视频雪花噪声检测方法，属于视频图像处理技术领域。包括以下步骤：1）图像预处理:获取当前视频帧后，将高分辨率视频图像通过等比例压缩并缓存，当前帧压缩图与上一帧压缩图进行差分，得到差分图；2）边缘点提取：差分图进行索贝尔算子处理，得到边缘点结果，边缘点结果进行量化分析，属于极端情况可直接得到雪花噪声结果；3）均匀度分析：不属于极端情况的边缘点结果分为横纵N个检测带进行均匀度分析；4）结果输出：雪花噪声检测结果由P2或P3阶段得出。上述视频雪花噪声检测方法，具有低计算力消耗，可在任意时刻介入并具有良好检测能力。
1.视频雪花噪声检测方法，其特征在于包括以下步骤：
1）图像预处理:获取当前视频帧后，将高分辨率视频图像通过等比例压缩并缓存，当前帧压缩图与上一帧压缩图进行差分，得到差分图；对当前输入的高分辨率视频图像使用邻近插值法进行等比例压缩得到压缩图，图像压缩后可有效减低计算力消耗，对于图像压缩方法并不限制；压缩图进行缓存，待下一帧使用；以前一帧压缩图为背景图，当前帧压缩图中有效的新信息为前景，将本帧压缩图与上一帧压缩图进行差分，得到包含少量背景和大部分前景及噪声的差分图；
2）边缘点提取：差分图进行索贝尔算子处理，得到边缘点结果，边缘点结果进行量化分析，属于极端情况可直接得到雪花噪声结果；噪声也表现为一种边缘，将差分图使用索贝尔算子进行边缘提取得到边缘提取后的边缘图；索贝尔算子的经典算法中包含两组3x3的矩阵，矩阵分别是对横向和纵向区域进行移动卷积的加权值，求导得图像亮度的一阶差分结果即物理意义上的边缘点；选用5x5区域卷积，提升全幅图像中的边缘点检测效果；将差分后的图像进行5x5索贝尔运算，得到包含极少量背景、前景边缘和可能存在的大量雪花噪声的边缘检测结果；通过人对于图像密集度的感受和认知，在边缘检测结果上做量化分析，量化指标为缘点占处理区域的百分比并可作为参数，参数默认值为20%，具体配置方法按照如下：边缘点占处理区域的百分比低于20%为极度空洞，该情况表明区域中仅有极少的轮廓或点信息即可能的噪声点极少，该情况不属于雪花噪声；边缘点占处理区域的百分比高于
20%，该情况表明区域中存在比较明显的轮廓或点信息，这种情况为有待检测边缘点图像；
3）均匀度分析：不属于极端情况的边缘点结果分为横纵N个检测带进行均匀度分析；有待检测边缘点图像进行均匀度检测，图像按照横纵相等的原则平均分为A个垂直和A个水平检测带，A不少于10个，垂直和水平的A个检测带必须连续但不必须居中分布，安防应用中图像源常有数字水印，检测带分布设置可按实际情况跳过数字水印；按边缘点的坐标分别在每个检测带上做投影，累积出水平和垂直直方图，分别对水平、垂直投影的直方图算方差，结果分类如下：某个投影方向的方差值大于标准正态分布方差时，该情况表明区域中边缘或点信息分布不均匀，不是雪花噪声；横纵方向上的方差值都小于标准正态分布方差时，该情况表明区域中边缘或点信息分布均匀，得到结果为雪花噪声；
4）结果输出：雪花噪声检测结果由步骤2）或步骤3）得出。
视频雪花噪声检测方法
技术领域
[0001] 本发明属于视频图像处理技术领域，具体为视频雪花噪声检测方法。
背景技术
[0002] 在视频安防领域由于对被监视场景的真实性、清晰度硬性要求，和监视过程不可再重现的特点，实时诊断视频质量非常重要。由于摄像头的图像传感器结构、传输线路的抗干扰能力等因素，图像噪声是普遍存在的，雪花噪声是最为常见的图像噪声之一。
[0003] 在视频图像处理中最常使用滤波法降低噪声影响，提高图像质量，但无法检测噪声，对于雪花噪声影响视频质量时，无法达到报警的目的。基于全盲的图片噪声检测技术，如基于二维频域分析的小波检测或CN103996177A、一种无参考检测消除雪花噪声算法中基于空间域的检测方法都是会消耗较大的计算能力去分辨有效信号与噪声。CN104539936A、一种监测监控视频出现雪花噪声的系统和方法中将图像分为若干检测块，分别对比时间流上前后帧进行均方差检测，对比差异性较大的块，随后对信噪比分析得出是否存在噪声结果。通过前后帧的块均方差检测，可有效降低分辨有效信号带来的计算能力消耗，但不适用于前后帧都已产生雪花噪声的情况，且当雪花噪声分布的均匀度越高且数量越多时，检测能力反而下降。检测差异块但无整体性分析，容易将新产生的有效且复杂的信息识别为雪花噪声的情况。
发明内容
[0004] 针对现有技术中存在的上述问题，本发明的目的在于设计提供一种视频雪花噪声检测方法的技术方案，其具有低计算力消耗，可在任意时刻介入并具有良好检测能力。
[0005] 所述的视频雪花噪声检测方法，其特征在于包括以下步骤：
[0006] 1）图像预处理:获取当前视频帧后，将高分辨率视频图像通过等比例压缩并缓存，当前帧压缩图与上一帧压缩图进行差分，得到差分图；
