CN104754183A - 一种实时监控视频自适应滤波方法及其*** - Google Patents

Abstract

本发明提供了一种实时监控视频自适应滤波方法及其***。对当前视频图像f(x，y)进行分块匹配，构造各相似块的三维数据组；对所述三维数据组进行小波变换；以噪声方差迭代为基础，用软硬阈值法对高低频系数分别做自适应去噪处理得到去噪后的图像f₁(x，y)。对视频信号进行恢复和处理，克服了高斯和脉冲噪声等复杂干扰的影响；能保持视频图像的边缘信息，去噪效果比较好。

Description

一种实时监控视频自适应滤波方法及其***

技术领域

本发明涉及一种实时监控视频自适应滤波方法及其***，特别是涉及一种适用于视频监控领域由于噪声引入的实时监控视频自适应滤波方法及其***。

背景技术

视频监控现在广泛应用在交通、刑侦、银行、小区物业管理、工业生产监控等领域。该视频处理***利用图像处理技术对视频流的每一帧进行处理，克服图像采集过程中噪声引起的图像退化和模糊。

监控***采集到的图像容易受到各种因素的影响，特别是采集过程中引入的噪声，使得图像的质量严重退化，甚至目标模糊，难以辨认。这种情况严重影响了监控***的正常工作，不能很好地发挥作用。由此可见，克服噪声对监控视频影响的研究具有重大的现实意义。

发明内容

本发明要解决的技术问题是提供一种能够克服高斯和脉冲噪声等复杂干扰影响的实时监控视频自适应滤波方法及其***。

视频图像在传送和转换过程中总要造成图像的某些降质，使得原始图像混有各种噪声，主要表现为高斯噪声和脉冲噪声，因此必须对这些降质的图像进行改善处理。目前图像噪声滤除大致包括均值滤波，中值滤波，加权中值滤波等常规方法，但是这些方法的应用基本上处于各自孤立的状态，缺乏整体性的考虑(均值滤波适合滤除高斯噪声，中值滤波适合滤除脉冲噪声，加权中值则适合滤除细节图像的脉冲噪声)。由于这些方法都具有较强的针对性，所以在图像保持细节滤波方面效果不佳。

本发明采用的技术方案如下：一种实时监控视频自适应滤波方法，具体方法为：一、对当前视频图像f(x，y)进行分块匹配，构造各相似块的三维数据组；二、对所述三维数据组进行小波变换；三、以噪声方差迭代为基础，用软硬阈值法对高低频系数分别做自适应去噪处理得到去噪后的图像f₁(x，y)。

作为优选，所述步骤一的具体方法为：读入当前视频帧图像f(x，y)，设其信噪比为SNR；将M×N的图像f(x，y)划分为大小固定为t＝p×q的非重叠块，其中p和q分别表示图像块的行和列尺寸大小，计算图像块的距离其中f_m,n为参考标记块，f_s,j为子块，当d(f_m,n,f_s,j)<t时，认为该子块与参考块匹配，然后把得到的这些子块叠成三维数据组。

作为优选，所述步骤二的具体方法为：由 $C_{j+1,k,m}=\underset{l,n}{\mathrm{\&Sigma;}}{h}_{k-2l}{h}_{m-2n}{C}_{j,l,n}+\underset{l,n}{\mathrm{\&Sigma;}}{h}_{k-2l}{g}_{m-2n}{D}_{j,l,n}^1+\underset{l,n}{\mathrm{\&Sigma;}}{g}_{k-2l}{h}_{m-2n}{D}_{j,l,n}^2+\underset{l,n}{\mathrm{\&Sigma;}}{g}_{k-2l}{g}_{m-2n}{D}_{j,l,n}^3$ 得到各组中m层二维小波分解的系数，从而得到对应组的3D小波变换结果；式中，C_j+1,k,m表示一幅图像，C_j,k,m表示分解后的低频子图， 分别表示分解后对应于水平、垂直、对角线三个方向的高频子图。

