一种基于主成分分析的视频噪声估计方法与流程

本发明涉及一种视频噪声估计方法，具体的说，涉及了一种基于主成分分析的视频噪声估计方法。

背景技术：

视频信号在捕捉、记录和传输的过程中都可能引入噪声。引入的噪声严重降低视频画面质量，影响观众的视觉体验。而视频去噪是将数字视频图像的特点与现有的信号处理技术相结合，尽可能的降低视频图像中噪声干扰的一种多媒体信息处理技术。目前存在的大多数视频去噪算法的性能都不同程度地依赖于含噪视频中的噪声参数。虽然通过各种各样的算法，可以达到很理想的去噪效果，但大多数算法都有个假设前提，即噪声强度是预先知道的。人为给定噪声参数或者噪声参数不准确，都会导致去噪效果不理想。因此对于含噪视频的噪声参数估计是视频去噪研究中一个关键性问题。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

技术实现要素：

本发明的目的是针对现有技术的不足，从而提供了一种基于主成分分析的视频噪声估计方法。

为了实现上述目的，本发明所采用的技术方案是：一种基于主成分分析的视频噪声估计方法，包括以下步骤：

步骤1，输入含噪视频帧，对当前帧图像与下一帧图像进行块匹配，并分别计算当前帧图像与下一帧图像中每对对应子块的差分图像块，选取匹配效果最佳的一对对应子块的差分图像块作为原始含噪图像；

步骤2，计算原始含噪图像的方差，作为初始噪声水平，并利用该初始噪声水平计算初始阈值；

步骤3，将当前帧图像的所有子块写成列向量的形式，计算每个子块的梯度矩阵、梯度矩阵对应的梯度协方差矩阵以及梯度协方差矩阵的最大特征值；

步骤4，选取梯度协方差矩阵的最大特征值小于初始阈值的子块，标记为弱纹理图像块；

步骤5，将所有弱纹理图像块组成一个大的数据矩阵，并计算数据矩阵对应的协方差矩阵；

步骤6，对协方差矩阵做特征分解，得到其所有的特征值，将最小的特征值作为噪声水平的估计值，并利用该噪声水平的估计值计算阈值；

步骤7，计算每个弱纹理图像块对应的梯度矩阵、梯度矩阵对应的协方差矩阵以及协方差矩阵的最大特征值；

步骤8，选取梯度协方差矩阵的最大特征值小于阈值的弱纹理图像块，重复步骤5至步骤7，直至达到预设迭代指标时停止。

基于上述，步骤2和步骤6中分别采用正态分布函数计算初始阈值和阈值。

基于上述，步骤8中，预设迭代指标为迭代次数达到预设次数或者前后两次估计的噪声水平差值与前次估计值的比例小于预设比例。

本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明通过前后两帧含噪图像计算初次估计噪声而不需要人为给定噪声参数，降低了图像信息对噪声估计的影响，能够广泛地适应各种类型的图片，噪声估计的误差较小，估计结果更精确。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

如图1所示，一种基于主成分分析的视频噪声估计方法，包括以下步骤：

步骤1，输入含噪视频帧，对当前帧图像与下一帧图像进行块匹配，并分别计算当前帧图像与下一帧图像中每对对应子块的差分图像块，选取匹配效果最佳的一对对应子块的差分图像块作为原始含噪图像；

具体的，视频图像序列的前后两帧图像在时间上具有很强的相关性，对于原本拥有很多纹理和细节信息的块，如果它在前后两帧具有较强的相关性，那么其差分的结果仍然会产生一个平滑块，从而降低了图像信息对噪声估计的影响；

假设采集到的视频图像为i(i,j,n)＝s(i,j,n)+n(i,j,n)

其中，s(i,j,n)为原始不含噪的视频帧，n(i,j,n)为噪声信号，n为帧编号，i、j是像素坐标；

经过块匹配，选择匹配效果最佳的一对对应子块计算相邻帧图像之间差分图像块；

对于匹配效果最佳的一对对应子块有：s(i,j,n)＝s(i′,j′,n+1)

根据最小代价得到相邻帧图像之间差分图像块：

d(i,j,n)＝i(i,j,n)+i(i′,j′,n+1)＝n(i,j,n)-n(i′,j′,n+1)；

接下来将上述相邻帧图像之间差分图像块作为原始含噪图像进行后续计算。

步骤2，假如原始视频图像的实际噪声方差为根据概率计算可得原始含噪图像的初始噪声水平有：

接下来继续利用原始含噪图像的噪声方差计算初始阈值，本发明中采用正态分布函数来计算阈值，简化了算法模型，降低了计算复杂度。

正常情况下，阈值计算公式为：

其中，f^-1(δ,α,β)为gamma分布的累积分布函数的逆函数，为形状参数，β为尺度参数，n²是图像块中的像素数；δ为人为给定的显著性水平，σn为高斯噪声的标准差；dh为水平方向的求导算子，dv为垂直方向的求导算子；tr表示求迹操作，t表示矩阵转置操作；

由于求导算子的大小只与图像块的大小有关，不受原始含噪图像的影响，因此当3阶滤波算子时，水平方向的求导算子dh和垂直方向的求导算子dv为常矩阵，也为常矩阵，进而求得

由gamma概率密度图可以得知，当ɑ足够大时gamma分布近似正态分布。同时，按照中心极限定理，独立同分布的随机变量之和趋于正态分布。由中心极限定理推导可以得到：

其中，μ＝αβ，σ²＝αβ²＝μβ。

因此求得正态分布的均值和方差为：

从而得到阈值计算简化公式：

将初始噪声水平代入后可得初始阈值τ0为

步骤3，将当前帧图像的所有子块写成列向量的形式，记为yi,yi是第i个子块，计算每个子块的梯度矩阵梯度矩阵对应的梯度协方差矩阵以及梯度协方差矩阵的最大特征值；

其中，

步骤4，选取梯度协方差矩阵的最大特征值小于初始阈值τ0的子块，标记为弱纹理图像块；

步骤5，将所有弱纹理图像块组成一个大的数据矩阵m，并计算数据矩阵m对应的协方差矩阵∑m；

步骤6，对协方差矩阵∑m做特征分解，得到其所有的特征值，将最小的特征值作为噪声水平的估计值记为并将该噪声水平的估计值代入阈值计算简化公式以计算阈值τ

步骤7，计算每个弱纹理图像块对应的梯度矩阵梯度矩阵对应的协方差矩阵以及协方差矩阵的最大特征值；

步骤8，选取梯度协方差矩阵的最大特征值小于阈值τ的弱纹理图像块，重复步骤5至步骤7，直至达到迭代次数达到预设次数或者前后两次估计的噪声水平差值与前次估计值的比例小于预设比例时停止迭代。

具体实施时，当迭代次数达到6次或者前后两次估计的噪声水平差值与前次估计值的比例小于2％时停止迭代。

最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。