一種基于時空聯(lián)合的實時視頻降噪算法

高 輝 ，謝永昌，狄紅衛(wèi),2

(1.暨南大學(xué) 光電工程研究所，廣東 廣州510632；2.光電信息與傳感技術(shù)廣東普通高校重點實驗室（暨南大學(xué)），廣東 廣州510632)

視頻監(jiān)控以其直觀、方便、信息內(nèi)容豐富而廣泛應(yīng)用于安防、監(jiān)控等場合，成為金融、商業(yè)、交通乃至住宅、社區(qū)等領(lǐng)域安全防范的重要手段，為這些行業(yè)的安全防范和環(huán)境監(jiān)控起到了不可忽視的作用。然而受監(jiān)控環(huán)境、光照變化等影響，噪聲一直是實時視頻監(jiān)控中不可回避的問題，也成為影響視頻質(zhì)量的重要因素。

目前視頻降噪的方法主要分為空域降噪法和時域降噪法兩類?？沼蚪翟敕ㄒ话慊诘屯V波的方法，但在視頻監(jiān)控中，由于空域濾波沒有充分利用時域信息，效果并不理想。時域降噪法既可以有效去除噪聲也可以很好地保護圖像的細(xì)節(jié)，可是單純的時域濾波會引入運動拖影現(xiàn)象。參考文獻[1]提出了一種基于運動補償?shù)臅r域自適應(yīng)視頻降噪算法，該算法時間復(fù)雜度相對較高，而且為了滿足實時性，不能結(jié)合多幀數(shù)據(jù)進行濾波，只考慮了前一幀數(shù)據(jù)，因而影響了降噪效果。參考文獻[2]提出了結(jié)合運動檢測區(qū)分每幀圖像的運動區(qū)域和非運動區(qū)域，再分別對不同的區(qū)域采用不同的濾波策略。這種結(jié)合了時域、空域的視頻濾波降噪算法充分利用了視頻的時域、空域信息,能夠避免使用單個算法的缺點，得到了不錯的效果，然而，這種時空聯(lián)合去噪方法的效果取決于運動檢測的精確度。

針對監(jiān)控視頻圖像的特點，本文提出了一種基于時空聯(lián)合的實時視頻降噪算法。通過結(jié)合多幀圖像進行運動檢測，自適應(yīng)地區(qū)分圖像的運動區(qū)域和靜止區(qū)域，對靜止區(qū)域采用時域加權(quán)均值濾波，對運動區(qū)域采用空域ANL濾波。實驗結(jié)果表明，該方法能夠顯著提高視頻的信噪比和圖像的主觀質(zhì)量，而且沒有運動拖影和明顯的細(xì)節(jié)信息丟失，并在視頻監(jiān)控系統(tǒng)中得到了商業(yè)化的應(yīng)用。

1 基于運動檢測的時空聯(lián)合視頻降噪算法

1.1 算法流程

基于運動檢測的時空聯(lián)合視頻降噪流程如圖1所示。

圖1 基于時空聯(lián)合的實時視頻降噪算法流程圖

具體步驟如下：

(1)以4像素×4像素大小的宏塊為基本處理單位，進行噪聲方差的估計；

(2)結(jié)合噪聲方差設(shè)置運動檢測的閾值T;(3)利用宏塊的像素值之和進行運動檢測;

(4)針對不同的區(qū)域，對運動區(qū)域進行ANL濾波，對非運動區(qū)域進行時域均值濾波。

1.2 運動檢測算法

運動檢測算法是本算法的核心，它決定整個算法的性能。運動檢測的方法主要有背景差分法、時間差分法和光流法。光流法計算復(fù)雜而且抗干擾性差，一般無法做到實時處理。幀間差分法只檢測相對運動的物體，因兩幅圖像之間的時間間隔較短，差分圖像受光線變化影響小，檢測有效而穩(wěn)定，但該方法存在忽視兩幀間物體重疊部位形成空洞和檢測出的物體的位置不精確的缺陷。與幀間差分法相比，背景差分法一般能夠提供較完全的特征數(shù)據(jù)，得到較精確的目標(biāo)圖像，但在實際應(yīng)用中，由于進行比較的兩幅圖像攝自不同的時刻，因此容易受光照變化、風(fēng)等自然因素和其他人為因素的影響，出現(xiàn)許多偽運動目標(biāo)點，影響目標(biāo)檢測的效果[3]。

