一種針對(duì)混合噪聲的視頻去噪方法
【專利摘要】本申請(qǐng)公開了一種針對(duì)混合噪聲的視頻去噪方法，包括：對(duì)含噪視頻序列中的每個(gè)圖像塊進(jìn)行塊匹配，確定對(duì)應(yīng)的相似圖像塊組，將所述含噪視頻序列中所有視頻塊對(duì)應(yīng)的相似圖像塊組構(gòu)成相似圖像塊組集合；對(duì)相似圖像塊組集合中的每個(gè)相似圖像塊組Mi，根據(jù)該相似圖像塊組的局部相似性信息，確定去噪后的相似圖像塊組L；將相似圖像塊組集合中的所有去噪后的相似圖像塊組，重新組成視頻序列并保存或輸出。通過(guò)上述方式，不僅考慮視頻內(nèi)的非局部相似性，同時(shí)還考慮了局部相似性進(jìn)行視頻去噪，有效提高了去噪的性能和效果。
【專利說(shuō)明】
-種針對(duì)混合噪聲的視頻去噪方法
技術(shù)領(lǐng)域
[0001] 本申請(qǐng)?jiān)O(shè)及視頻處理技術(shù)，特別設(shè)及視頻處理技術(shù)中一種多針對(duì)混合噪聲的視頻 去噪方法。
【背景技術(shù)】
[0002] 視頻數(shù)據(jù)在采集、傳輸和儲(chǔ)存時(shí)，很容易受到多種類型的噪聲的影響。例如，視頻 數(shù)據(jù)在光線不足的條件下采集時(shí)，由于光學(xué)傳感器的物理特性的限制，易引入高斯噪聲;視 頻數(shù)據(jù)在傳輸時(shí)，易受到隨機(jī)脈沖噪聲的損壞，包括電磁干擾W及通信系統(tǒng)的故障和缺陷。 針對(duì)高斯噪聲和脈沖噪聲運(yùn)兩類常見(jiàn)的干擾噪聲，需要研究有效的視頻去噪方法，即從遭 受到混合噪聲污染的視頻數(shù)據(jù)中恢復(fù)出原始視頻數(shù)據(jù)。
[0003] 傳統(tǒng)的去噪方法大多數(shù)采用局部去噪的思想，其中較為有效的方法是采用總變分 (Total化riation，TV)模型。但是，僅義用局部去噪的方法容易丟失圖像細(xì)節(jié)f目息，使得去 噪后的圖像過(guò)于平滑。
[0004] 采用非局部的去噪方法能夠相對(duì)較好地保持圖像細(xì)節(jié)紋理。例如，基于塊匹配及 高維濾波的視頻去噪方法BM4D，將非局部均值(nonlocal means，NLM)模型與TV模型結(jié)合而 形成的正則化模型TV-NLM等。但是，大部分非局部的去噪方法僅針對(duì)加性高斯噪聲設(shè)計(jì)，并 不能有效去除脈沖噪聲。
[0005] 目前，已經(jīng)有一些同時(shí)去除脈沖噪聲和加性高斯噪聲的方法。例如，采用塊匹配將 待處理視頻分解為若干相似圖像塊組，并將每個(gè)圖像塊組分解為低秩矩陣和稀疏矩陣之 和，分解出的稀疏矩陣即為脈沖噪聲，低秩矩陣即為去噪后的圖像塊組。上述去噪方法的性 能雖然得到了進(jìn)一步的提升，但是仍然有繼續(xù)提升的空間。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本申請(qǐng)的主要目的在于提供一種針對(duì)混合噪聲的視頻去噪方法，能夠 克服傳統(tǒng)方法在性能上的不足，在相同的噪聲條件下可W獲得更高質(zhì)量的視頻。
[0007] 為達(dá)到上述目的，本申請(qǐng)采用如下技術(shù)方案：
[000引一種針對(duì)混合噪聲的視頻去噪方法，包括：
[0009] a、對(duì)含噪視頻序列中的每個(gè)圖像塊進(jìn)行塊匹配，確定對(duì)應(yīng)的相似圖像塊組，將所 述含噪視頻序列中所有視頻塊對(duì)應(yīng)的相似圖像塊組構(gòu)成相似圖像塊組集合；
[0010] b、對(duì)所述相似圖像塊組集合中的每個(gè)相似圖像塊組Ml,根據(jù)該相似圖像塊組的局 部相似性信息，通過(guò)求解