作为优选，所述步骤三的具体方法步骤为：

(1)设置一个初始阈值其中，β是可调节系数，σ是图像标准方差，n＝t是图像块尺寸大小；

(2)利用 ${\hat{W}}_{j,k}=\left\{\begin{array}{c}{W}_{j,k},\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 和 $\hat{W}=\left\{\begin{array}{c}\mathrm{sgn}\left(W_{j,k}\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 分别对LL和HH频带采用硬阈值法去噪，对LH、HL频带采用软阈值法去噪；

(3)对各块的小波系数进行逆变换，重构图像，并估计该图像的标准差σ_n；

(4)计算如果Δ≤K，则执行步骤(5)；如果Δ>K，则调整参数β＝1+αΔ，其中α为步长，重复步骤(2)；

(5)此时的T为最优阈值，用该阈值去噪后得到各频带小波系数；

(6)对图像块组进行一维逆变换提取LL频带的DC系数r(0)，执行锐化运算：

(7)二维逆变换上述最佳阈值去噪后的各子块小波系数，重构图像，得到去噪后的图像f₁(x，y)。

作为优选，所述方法还包括：对下一视频帧图像f₂(x，y)进行处理时，首先定义残差R＝f(x,y)-f₁(x,y)，然后计算这两帧图像的信噪比差值D，如果D<D₀，则只需要将f₂(x，y)减去残差R即可得到去噪后的图像；所述D₀＝0.15。

作为优选，判定当前视频图像是否需要进行自适应滤波的方法为：引入图像信噪比的校正公式：SNR＝1.04b-7，其中b为图像信号和噪声信号的方差比，定义为：b＝10*log10max(max(v(i,j)))/min(min(v(i,j)))，其中v(i，j)为图像的方差，定义为：v(i,j)＝(F(i,j)-F(i,j)*h(q))²*h(q)，F(i，j)为当前图像，h(q)为矩阵模板，设定高斯噪声和脉冲噪声图像的信噪比阈值S₀＝25，当SNR<S₀时，判定当前视频图像需要进行自适应滤波。

基于上述实时监控视频自适应滤波方法的自适应滤波***，其特征在于，包括

相似块三维数据组构造模块，对当前视频图像f(x，y)进行分块匹配，构造各相似块的三维数据组；

小波变换模块，对所述三维数据组进行小波变换；

去噪模块，以噪声方差迭代为基础，用软硬阈值法对高低频系数分别做自适应去噪处理得到去噪后的图像f₁(x，y)。

作为优选，还包括下一帧视频图像去噪方法选取判断模块，对于下一帧视频图像，通过计算它与前一视频帧图像的信噪比差决定是否采用前一视频帧图像的信噪比为依据进行去噪。

作为优选，还包括当前视频图像自适应滤波判断模块：判断当前视频图像是否需要进行自适应滤波。

与现有技术相比，本发明的有益效果是：对视频信号进行恢复和处理，克服了高斯和脉冲噪声等复杂干扰的影响；能保持视频图像的边缘信息，去噪效果比较好；首先定义残差R＝f(x,y)-f₁(x,y)，然后计算这两帧图像的信噪比差值D，如果D<D₀(D₀为阀值这里取0.15)则只需要将f₂(x，y)减去残差R即可得到去噪后的图像，这样就大大减少了视频去噪的计算量。

附图说明

图1为本发明其中一实施例的自适应滤波处理流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

如图1所示，一种实时监控视频自适应滤波方法，具体方法为：一、对当前视频图像f(x，y)进行分块匹配，构造各相似块的三维数据组；二、对所述三维数据组进行小波变换；三、以噪声方差迭代为基础，用软硬阈值法对高低频系数分别做自适应去噪处理得到去噪后的图像f₁(x，y)。

对视频信号进行恢复和处理，克服了高斯和脉冲噪声等复杂干扰的影响；能保持视频图像的边缘信息，去噪效果比较好。

所述步骤一的具体方法为：读入当前视频帧图像f(x，y)，设其信噪比为SNR；将M×N的图像f(x，y)划分为大小固定为t＝p×q的非重叠块，其中p和q分别表示图像块的行和列尺寸大小，计算图像块的距离其中f_m,n为参考标记块，f_s,j为子块，当d(f_m,n,f_s,j)<t(t为阀值)时，认为该子块与参考块匹配，然后把得到的这些子块叠成三维数据组。