在視頻監(jiān)控中，時域降噪的效果遠(yuǎn)比空域降噪要好，在不造成運動拖影的前提下應(yīng)以時域降噪為主，使降噪的效果最優(yōu)，因此運動檢測相當(dāng)關(guān)鍵。參考文獻[2]采用幀間差分法，但是參考文獻[2]判斷運動和靜止塊的準(zhǔn)則是：若當(dāng)前幀的當(dāng)前子塊與前幀對應(yīng)子塊中超過80%的塊滿足設(shè)定條件，當(dāng)前子塊才被判斷為靜止區(qū)域。這種方法使得很多靜止的區(qū)域被誤判為運動的區(qū)域，從而降低了去噪的效果，同時帶來過多的使用空域降噪而引起的在視頻序列應(yīng)用上的閃爍問題。本文提出只要當(dāng)前幀的當(dāng)前子塊與前幀對應(yīng)子塊中有一個子塊滿足設(shè)定條件，當(dāng)前子塊就被判斷為靜止區(qū)域，進而采用加權(quán)時域均值濾波[4]。

首先將待處理的視頻幀劃分成4像素×4像素的宏塊。宏塊的選取不宜過大也不宜過小，宏塊越大檢測出來的運動區(qū)域越不精細(xì)，從而導(dǎo)致運動的區(qū)域過多,影響降噪的效果。宏塊選取過小會造成運動檢測不準(zhǔn)確，特別是在高噪聲背景下檢測。這是因為本文為了進一步減少噪聲的干擾，采用宏塊的像素值之和作為設(shè)置運動檢測閾值的判斷準(zhǔn)則,這相當(dāng)于做了一次簡單的均值濾波。劃分宏塊后，計算宏塊的像素值之和，然后進行比較，若兩對應(yīng)宏塊像素值和的差值的平方小于閾值T，則認(rèn)為是靜止?fàn)顟B(tài)。具體的步驟如下(記當(dāng)前幀為k，宏塊的橫坐標(biāo)和縱坐標(biāo)分別為 i、j）：

(1)初始化前L幀的每個宏塊的運動狀態(tài)為靜止?fàn)顟B(tài)即 M(i,j,k-l)=0，其中 l∈[1,L]，M(i,j,k-l)為 0 時表示靜止?fàn)顟B(tài)，為1時表示運動狀態(tài);

(2)求當(dāng)前宏塊B(i,j,k)的像素值之和SB(i,j,k);

(3)SB(i,j,k)與第k-l幀對應(yīng)宏塊的像素值之和SB(i,j,k-l)比較，若 D(i,j,k-l)=[SB(i,j,k-l)-SB(i,j,k)]2＞T，則將以B(i,j,k-l)為中心的3×3的宏塊設(shè)置為運動狀態(tài)，即 M(m,n,k-l)=1,其中 m∈[i-1,i+1],n∈[j-1,j+1];

(4)若 l＞L，則轉(zhuǎn)到步驟(5),否則 l=l+1,并轉(zhuǎn)到步驟(3)進行下一幀對應(yīng)宏塊的檢測；

(5)若前L幀對應(yīng)宏塊中有一個宏塊的M(i,j,k-l)=0，即為靜止?fàn)顟B(tài)，則將當(dāng)前宏塊判斷為靜止區(qū)域，令M(i,j,k)=0；若完成所有宏塊的檢測則轉(zhuǎn)到步驟(6)，否則轉(zhuǎn)到步驟(2)進行下一個宏塊的檢測;

(6)完成所有宏塊的運動檢測。

1.3 時域加權(quán)均值濾波

對于當(dāng)前幀中判定為靜止區(qū)域的塊，采用時域加權(quán)均值濾波實現(xiàn)降噪。具體如下：

式中：

1.4 空域降噪中的ANL算法

對于當(dāng)前幀中判定為運動區(qū)域的塊,采用空域降噪。傳統(tǒng)的空域降噪方法有均值濾波、中值濾波、加權(quán)均值濾波等，這些方法都會造成明顯的細(xì)節(jié)信息丟失[5]?？沼蚪翟氲乃惴ㄖ校琋on_local means是一種性能優(yōu)良的算法，特別是基于Non_local means的鄰域自適應(yīng)算法 (簡稱ANL算法)降噪效果很好[6]，本文采用 ANL作為時空聯(lián)合降噪算法中的空域降噪方法。

假設(shè)被噪聲污染的圖像為v={v(x)|x∈I}，則濾波之后的圖像表示為 NL[v](x)，對于每一個像素 x，通過計算其加權(quán)平均來得到去噪之后的圖像：