確定去噪后的相似圖像塊組L其中，Ml為一個(gè)圖像塊組中的各個(gè)圖像塊數(shù)據(jù)按照列向 量排列構(gòu)成的矩陣，L是去噪后的相似圖像塊組中各個(gè)圖像塊數(shù)據(jù)按照列向量排列構(gòu)成的 矩陣，S是分離出的脈沖噪聲分量按照列向量排列構(gòu)成的矩陣，〇3是Ξ維殘差梯度算子，D3L 代表首先將矩陣L中的各列兩兩相減取殘差再計(jì)算殘差的梯度值，E是L的第一近似變量，山 是L的第二近似變量，d2是DsE的近似變量，d3是S的近似變量，bi、b2和b3分別是化egman迭代 第一、第二、第Ξ中間變量;α、β、丫、X分別是預(yù)設(shè)的第一、第二、第Ξ、第四權(quán)衡因子；
[0011] C、將相似圖像塊組集合中的所有去噪后的相似圖像塊組，重新組成視頻序列并保 存或輸出。
[0012] 較佳地，所述通過(guò)求解
[0013]
[0014] 確定去噪后的相似圖像塊組L包括：
[001引通過(guò)求解去噪圖像塊組L子問(wèn)是
脈沖噪聲分量S子問(wèn)題
去噪圖像塊組第一近似 變量E子問(wèn)題
噪圖像塊組第二近似變量di 子問(wèn)題
Ξ維殘差梯度近似變量d 2子問(wèn)題
]脈沖噪聲分量近似變量d 3子問(wèn)題
I計(jì)算去噪后的相似圖像塊組L其中，λι，λ2、λ3是預(yù)設(shè) 的第五、第六、第屯權(quán)衡因子，di是L的第二近似變量，cb是化Ε的近似變量，d3是S的近似變 量，bi、b2和b3分別是化egman迭代第一、第二、第Ξ中間變量。
[0016] 較佳地，所述計(jì)算去噪后的相似圖像塊組L包括：
[0017] 61、將變量1^、5、6、(11、(12、(13、61、62、63分別初始化為扣、0、11、11、0311、0、0、0、0，設(shè)迭 代次數(shù)k = 0;
[001引 b 2、根據(jù)第k次更新后的S、E、d 1、b 1進(jìn)行L的第k + 1次更新，得到
:根據(jù)第k+1次更新后的L和第k次更新后的d3、b3進(jìn)行S的 第k+1次更新，得到
根據(jù)第k+1次更新后的L和第k次更新后的cb、 b2進(jìn)行E的第k+1次更新，得到
癢中，I代表 單位矩陣；
[0019] b3、對(duì)變量山進(jìn)行第k+1次更新，得函
其中，U、A、V分別 是將矩陣
t進(jìn)行奇異值分解后得到的左正交基、對(duì)角矩陣、右正交基;shrink( ·) 是收縮算子;對(duì)變量cb進(jìn)行第k+1次更新，得到
；對(duì)變量d3進(jìn) 行第k+1次更新，得到
[0020] b4、根據(jù)第k次更新后的bi、di和第k+1次更新后的L進(jìn)行bi的第k+1次更新，得到
4良據(jù)第k次更新后的b2、cb和第k+1次更新后的E進(jìn)行b2的第k+1次更 新，得到
，根據(jù)第k次更新后的b3、d3和第k+1次更新后的S進(jìn)行b3的 第k+1次更新，得質(zhì)
[0021] b5、將k進(jìn)行自加后返回步驟bl，直到達(dá)到預(yù)設(shè)的循環(huán)終止條件，并將當(dāng)前第k+1次 更新后的L作為去噪后的相似圖像塊組。
[0022] 較佳地，采用梯度下降法計(jì)算[的+店跨)Λ
[0023] 較佳地，所述循環(huán)終止條件為:循環(huán)迭代次數(shù)k+1達(dá)到預(yù)設(shè)的循環(huán)次數(shù)上限時(shí)，終 止循環(huán);或者，變量L的相對(duì)變化值||1>+1-1>Μρ/| |1>| If小于預(yù)先設(shè)定的循環(huán)終止口限時(shí)， 終止循環(huán)。
[0024] 較佳地，所述循環(huán)上限為30,和/或，循環(huán)終止口限為10一4。
