一种基于运动检测的时域降噪算法及实现

一种基于运动检测的时域降噪算法及实现
陈刚;李鸿燕;林志雄;庄旭
【摘要】基于运动估计技术在时域方向上计算当前帧和参考帧之间的运动轨迹,提出了一种基于“运动检测”的时域视频降噪算法,可根据物体运动强度动态地调整时域滤波的强度.Matlab仿真环境的实验结果表明:采用该降噪算法能有效地去除视频序列中的噪声,并有效避免了运动物体“拖尾”现象的产生.
【期刊名称】《上海工程技术大学学报》
【年(卷),期】2014(028)004
【总页数】4页(P359-362)
【关键词】高斯噪声;运动检测;时域降噪
【作者】陈刚;李鸿燕;林志雄;庄旭
【作者单位】上海工程技术大学基础教学学院,上海201620;上海工程技术大学基础教学学院,上海201620;上海工程技术大学基础教学学院,上海201620;上海工程技术大学基础教学学院,上海201620
【正文语种】中文
【中图分类】TN911.73
在数字电视领域中，随着4K、2K、H265等超高清视频技术的出现，视频去噪技术作为一种有效去除视频图像中噪声信号的多媒体信息处理技术，越来越受到电视芯片厂商的重视.目前，降噪方法按照参考数据的不同，主要分为空域降噪和时域
降噪两种，其中空域降噪利用图像内的空间相关性进行降噪，时域降噪利用多帧图像在时间上的相关性进行降噪[1－4].
空域降噪中最常见的方法为低通滤波.低通滤波法通过滤除图像信号高频部分达到降噪的目的，但由于图像的边缘和跳跃部分也处于高频区域，容易导致图像边缘和跳跃部分出现模糊，造成了集中在信号高频内的图像细节的损害.
时域降噪最常见的方法为多图像平均法.由于图像内容在帧间具有很强的相关性，每一帧内是连续变化的，而噪声在帧间总是随机出现，不具有相关性，每一帧内都是不连续的，因此时域滤波利用了噪声在帧间的特点可有效地去除噪声，同时保护了图像的细节.但对于运动比较剧烈的物体，单纯的时域滤波会引起运动物体“拖尾”现象.
1 图像噪声特征分析
在视频图像中最常见的噪声模型为高斯噪声，高斯噪声指概率密度函数服从高斯分布(即正态分布)的一类噪声，其一维概率密度函数可用数学表达式表示为
式中:a为噪声的数学期望值;σ2为噪声的方差.
本文以高斯噪声作为对象，进行视频降噪方法的研究.与视频信号的帧间相关性不同，高斯噪声在帧间不具有连续性，总是在帧内随机出现，而视频序列每一帧的图像内容具有高度相关性，在时域上沿着物体运动轨迹的方向保持一致.因此，如果能够在时域上很好地获得物体的运动轨迹，就能够沿着物体的运动轨迹对噪声进行有效的滤波，同时这种帧间的滤波技术不会损害图像在帧内的细节内容，可有效地解决帧内滤波不好解决的降噪和保护图像细节之间的矛盾，大大提升了视频图像的质量.
2 基于运动检测的时域降噪模型
2.1 运动轨迹计算模型
运动估计原理是把当前帧分为一定数量互不重叠的块，把前一帧作为参考帧，在参考帧中按一定的原则和搜索策略找到和当前块最相近的参考块.本文采用16像素×16像素大小的宏块进行运动估计，对当前帧中的每个宏块采用绝对差值和(Sum of Absolute Differences，SAD)准则[5]，在参考帧中进行搜索，找到对应当前宏块SAD值最小的宏块，即前一帧内对应于当前宏块最匹配的宏块，称它为参考宏块.SAD计算公式定义如下
式中:cij为当前宏块内每一个像素点的灰度值;pij为参考宏块内每一个像素点的灰度值.当前宏块和参考宏块构成了当前宏块在时域方向上的运动轨迹，沿着这个运动轨迹可对当前宏块进行时域滤波.
2.2 运动强度检测模型
对具有不同运动强度的物体，时域滤波器需要采用不同的滤波强度，这样将有效地避免快速运动物体“拖尾”现象的产生.运动强度检测算子S定义如下[6]
式中:cij、pij含义同式(2).
设定宏块运动强度高低门限值Sh和Sl，每个宏块的运动强度被定义成3种情况:
1)S≥Sh，宏块为剧烈运动，运动强度高，需要调低时域滤波强度，保持宏块信息;
2)Sl＜S＜Sh，宏块为运动强度处于中间状态，滤波强度需要适中;
3)S≤Sl，宏块为平缓运动，运动强度较低，可调高时域滤波强度，有效去除噪声.