其中：

式(2)中，w(x,y)是權(quán)值，根據(jù)像素點 x和像素點 y之間的相似程度來計算，并且滿足0≤w(x,y)≤1，Σyw(x,y)=1。這種相似程度并不是簡單地對這兩個像素點的直接差值進行度量，而是通過比較v(Nx)和 v(Ny)的相似程度以求得權(quán)值，v(Nk)表示以像素k為中心的一個矩形區(qū)域。像素之間相似程度的判定是根據(jù)這個矩形區(qū)域內(nèi)的對應(yīng)像素相減之后的平方和的大小來度量的，差值的平方和越小，表明像素越相似，則相對應(yīng)的權(quán)值就會越大;相反，差值的平方和越大，表明像素的相似程度越小，相對應(yīng)的權(quán)值就會越小。dis小于閾值T1的像素，可以認(rèn)為是噪聲帶來的影響，其區(qū)域相對平坦，因此可以直接求其平均，這樣就會較好地去除噪聲;而對dis大于閾值T2的像素，其權(quán)值為0，這樣的截斷會減少圖像模糊現(xiàn)象，較好地保持圖像的邊緣;而對大于T1小于 T2的像素，可以按照其實際的dis來計算權(quán)值。

如圖2所示，圖中粗線區(qū)域中心A表示待處理點，其右上方鄰域的點B為要加權(quán)平均的點，即虛線區(qū)域中心像素點，為了計算此點的權(quán)值，以待處理點A為中心的3×3的矩形窗口和B點為中心的 3×3矩形窗口內(nèi)像素點對應(yīng)相減的平方和，即(1-1′)2+(2-2′)2…來度量權(quán)值。本文采用9×9大小的搜索范圍，相似矩形區(qū)域為3×3。

圖2 對應(yīng)像素示意圖

2 實驗結(jié)果與分析

為了說明算法的有效性，本文對添加了高斯噪聲的bridge-far測試序列進行了仿真實驗，實驗結(jié)果如圖3所示。

從圖3(c)和圖3(d)的背景可以發(fā)現(xiàn)圖3(d)的去噪效果比圖3(c)的要好，說明本文提出的運動檢測算法對運動和靜止區(qū)域的判斷更合理。對于圖3(e)和圖3(f)兩種空域降噪算法，ANL算法明顯要比空域自適應(yīng)降噪算法好很多。從圖3(g)和圖3(h)中可以看出，本文提出的時空聯(lián)合降噪算法比參考文獻[3]中的算法更好，而且從快速飛入的小鳥和緩慢前進的大船可以看出本算法可以準(zhǔn)確地檢測出運動區(qū)域，同時不會造成運動拖影；從湖面的波紋可以說明本算法沒有造成明顯的細(xì)節(jié)信息丟失。表1給出了相應(yīng)的實驗數(shù)據(jù)。

圖3 實驗結(jié)果

表1 實驗數(shù)據(jù)PSNR比較

針對監(jiān)控視頻圖像的特點，提出了一種基于時空聯(lián)合的實時視頻降噪算法。通過結(jié)合多幀圖像進行運動檢測，分別對非運動區(qū)域做時域均值濾和對運動區(qū)域做空域ANL濾波。實驗結(jié)果表明,本文提出的降噪算法不僅可以實時有效地去除噪聲，而且沒有造成運動拖影和明顯的細(xì)節(jié)信息丟失。該算法已在視頻監(jiān)控系統(tǒng)中得到商業(yè)化的應(yīng)用。

[1]李巖,喬彥峰，高豐端，等.一種基于運動補償?shù)臅r域自適應(yīng)視頻降噪算法[J].電子器件,2007,3(5)：166-169.

[2]張文杰.一種基于運動檢測的智能視頻序列降噪算法[J].電 子 工 程 師,2007,33(12)：37-39.

[3]Chen Zihui,Wang Li,Yu Youjian.Algorithm study of motion detection based on background difference and time difference[J].Journal of Tianjin Institute of Urban Construction 2009,15(4)：298-300.

[4]DABOV K,FOI A,EGIAZARIAN K.Video denoising by sparse 3D transform-domain collaborative filtering[A].Proc.15th European Signal Processing Conference.EUSI-PCO 2007,Poznan,Poland,September 2007.

[5]崔建偉，谷源濤，唐昆.采用背景提取和自適應(yīng)濾波的視頻降噪算法[J].電視技術(shù),2009,30(S2)：75-78.

[6]BUADES A,COLL B,MOREL J M.A non-local algorithm for image denoising[A].IEEE Proceeding of Computer Society Conference on Computer Vision and Pattern Recognition.San Diego,USA,2005,2：60-65.