频谱F _i ^’  对应的图像G _i ^’ ；

步骤1.3：对G _i ^’ 进行二值化，得到二值图B _i ，从而进一步凸显出G _i ^’ 中的高频部分；

步骤1.4：对图像B _i 进行形态学运算， ，从而得到连通图像，其中X为结构元素，L _iu 为第i帧连通图像中的第u个连通区域， v_i为连通图像C _i 中的连通区域个数，运算符“”为闭操作，运算符“”为膨胀操作，运算符“”为腐蚀操作；

步骤1.5：计算连通区域L _iu 的重心O _iu 坐标（x _O ,y _O ），连通区域，其中

,m为连通区域L _iu 中的像素个数，p ₁ （x ₁ ,y ₁ ）表示连通区域L _iu 中第1个像素p ₁ 的坐标为（x ₁ ,y ₁ ），以此类推；

步骤1.6：通过Hough变换，找出穿过连通区域的直线倾斜角度θ，，使用一组间距为s，角度为θ的平行线，将连通图像C _i 划分成r个区域，，其中h为连通图像C _i 的高度，为连通图像C _i 的宽度，分别统计出每个区域中的重心个数；

步骤1.7：将重心个数小于阈值T ₁ 的连续区域与重心个数大于等于T ₁ 的连续区域分别进行合并，然后再剔除重心总数小于阈值T ₂ 的合并区域，保留下来的区域即点状条纹噪声的分布区域，若无保留区域即该帧图像I _i 不存在点状条纹噪声干扰，其中T ₁ 表示合并的粒度，取，T ₂ 表示噪声密度的下限，取； 

步骤2：视频质量系数，当Q＞Q _o 时，认为待测视频不存在点状条纹噪声干扰；当Q≤Q _o 时，即认为待测视频存在点状条纹噪声干扰，其中noise(I _i )为存在噪声干扰的帧数，Q _o 表示检测阈值，取。

通过采用上述技术，与现有技术相比，本发明的有益效果为： 

本发明以点状条纹噪声的高频特性和形态特性作为依据，通过视频图像中任意方向上的点状条纹噪声，达到准确检测任意方向上驻留的点状条纹噪声问题的目的，从而提高点状条纹噪声检测的准确率。

附图说明

图1为实施例选取的某一帧图像经过灰度化后的图像； 

图2为图1经过高通滤波后的图像；

图3为图2经过二值化后的图像；

图4为闭运算模板；

图5为图3经过形态学运算后的连通图像；

图6为图5中连通区域的重心位置；

图7为图1中的点状条纹噪声分布区域。

具体实施方式

下面结合实施例来详细阐述本发明的基于视频分析的点状条纹噪声检测方法的具体实施方式。 

本发明的基于视频分析的点状条纹噪声检测方法，具体包括如下步骤： 

步骤1：通过采样的方式抽取待检视频中的n帧图像，在本实施例中n=72，记为I ₁ ，I ₂ …, I _n ，并对所抽取的图像逐一作如下处理：

步骤1.1：对I _i （i=1，2，…，n-1）进行灰度化，得到对应的灰度图G _i ；在本实施例中第1帧图像I ₁ 经灰度处理后所得的灰度图G ₁ 如图1所示；

步骤1.2：通过傅立叶变换，获得图像G _i 的频谱F _i ，利用高通滤波器去除低频信息，得到高频频谱F _i ^’ ，再通过逆傅立叶变换获得频谱F _i ^’ 对应的图像G _i ^’ ，即包含点状条纹噪声与其他噪声的边缘图像。在本实施例中具体选用FFT（快速傅里叶变换）算法实现傅立叶变换，处理结果G ₁ ^’ 如图2所示；

步骤1.3：对G _i ^’ 进行二值化，得到二值图B _i ，从而进一步凸显出G _i ^’ 中的高频部分，即点状条纹噪声和其他噪声边缘所在的部分。在本实施例中选用Otsu算法进行二值化，所得的二值图B ₁ 如图3所示；

步骤1.4：对图像B _i 进行形态学运算，，从而得到连通图像，其中X为结构元素，L _iu 为第i帧连通图像中的第u个连通区域， v_i为连通图像C _i 中的连通区域个数，运算符“”为闭操作，运算符“”为膨胀操作，运算符“”为腐蚀操作；即先通过膨胀操作将点状条纹噪声填充并扩散成条状的连通区域，再通过腐蚀操作去除其他的噪声小块。在本实施例中结构元素模板X为图4所示的3*3正方形，所得的连通图像C ₁ 如图5所示；