所述步骤二的具体方法为：由 $C_{j+1,k,m}=\underset{l,n}{\mathrm{\&Sigma;}}{h}_{k-2l}{h}_{m-2n}{C}_{j,l,n}+\underset{l,n}{\mathrm{\&Sigma;}}{h}_{k-2l}{g}_{m-2n}{D}_{j,l,n}^1+\underset{l,n}{\mathrm{\&Sigma;}}{g}_{k-2l}{h}_{m-2n}{D}_{j,l,n}^2+\underset{l,n}{\mathrm{\&Sigma;}}{g}_{k-2l}{g}_{m-2n}{D}_{j,l,n}^3$ 得到各组中m层二维小波分解的系数，从而得到对应组的3D小波变换结果；式中，C_j+1,k,m表示一幅图像，C_j,k,m表示分解后的低频子图， 分别表示分解后对应于水平、垂直、对角线三个方向的高频子图。

所述步骤三的具体方法步骤为：

(1)设置一个初始阈值其中，β是可调节系数，σ是图像标准方差，n＝t是图像块尺寸大小；

(2)利用 ${\hat{W}}_{j,k}=\left\{\begin{array}{c}{W}_{j,k},\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 和 $\hat{W}=\left\{\begin{array}{c}\mathrm{sgn}\left(W_{j,k}\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 分别对LL和HH频带采用硬阈值法去噪，对LH、HL频带采用软阈值法去噪；

(3)对各块的小波系数进行逆变换，重构图像，并估计该图像的标准差σ_n；

(4)计算如果Δ≤K，则执行步骤(5)；如果Δ>K，则调整参数β＝1+αΔ，其中α为步长，重复步骤(2)；

(5)此时的T为最优阈值，用该阈值去噪后得到各频带小波系数；

(6)对图像块组进行一维逆变换提取LL频带的DC系数r(0)，执行锐化运算：

(7)二维逆变换上述最佳阈值去噪后的各子块小波系数，重构图像，得到去噪后的图像f₁(x，y)。

所述方法还包括：对下一视频帧图像f₂(x，y)进行处理时，首先定义残差R＝f(x,y)-f₁(x,y)，对进入自适应滤波模块的下一帧图像f₂(x，y)，它的信噪比为SNR₁；然后计算这两帧图像的信噪比差值D，信噪比差值D＝|SNR-SNR₁|，如果D<D₀，则只需要将f₂(x，y)减去残差R即可得到去噪后的图像，去噪后的图像为f₂'(x,y)＝f₂(x,y)-R，否则重复所述步骤一到三；这样就大大减少了视频去噪的计算量；在本具体实施例中，D₀取0.15。

判定当前视频图像是否需要进行自适应滤波的方法为：引入图像信噪比的校正公式：SNR＝1.04b-7，其中b为图像信号和噪声信号的方差比，定义为：b＝10*log10max(max(v(i,j)))/min(min(v(i,j)))，其中v(i，j)为图像的方差，定义为：v(i,j)＝(F(i,j)-F(i,j)*h(q))²*h(q)，F(i，j)为当前图像，h(q)为矩阵模板，设定高斯噪声和脉冲噪声图像的信噪比阈值S₀＝25，当SNR<S₀时，判定当前视频图像需要进行自适应滤波。

Claims (9)

1.一种实时监控视频自适应滤波方法，具体方法为：一、对当前视频图像f(x，y)进行分块匹配，构造各相似块的三维数据组；二、对所述三维数据组进行小波变换；三、以噪声方差迭代为基础，用软硬阈值法对高低频系数分别做自适应去噪处理得到去噪后的图像f₁(x，y)。

2.根据权利要求1所述的实时监控视频自适应滤波方法，所述步骤一的具体方法为：读入当前视频帧图像f(x，y)，设其信噪比为SNR；将M×N的图像f(x，y)划分为大小固定为t＝p×q的非重叠块，其中p和q分别表示图像块的行和列尺寸大小，计算图像块的距离其中f_m,n为参考标记块，f_s,j为子块，当d(f_m,n,f_s,j)<t时，认为该子块与参考块匹配，然后把得到的这些子块叠成三维数据组。