[0025] 由上述技術(shù)方案可見(jiàn)，本申請(qǐng)中，首先對(duì)含噪視頻進(jìn)行塊匹配，得到相似圖像塊組 集合;接下來(lái)，為每個(gè)相似圖像塊組分別建立去噪相似圖像塊組子問(wèn)題、脈沖噪聲分量子問(wèn) 題、去噪圖像塊組第一近似變量子問(wèn)題、去噪圖像塊組第二近似變量子問(wèn)題、Ξ維殘差梯度 近似變量子問(wèn)題、脈沖噪聲分量近似變量子問(wèn)題，并交替迭代求解各子問(wèn)題;在每次迭代結(jié) 束前，更新化egman迭代中間變量;在達(dá)到預(yù)設(shè)的循環(huán)終止條件后，將最近更新的去噪相似 圖像塊組進(jìn)行保存。通過(guò)上述方式，不僅考慮視頻內(nèi)的非局部相似性，同時(shí)還考慮了局部相 似性進(jìn)行視頻去噪，有效提高了去噪的性能和效果。
【附圖說(shuō)明】
[0026] 圖1為本發(fā)明所采用的針對(duì)混合噪聲的視頻去噪方法流程圖；
[0027] 圖2a為包含脈沖噪聲和高斯噪聲的測(cè)試視頻序列"Bus";
[0028] 圖化為采用中值濾波結(jié)合BM4D的方法去噪后的視頻序列"Bus";
[0029] 圖2c為采用本申請(qǐng)實(shí)施例的方法去噪后的視頻序列"Bus";
[0030] 圖3a為包含脈沖噪聲和高斯噪聲的測(cè)試視頻序列"Mobile";
[0031] 圖3b為采用中值濾波結(jié)合BM4D的方法去噪后的視頻序列"Mobile";
[0032] 圖3c為采用本申請(qǐng)實(shí)施例的方法去噪后的視頻序列"Mobile"。
【具體實(shí)施方式】
[0033] 為了使本申請(qǐng)的目的、技術(shù)手段和優(yōu)點(diǎn)更加清楚明白，W下結(jié)合附圖對(duì)本申請(qǐng)做 進(jìn)一步詳細(xì)說(shuō)明。
[0034] 首先，分析【背景技術(shù)】中去噪方法存在的問(wèn)題及其原因。對(duì)于【背景技術(shù)】中提到的采 用塊匹配分解為若干相似圖像塊組并分解為低秩矩陣和稀疏矩陣之和的方法，雖然能夠同 時(shí)去除脈沖噪聲和加性高斯噪聲，但是在去噪處理的過(guò)程中，沒(méi)有考慮圖像塊組在梯度域 上的稀疏特性，也就是說(shuō)，該方法僅利用了視頻內(nèi)的非局部相似性，而沒(méi)有利用局部相似 性，因此導(dǎo)致其去噪效果仍然不夠理想。
[0035] 基于上述對(duì)現(xiàn)有去噪方法性能缺陷的原因分析，本發(fā)明提出一種全新的混合噪聲 的視頻去噪方法，充分利用視頻內(nèi)的局部相似性W及非局部相似性，W進(jìn)一步提升去噪后 視頻的質(zhì)量。具體地，本申請(qǐng)?zhí)岢龅囊曨l去噪方法中，對(duì)含噪視頻使用塊匹配分解成多個(gè)相 似圖像塊組，利用相似圖像塊組的低秩特性W及局部先驗(yàn)信息建立最優(yōu)化問(wèn)題，用于進(jìn)行 視頻去噪處理，具體包括：
[0036] 步驟a,對(duì)含噪視頻序列中的每個(gè)圖像塊進(jìn)行塊匹配，確定對(duì)應(yīng)的相似圖像塊組， 將含噪視頻序列中所有視頻塊對(duì)應(yīng)的相似圖像塊組構(gòu)成相似圖像塊組集合。
[0037] 具體地，在包含脈沖噪聲W及高斯噪聲的含噪視頻序列上進(jìn)行塊匹配，得到含噪 相似圖像塊組集合{Ml}。其中，集合{Ml}將含噪相似圖像塊組中的每個(gè)正方形圖像塊數(shù)據(jù)按 照列向量排列，Ml代表第i個(gè)含噪相似圖像塊組形成的矩陣。塊匹配為現(xiàn)有技術(shù)，例如，可W 將圖像塊大小選取為8 X 8，對(duì)每個(gè)圖像塊，在前后50帖上尋找共計(jì)250個(gè)與其最相似的圖像 塊形成一個(gè)相似圖像塊組。在得到所有相似圖像塊組后，對(duì)每個(gè)含噪相似圖像塊組執(zhí)行下 述步驟進(jìn)行噪聲去除。
