一种基于主成分分析的视频噪声估计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107295217A(43)申请公布日2017.10.24(21)申请号201710524401.0(22)申请日2017.06.30(71)申请人中原智慧城市设计研究院有限公司地址451162河南省郑州市航空港区新港大道南段西侧5号楼202室(72)发明人陈长宝杜红民侯长生孔晓阳王茹川郭振强郧刚王磊王莹莹肖进胜(74)专利代理机构郑州德勤知识产权代理有限公司41128代理人黄红梅(51)Int.Cl.H04N5/21(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于主成分分析的视频噪声估计方法(57)摘要本发明提出了一种基于主成分分析的视频噪声估计方法，充分利用视频序列的相关性，在相邻帧图像之间进行相似块的搜索，基于最小代价准则获得相邻帧图像之间的差分图像，消除视频运动的影响，得到初步的弱纹理差分图像；同时，又引入基于视频块的噪声估计，自适应的获取噪声水平参数，并提出正态分布函数作为文中选择弱纹理块的阈值函数，降低计算复杂度；另外还设置明确的迭代指标使得估计的噪声水平更加精确，避免在高噪声水平下的低估现象。本文提出的视频噪声估计算法估计精确，可运用到盲视频去噪领域，具有广阔的应用前景。CN107295217ACN107295217A权利要求书1/1页1.一种基于主成分分析的视频噪声估计方法，其特征在于，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。2.根据权利要求1所述的基于主成分分析的视频噪声估计方法，其特征在于：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。3.根据权利要求1或2所述的基于主成分分析的视频噪声估计方法，其特征在于：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。2CN107295217A说明书1/4页一种基于主成分分析的视频噪声估计方法技术领域[0001]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[0002]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。[0003]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。发明内容[0004]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。[0005]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：[0006]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；[0007]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；[0008]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；[0009]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；[0010]步骤5，将所有弱纹理图像块组成一个大的