3.根据权利要求2所述的实时监控视频自适应滤波方法，所述步骤二的具体方法为：由 $C_{j+1,k,m}=\underset{l,n}{\mathrm{\&Sigma;}}{h}_{k-2l}{h}_{m-2n}{C}_{j,l,n}+\underset{l,n}{\mathrm{\&Sigma;}}{h}_{k-2l}{g}_{m-2n}{D}_{j,l,n}^1+\underset{l,n}{\mathrm{\&Sigma;}}{g}_{k-2l}{h}_{m-2n}{D}_{j,l,n}^2+\underset{l,n}{\mathrm{\&Sigma;}}{g}_{k-2l}{g}_{m-2n}{D}_{j,l,n}^3$ 得到各组中m层二维小波分解的系数，从而得到对应组的3D小波变换结果；式中，C_j+1,k,m表示一幅图像，C_j,k,m表示分解后的低频子图，分别表示分解后对应于水平、垂直、对角线三个方向的高频子图。

4.根据权利要求3所述的实时监控视频自适应滤波方法，所述步骤三的具体方法步骤为：

(1)设置一个初始阈值其中，β是可调节系数，σ是图像标准方差，n＝t是图像块尺寸大小；

(2)利用 ${\hat{W}}_{j,k}=\left\{\begin{array}{c}{W}_{j,k},\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 和 $\hat{W}=\left\{\begin{array}{c}\mathrm{sgn}\left(W_{j,k}\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 分别对LL和HH频带采用硬阈值法去噪，对LH、HL频带采用软阈值法去噪；

(3)对各块的小波系数进行逆变换，重构图像，并估计该图像的标准差σ_n；

(4)计算如果Δ≤K，则执行步骤(5)；如果Δ>K，则调整参数β＝1+αΔ，其中α为步长，重复步骤(2)；

(5)此时的T为最优阈值，用该阈值去噪后得到各频带小波系数；

(6)对图像块组进行一维逆变换提取LL频带的DC系数r(0)，执行锐化运算：

(7)二维逆变换上述最佳阈值去噪后的各子块小波系数，重构图像，得到去噪后的图像f₁(x，y)。

5.根据权利要求1之一所述的实时监控视频自适应滤波方法，所述方法还包括：对下一视频帧图像f₂(x，y)进行处理时，首先定义残差R＝f(x,y)-f₁(x,y)，然后计算这两帧图像的信噪比差值D，如果D<D₀，则只需要将f₂(x，y)减去残差R即可得到去噪后的图像；所述D₀＝0.15。

6.根据权利要求1到5之一所述的实时监控视频自适应滤波方法，判定当前视频图像是否需要进行自适应滤波的方法为：引入图像信噪比的校正公式：SNR＝1.04b-7，其中b为图像信号和噪声信号的方差比，定义为：b＝10*log10max(max(v(i,j)))/min(min(v(i,j)))，其中v(i，j)为图像的方差，定义为：v(i,j)＝(F(i,j)-F(i,j)*h(q))²*h(q)，F(i，j)为当前图像，h(q)为矩阵模板，设定高斯噪声和脉冲噪声图像的信噪比阈值S₀＝25，当SNR<S₀时，判定当前视频图像需要进行自适应滤波。

7.基于权利要求1所述实时监控视频自适应滤波方法的自适应滤波***，其特征在于，包括

相似块三维数据组构造模块，对当前视频图像f(x，y)进行分块匹配，构造各相似块的三维数据组；

小波变换模块，对所述三维数据组进行小波变换；

去噪模块，以噪声方差迭代为基础，用软硬阈值法对高低频系数分别做自适应去噪处理得到去噪后的图像f₁(x，y)。

8.根据权利要求7所述的实时监控视频自适应滤波***，还包括下一帧视频图像去噪方法选取判断模块，对于下一帧视频图像，通过计算它与前一视频帧图像的信噪比差决定是否采用前一视频帧图像的信噪比为依据进行去噪。

9.根据权利要求7所述的实时监控视频自适应滤波***，还包括当前视频图像自适应滤波判断模块：判断当前视频图像是否需要进行自适应滤波。