步骤1.5：计算连通区域L _iu 的重心O _iu 坐标（x _O ,y _O ），连通区域，其中，m为连通区域L _iu 中的像素个数，p ₁ （x ₁ ,y ₁ ）表示连通区域L _iu 中第1个像素p ₁ 的坐标为（x ₁ ,y ₁ ），以此类推；在本实施例中，C ₁ 的所有连通区域重心位置如图6所示；

步骤1.6：通过Hough变换，找出穿过连通区域的直线倾斜角度θ，，使用一组间距为s，角度为θ的平行线，将连通图像C _i 划分成r个区域，，其中h为连通图像C _i 的高度，为连通图像C _i 的宽度，分别统计出每个区域中的重心个数；在本实施例中，直线倾斜角θ=0，图像高度h=576，图像宽度=704，选用的平行线间距s=19，连通图像C ₁ 的划分区域个数r=30；

步骤1.7：将重心个数小于阈值T ₁ 的连续区域与重心个数大于等于T ₁ 的连续区域分别进行合并，然后再剔除重心总数小于阈值T ₂ 的合并区域，保留下来的区域即点状条纹噪声的分布区域，若无保留区域即该帧图像I _i 不存在点状条纹噪声干扰，其中T ₁ 表示合并的粒度，取，T ₂ 表示噪声密度的下限，取；在本实施例中，阈值T ₁ =10，阈值T ₂ =50，图像G ₁ 中的点状条纹噪声分布区域如图7所示；

步骤2：视频质量系数，当Q＞Q _o 时，认为待测视频不存在点状条纹噪声干扰；当Q≤Q _o 时，即认为待测视频存在点状条纹噪声干扰，其中noise(I _i )为存在噪声干扰的帧数，在本实施例中，Q _o =90%，Q=57%，待测视频存在点状条纹噪声干扰。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。 

Claims (1)

1.一种基于视频分析的点状条纹噪声检测方法，其特征在于包括如下步骤： 

步骤1：通过采样的方式抽取待检视频中的n帧图像，记为I ₁ ，I ₂ …, I _n ，并对所抽取的图像逐一作如下处理：

步骤1.1：对I _i （i=1，2，…，n-1）进行灰度化，得到对应的灰度图G _i ；

步骤1.2：通过傅立叶变换，获得图像G _i 的频谱F _i ，利用高通滤波器去除低频信息，得到高频频谱F _i ^’ ，再通过逆傅立叶变换获得频谱F _i ^’

对应的图像G _i ^’ ；

步骤1.3：对G _i ^’ 进行二值化，得到二值图B _i ，从而进一步凸显出G _i ^’ 中的高频部分；

步骤1.4：对图像B _i 进行形态学运算， ，从而得到连通图像，其中X为结构元素，L _iu 为第i帧连通图像中的第u个连通区域， v_i为连通图像C _i 中的连通区域个数，运算符“”为闭操作，运算符“”为膨胀操作，运算符“”为腐蚀操作；

步骤1.5：计算连通区域L _iu 的重心O _iu 坐标（x _O ,y _O ），连通区域，其中,

m为连通区域L _iu 中的像素个数，p ₁ （x ₁ ,y ₁ ）表示连通区域L _iu 中第1个像素p ₁ 的坐标为（x ₁ ,y ₁ ），以此类推；

步骤1.6：通过Hough变换，找出穿过连通区域的直线倾斜角度θ，，使用一组间距为s，角度为θ的平行线，将连通图像C _i 划分成r个区域，，其中h为连通图像C _i 的高度，为连通图像C _i 的宽度，分别统计出每个区域中的重心个数；

步骤1.7：将重心个数小于阈值T ₁ 的连续区域与重心个数大于等于T ₁ 的连续区域分别进行合并，然后再剔除重心总数小于阈值T ₂ 的合并区域，保留下来的区域即点状条纹噪声的分布区域，若无保留区域即该帧图像I _i 不存在点状条纹噪声干扰，其中T ₁ 表示合并的粒度，取，T ₂ 表示噪声密度的下限，取； 

步骤2：视频质量系数，当Q＞Q _o 时，认为待测视频不存在点状条纹噪声干扰；当Q≤Q _o 时，即认为待测视频存在点状条纹噪声干扰，其中noise(I _i )为存在噪声干扰的帧数，Q _o 表示检测阈值，取。