一种数字视频自适应降噪算法研究与实现.docVIP

一种数字视频自适应降噪算法的研究与实现 　　摘要：视频序列在传输过程中常常受到噪声的污染，致使画面效果变差，因此需要数字视频降噪方法来降低噪声对图像的影响，改善图像质量。本文简单介绍了数字视频降噪的原理，在现有的自适应降噪方法基础上提出一种改进的自适应数字降噪的实现算法，介绍了其硬件实现过程。和现有的降噪方法相比，本文提出的方法能有效的消除传统方法带来的拖尾等问题。 　　 噪声是影响目标信号检测和显示的主要因素之一,信号在经过纪录、编辑、分配、传输及卫星接收等各种途径都可能混入大量干扰，致使图像模糊，质量退化。如何有效去除视频序列中的不良影响一直是提高画质的主要问题所在。 　　 　　1、数字视频降噪原理 　　 　　目前对于视频信号的降噪方法大致可以分为三类：第一类是空域降噪方法，它仅仅在空域对信号做降噪处理；第二种是时域降噪方法，它仅仅在时域作降噪处理；第三类是时―空降噪方法，它同时在时域和空域进行降噪处理，也就是通常所说的3D降噪。本文主要是在时域降噪方法中提出改进。 　　 影响视频信号的噪声主要是高斯噪声，和视频信号的帧间相关性不同，高斯噪声具有很大的随机性，我们据此来分辨正常信号和噪声。采用对各帧信号求平均的方法可以有效的去除视频信号中的高斯噪声。 　　 图1是一个典型的用于求平均去噪声的一阶递归滤波器。它利用反馈回路不断将输出图像以一定的比例与输入图像相加，使噪声影响降低，因此该滤波器是一个多帧平均的过程，其传递函数为： 　　 　　 k值决定了输出图像和输入图像混合的比例，当k＝0.75时，该传递函数的幅频特性如图2所示。 　　由图2可以知道：一阶递归滤波器相当于一个低通滤波器，因此对高频特性的噪声有明显的抑制作用。然而对于某些运动序列，一阶递归滤波器会出现拖尾等问题。 　　 　　2、自适应降噪原理和本文提出的新算法 　　 　　为解决上述问题，人们提出来许多改进算法，如提出了一种自适应算法[1]，主要思想是让相邻两帧的图像信号在运动检测器进行比较，以两者的差值自动控制系数k的大小。自适应降噪的关键就在于运动检测的准确性以及怎样自适应的控制系数k，本文提出的自适应降噪算法是利用噪声级别来自适应的判断运动，再利用帧差来自适应的控制降噪系数k。实验证明，该算法可以在有效降噪的同时消除了降噪过程中出现的拖尾等问题。 　　常用的运动检测是根据两帧之间的帧差来判断的。当帧差大于阈值时，认为是运动；如果小于阈值，则认为是静止。当使用单一阈值时，由于噪声的影响，帧差的大小并不能完全正确的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，由于皮肤区域的相似性，皮肤区域帧差的值会比较小，因此可能会被判断为静止。为了解决上述问题，本文根据噪声对运动拖尾的补偿作用，引入噪声级别对运动进行检测，有效的解决了大量上述的问题。 　　具体的算法：首先检测噪声级别。噪声级别的检测有很多种方法，传统的噪声级别检测就是计算模板内象素的平均值，利用计算得到的平均值与中心象素的值的相减后取其绝对值，当绝对值大于预先设定的阈值时，就认为该象素被噪声污染，将被污染的噪声进行统计，就可得到图象的噪声级别；在这个基础上，有人提出了一种新噪声分析的算法[2]，但是这些算法都是利用象素之间的差来判断噪声，因此受到细节的影响比较大。本文提出的噪声级别检测采用的是一个3×3模板[1,-2,1;-2,4,-2;1,-2,1]，这个模板可以有效的检测出噪声，而不会将图像的细节信息检测出来，尤其是水平和垂直方向上的细节信息，利用这个模板和一帧图像中的亮度分量Y进行卷积得到B。将B的值相累加得到累加值sum，然后由式（1）计算得到图象的噪声级别Th，其中height和width为图象的长度和宽度。 　　 　　 然后利用噪声级别Th对帧差diff限制，其中diff=|Y_cur -Y_pre|，式中Y_cur为当前帧亮度分量，Y_pre为前一帧的亮度分量，这里只对亮度分量描述，对于色度分量采用相同的操作，当diff Th时，就认为是运动区域，diff= Th，否则就认为是静止区域，diff=diff，换句话说，就是将帧差diff限制在Th之内；最后根据diff与k的线性关系（如图3所示），自适应的选择不同的k值对图像进行降噪。 　　 关于帧差与k的关系，有人提出了利用k等于帧差开二次方来实现[3]，本文采用的这种帧差和k的关系，在降噪方面可以达到同样的效果。 　　 　　3、硬件实现 　　 　　为验证此算法运用到实际系统中实时处理的性能，本文使用VerilogHDL语言对所研究的算法进行行为级的描述，并在FPGA平台上进行验证。 　　该硬件电路结构主要由噪声检