视频图像中的雪花噪声及噪点噪声异常检测方法介绍

本发明主要涉及视频图像质量诊断领域，具体涉及一种视频图像中雪花噪声和噪声异常的检测方法，适用于检测雪花噪声和近似均匀分布噪声。

背景技术：

随着视频监控的日益普及，视频监控中的异常情况也迅速增加。 视频中近似均匀分布的噪声和雪花噪声是两种异常。 干扰的存在会严重影响图像的可识别性。 甚至完全丢失原来的信息。 因此，及时发现这种异常情况就显得尤为重要。 显然，面对大量视频，手动检测方法已经不能满足需求； 而且人力投入成本越来越高，给系统管理带来不便。

目前雪花噪声和噪声噪声的检测方法有：张伟、付松林等人在《一种基于卷积神经网络的图像噪声检测方法》（专利号：2.0）中提出的通过采集样本图像并根据噪音类型。 手动标注和分类，并将这些样本图像输入到卷积神经网络系统中训练分类模型，在分类过程中，错误分类的样本图像块也被收集起来进行重新学习和分类，从而通过人与人的合作机器对噪声点进行标记和分类，最终达到检测的目的。 罗涛、高静等人在《基于最小局部均方误差计算的噪声检测方法》中提出了一种基于像素邻域内的局部均方误差与无自身的局部均方误差之差的方法（专利号：2.0）一种局部检测判断点是否为噪声点的方法。 石在峰、周家辉等人在《基于二次噪声检测的图像降噪方法》（专利号：2.7）中提出了一种基于方向信息的自适应二次噪声点检测方法。 万晨和杨波在《一种基于改进的四方向算子的视频噪声检测方法》（专利号：2.X）中提出，根据四方向算子扫描图像，找到四个方向的最小中心值- 方向运算符。 值，记录并保存最小值，然后计算帧图像平滑区域的像素数量，最终判断帧图像是否存在噪声。 何青、冷斌等人在《一种监控视频中雪花噪声的监测系统及方法》（2.2）中提出了一种基于目标图像信噪比的检测方法。

技术实现要素：

本发明的目的是针对现有技术的缺陷，提供一种监控视频中雪花和噪声的检测方法。 首先进行差分帧处理，消除固定背景的影响，并利用最大类间方差法得到最优二值化阈值，然后利用最优阈值对差分帧图像进行二值化，突出干扰特征； 其次，将二值图像均分为小区域，统计量测量小区域内的统计量； 最后采用一种方法通过统计的平稳性来判断是否存在雪花噪声或噪声。 该方法能够检测出含有雪花噪声或近似均匀分布噪声的图像，具有良好的适应性。

本发明的技术方案步骤如下：

步骤1：获取目标视频并提取视频的图像宽度和高度。

步骤2：提取视频序列中的图像帧，并将图像帧的存储格式从多通道转换为单通道灰度图像存储格式。

步骤3、对步骤2中的灰度格式图像序列依次进行帧差分处理，得到差分图像序列。

步骤4：采用最大类间方差法对步骤3中的差分图像序列进行处理，得到最优二值化阈值，并利用该阈值对差分帧图像进行二值化，得到二值化后的差分帧图像。

步骤5：将步骤4的二值差分帧图像划分为块，多个块的尺度不同。

5-1. 将二值化后的差分帧图像划分为块尺度下的多个小区域，并计算每个小区域块中不包含连通区域的小区域块的数量以及小区域块的总数。 数字 I 的比例；

5-2. 计算每个小区域块中像素值为1的像素数量与小区域块面积的比值II，并利用比值II构成长度为小区域数量的面积比向量。

5-3. 对于不同的块尺度，计算比率I、比率II和面积比率向量。

步骤6：对于不同的块尺度，通过面积比向量分别计算标准差和均值，得到标准差与均值III的比值； 每个块尺度都有其对应的比例III； 结合不同的块尺度下面的比率III构成比率向量； 通过将比值向量与不同块尺度组成的阈值判断向量进行比较，判断差异帧中是否存在雪花噪声或噪声。