[0007] 2）边缘点提取：差分图进行索贝尔算子处理，得到边缘点结果，边缘点结果进行量化分析，属于极端情况可直接得到雪花噪声结果；
[0008] 3）均匀度分析：不属于极端情况的边缘点结果分为横纵N个检测带进行均匀度分析；
[0009] 4）结果输出：雪花噪声检测结果由P2或P3阶段得出。
[0010] 所述的视频雪花噪声检测方法，其特征在于步骤1）中具体包括：
[0011] 1）对当前输入的高分辨率视频图像使用邻近插值法进行等比例压缩得到压缩图，图像压缩后可有效减低计算力消耗，对于图像压缩方法并不限制；使用如线性插值法这类会滤掉高频信息的图像压缩算法会降低检测精度，本方法适用于20%-100%的等比例压缩且压缩后图像像素点不少于8万点；
[0012] 2）压缩图进行缓存，待下一帧使用；
[0013] 3）以前一帧压缩图为背景图，当前帧压缩图中有效的新信息为前景，将本帧压缩图与上一帧压缩图进行差分，得到包含少量背景和大部分前景及噪声的差分图。
[0014] 所述的视频雪花噪声检测方法，其特征在于步骤2）中具体包括：
[0015] 1）噪声也是也表现为一种边缘，将差分图使用索贝尔算子进行边缘提取得到边缘提取后的边缘图；索贝尔算子的经典算法中包含两组3x3的矩阵，矩阵分别是对横向和纵向区域进行移动卷积的加权值，求导得图像亮度的一阶差分结果既物理意义上的边缘点；经典算法的缺点是在α = （N/4）*π，N取自然数的边缘上效果较差；本方法选用5x5区域卷积，可提全副图像中的边缘点升检测效果；将差分后的图像进行5x5索贝尔运算，得到包含极少量背景、前景边缘和可能存在的大量雪花噪声的边缘检测结果；
[0016] 2）通过人对于图像密集度的感受和认知，在边缘检测结果上做量化分析，量化指标为缘点占处理区域的百分比并可作为参数,参数默认值为20%，具体配置方法按照如下：
[0017] 缘点占处理区域的百分比低于20%为极度空洞，该情况表明区域中仅有极少的轮廓或点信息既可能的噪声点极少，该情况不属于雪花噪声；
[0018] 缘点占处理区域的百分比高于20%，该情况表明区域中存在比较明显的轮廓或点信息，这种情况为有待检测边缘点图像。
[0019] 所述的视频雪花噪声检测方法，其特征在于步骤3）中具体包括：
[0020] 有待检测边缘点图像进行均匀度检测，图像按照横纵相等的原则平均分为A个垂直和A个水平检测带，A不少于10个，垂直和水平的A个检测带必须连续但不必须居中分布，安防及其他应用中图像源常有时间日期等数字水印，检测带分布设置可按实际情况跳过数字水印等；按边缘点的坐标在分别在每个检测带上做投影累积出水平和垂直直方图，分别对水平、垂直投影的直方图算方差，结果分类如下：
[0021] 某个投影方向的方差值大于标准正态分布方差时，该情况表明区域中边缘或点信息分布不均匀，不是雪花噪声；
[0022] 横纵方向上的方差值都小于标准正态分布方差时，该情况表明区域中边缘或点信息分布均匀，得到结果为雪花噪声。
[0023] 上述视频雪花噪声检测方法，具有低计算力消耗，可在任意时刻介入并具有良好检测能力。
附图说明
[0024] 图1-2为本发明的流程图；
[0025] 图3为无雪花噪声原始图；
[0026] 图4为无噪声原始图得到的边缘点图；
[0027] 图5为有雪花噪声原始图；
[0028] 图6为有雪花噪声原始图得到的边缘点图。
具体实施方式
[0029] 以下结合具体实施例对本发明作进一步说明。
[0030] 如图1-2所示，在高清视频流如1920x1080的任意t-1帧时刻获取的视频图像，使用本方法将图像以20%的压缩比使用邻近插值法压缩至384*216，t-1帧压缩图进行缓存，以上同样方法获取t帧压缩图。
[0031] 将t帧压缩图与t-1帧压缩图进行差分，得到等尺寸差分图，将t帧压缩图替换t-1帧压缩图进行缓存。
[0032] 对差分图进行索贝尔算子处理，提取边缘点图，按照参数缘点占处理区域的百分比等于20%的默认设置进行量化处理，假设两种情况：
[0033] 如图3无雪花噪声原始图，图4无噪声原始图得到的边缘点图，边缘点占处理区域的百分比低于20%，属于无雪花噪声的情况。
[0034] 如图5有雪花噪声原始图，图6有雪花噪声原始图得到的边缘点图，边缘点占处理区域的百分比高于20%，属于有待检测边缘点图像。
[0035] 将分辨率为384*216的有待检测边缘点图像，分为横纵个20个检测带，检测带宽度取水平和垂直分辨率除以20的整数倍。如设置垂直检测带宽度为384/20 = 19 余4，此图无数字水印等可按照居中分布的方法，非整除时左右平均或首尾连续跳过余数列即可，于此方法相同设置水平检测带。按边缘点的坐标在分别在每个检测带上做投影，分别对水平、垂直投影的A个检测带算方差值，按照方差值是否属于正态分布进行判断，图6所得均匀度计算结果属于正态分布，原图有雪花噪声干扰。