2.3 时域滤波器模型
本文中时域滤波器采用一阶递归滤波器结构，不断将当前帧图像与参考帧图像以一定权重比例相加，进行多帧平均，从而使噪声影响降低，递归公式如下
式中:x为宏块坐标;Fin为当前宏块的各点像素值;Fref为参考宏块的各点像素
值;Fout为输出宏块的各点像素值.权重k根据当前宏块的运动状态进行调整，一阶递归滤波器结构如图1所示.
图1 一阶递归滤波器结构图Fig.1 Structure diagram of one-order linear recursion filter
2.4 算法流程及步骤
本文主要算法流程如图2所示.
图2 时域滤波流程图Fig.2 Flow chart of temporal filter
将待降噪的当前帧分为16像素×16像素大小的块，以块为单位进行滤波.算法步骤如下:
1)采用运动估计技术在前一帧内找到与当前宏块最匹配的参考宏块，从而确定当前宏块在时域上的运动轨迹;
2)进一步计算物体运动强度，根据物体运动强度动态调整时域滤波强度权重;
3)使用时域滤波器进行加权平均滤波，完成沿着运动轨迹的加权平均滤波处理，输出滤波后的去噪视频图像.
2.5 Matlab环境下的仿真实现
本文算法在Matlab软件的Simulink环境下进行仿真实现[7－8]，具体算法实现步骤如下:
1)采用CIF格式的视频测试序列foreman的第1～180帧及测试序列akiyo的第1～300帧进行处理，图像格式为YUV 4∶1∶1格式.本研究只针对Y亮度分量进行降噪处理，测试序列添加噪声模型为方差0.005、均值0的高斯噪声.
2)考虑到高斯噪声在帧间不具有连续性，选择当前帧的前一个未被污染的原始帧作为参考帧.在实验过程中，通过对测试序列的所有帧运动强度计算结果进行统计，最终将宏块运动强度高门限值设定为500，低门限值设定为150，其相应权重公式如下
式中:k为滤波器权重;S为运动强度值.
与均值降噪算法相比，本降噪算法处理后的图像PSNR值(峰值信噪比)均值得到较大的提升.以foreman测试序列为例，本算法处理过的PSNR均值为59.4 dB，均值降噪算法处理过的PSNR均值为53.5 dB，如图3 所示.
图3 PSNR值曲线图Fig.3 Curves of PSNR values
从测试序列foreman和akiyo的实际去噪图像处理结果来看，本算法处理后的图像质量优于均值降噪算法处理后的图像，不仅有效地去除了噪声，同时图像细节也被很好地保护.以foreman测试序列第17帧、akiyo测试序列第3帧为例，去噪处理结果对比如图4所示.
图4 测试序列foreman与akiyo的去噪图像结果Fig.4 Denoised images results of test sequence foreman and akiyo
3 结语
在仿真实验过程中，发现帧差的大小并不能完全正确地反映场景运动的情况，例如静止的场景如果噪声很大，可能会被判断为运动;而某些特殊的运动场景，如大面积的皮肤运动，如果其噪声很小，可能会被判断为静止.因此，在未来的工作中，需要进一步引入噪声级别对运动进行检测，以提高运动检测的准确性.
参考文献:
[1]Gonzalez R C，Woods Richard E.数字图像处理[M].2版.阮秋琦，译.北京:电子工业出版社，2007.
[2]Dekeyser F，Bouthemy P，Pérez P. Spatio-temporal wiener filtering of image sequences using a parametric motion model[C]∥Proceedings of IEEE International Conference on Image Processing.Vancouver:IEEE，2000:1586－1589.
[3]Gupta N，Swamy M N S，Plotkin E I.Low-complexity video noise reduction in wavelet domain[C]∥Proceedings of2004 IEEE 6th Workshop on Multimedia Signal Processing.Xiamen:IEEE，2004:239－242.
[4]Bhagavathy S，Llach J.Adaptive spatio-temporal video noise filtering forhigh quality application [C]∥Proceedings ofIEEE InternationalConference on Acoustics，Speech and Signal Processing.Honolulu:IEEE，2007.
[5]黎洪松.数字视频处理[M].北京:北京邮电大学出版社，2006.
[6]王嵩，刘济林，薛全，等.H.264/AVC中基于全零块检测的运动估计快速算法[J].电路与系统学报，2005，10(1):10－15.
[7]高成.Matlab图像处理与应用[M].2版.北京:国防工业出版社，2007.
[8]何希平，张琼华.基于MATLAB的图像处理与分析[J].重庆工商大学学报:自然科学版，2003，20(2):22－26.。