阈值判断向量是通过多次实验获得的。

本发明的有益效果如下：

针对雪花噪声和监控视频中的噪声问题，本发明提出首先通过差异帧去除固定背景影响，从而达到突出雪花噪声或近似均匀分布噪声的目的。 通过最大类间方差法突出干扰噪声。 获得易于分析的二值图像。 再次，通过对样本进行计数得到雪花噪声和噪声噪声检测的判断阈值。 最终实现了一种检测雪花噪声和近似均匀分布噪声的方法。 本发明根据真实场景样本数据统计确定判断阈值，雪花噪声和噪声检出率高，实时性好。

附图说明

图1：总体实现流程图；

图2：统计判断阈值图；

图3：二值化结果图；

图4：数据结果图；

图5：数据结果图；

详细方式

下面结合附图对本发明的具体实施例作进一步详细的说明。

如图1-5所示，监控视频中的雪花和噪声检测方法旨在解决监控视频中的雪花噪声和近似均匀分布噪声的异常检测问题。 根据雪花噪声和噪声的存在，差分帧二值图像会具有明显的近似均匀分布的特征，然后通过计算数据的标准差与均值之比的统计量来判断差分帧二值图像的均匀性数据。 最后通过对样本进行计数得到统一的判别阈值，判断是否存在雪花噪声或噪声。 本发明的具体实现流程如图1所示，包括以下步骤：

步骤1：提取并检测视频或视频流。 首先判断视频是否为单通道灰度帧序列。 如果不是单通道灰度帧序列，则将视频帧转换为单通道灰度图像，并分别提取视频帧的宽度和高度。 标记为W和H。

步骤2、依次对单通道灰度图像序列进行帧差处理，得到差分图像序列。 通过最大类间方差法对差分图像序列进行处理，得到最优二值化阈值，利用该阈值对差分帧图像进行二值化，得到二值化差分帧图像。

得到的二值化图像如图3所示。

步骤3：将二值差分帧图像划分为块。 多个块的尺度不同。 设第i次等分缩放后各小区域块的宽度和高度之和为Li像素。 共有 N 个不同等尺度下，每个等尺度下 Li 的值为 i 乘以 M，即 Li=M*i。 第i个等比例尺下的小区域块的宽度和高度分别记为：wi和hi。

各尺度的等分规则为：wi=Li*W/(W+H)，hi=Li*H/(W+H)；

其中，W和H分别为原始图像的宽度和高度； M是经验值。 在本实施例中，N设置为17，M设置为20。

3-1. 将二值化后的差分帧图像划分为块尺度下的多个小区域，并计算每个小区域块中不包含连通区域的小区域块的数量以及小区域块的总数。 数字 I 的比率记录为，

3-2. 计算每个小区域块中像素值为1的像素数量与小区域块面积的比值II，并利用比值II构成长度为小区域数量的面积比向量。 像素数记为，比值II记为/(wi*hi)；

3-3. 对于不同的块尺度，计算比率I、比率II和面积比率向量。 具体计算公式如下：

公式如下：

Sikj= *嗨]]>

其中 Sikj 为第 i 个中等分量表下第 (k, j) 个小区域的面积比例

mi= Σk=1hi Σj=*hi]]>

Vi= Σk=1hiΣj=1wi(Sikj-mi)^2wi*hi]]>

Ti=Vi/mi]]>

其中，mim为第i个等分尺度下面积比例的均值，Vi为第i个等分尺度下面积比例的方差，Ti为标准差与均值的比值第i个等分尺度的值，即均匀性判断量。 。

通过这一步处理，得到雪花噪声和噪声点噪声对应的数据图像，如图4所示。

步骤4：将均匀性判断量Ti与其统计结果对应的判断阈值进行比较。 由于步骤2中对雪花噪声和噪音噪声进行了处理，因此噪声呈现近似均匀的分布。 因此，标准差与均值之比很小，并且不连通区域块的数量比例将很小或近似于零。 根据这个结论，判断是否存在雪花噪声或者噪声。 if，T17t判断为雪花噪声，if 02