[0038] 步驟b，對(duì)相似圖像塊組集合中的每個(gè)相似圖像塊組Ml,根據(jù)該相似圖像塊組的局 部相似性信息，確定去噪后的相似圖像塊組L。
[0039] 首先，介紹一下利用相似圖像塊組低秩特性和局部先驗(yàn)信息建立的最優(yōu)化問(wèn)題。
[0040] 在進(jìn)行去噪處理時(shí)，W相似圖像塊組為單位進(jìn)行，最優(yōu)化問(wèn)題也是針對(duì)每個(gè)相似 圖像塊組建立的。設(shè)置L表示去噪后的相似圖像塊組中各個(gè)圖像塊數(shù)據(jù)按照列向量排列構(gòu) 成的矩陣，S表示分離出的脈沖噪聲分量按照列向量排列構(gòu)成的矩陣。本申請(qǐng)中引入相似圖 像塊組梯度域的處理來(lái)表示相似圖像塊組的局部相似性信息，具體地，利用min II D3L II1來(lái) 表征局部相似性，其中，〇3是Ξ維殘差梯度算子，D3L代表首先將矩陣L中的各列兩兩相減取 殘差再計(jì)算殘差的梯度值，I I · Ml表示取1范數(shù)，將該取1范數(shù)后的結(jié)果最小化即能夠反映 相似圖像塊組的局部相似性。
[0041] 具體地，最基本的最優(yōu)化問(wèn)題為
[0042]
[0043] 在上述最優(yōu)化問(wèn)題中，引入了 II化L||i，同時(shí)利用對(duì)整個(gè)求和結(jié)果進(jìn)行的最小化， 間接實(shí)現(xiàn)了的II化L||i最小化，從而使得上述最優(yōu)化問(wèn)題（1)考慮了相似圖像組的局部相似 性信息，正是由此，使得去噪后的相似圖像塊組既能夠同時(shí)去除脈沖噪聲和高斯加性噪聲， 同時(shí)還考慮了視頻的局部相似性，因此去噪效果優(yōu)于現(xiàn)有技術(shù)。
[0044] 為進(jìn)行公式（1)的求解，引入了新的變量6，(11，(12，(13，基于引入的新變量，將公式 (1) 中最基本的最優(yōu)化問(wèn)題進(jìn)一步變形為如下形式：
[0045]
[0046] 其中，E是L的第一近似變量，di是L的第二近似變量，cb是化E的近似變量，d3是S的 近似變量，bi、b2和b3分別是化egman迭代第一、第二、第Ξ中間變量;α、β、丫、X分別是預(yù)設(shè)的 第一、第二、第Ξ、第四權(quán)衡因子。上述公式（2)即為本申請(qǐng)中設(shè)置的最優(yōu)化問(wèn)題的最終形 式。通過(guò)求解公式(2)確定去噪后的相似圖像塊組，在公式(2)中的化Ε近似于公式（1)中的 化L，因此
的最小化也就反映了相似圖像塊組的局部相似性，從而保證確定 出的去噪后的相似圖像塊組能夠獲得較好的圖像質(zhì)量。
[0047] 在利用公式(2)確定去噪后的相似圖像塊組L時(shí)，可W采用各種可行的方法對(duì)公式 (2) 進(jìn)行求解，本申請(qǐng)對(duì)于具體的求解方式不做限定。同時(shí)，無(wú)論采用何種求解方法，確定出 的L都利用了局部相似性信息，因此，去噪后的相似圖像塊組均能夠具備更優(yōu)的圖像質(zhì)量。
[0048] 步驟C，將所有去噪后的相似圖像塊組排列成視頻序列保存或輸出。
[0049] 至此，即完成了本申請(qǐng)中的針對(duì)混合噪聲的視頻去噪方法。
[0050] 下面針對(duì)公式(2)，給出一種具體的求解方式。當(dāng)然，本申請(qǐng)不限于該求解方式。具體 地，可W將公式(2)分解成若干子問(wèn)題再交替迭代進(jìn)行求解。更詳細(xì)地，為每個(gè)相似圖像塊組分 別建立去噪相似圖像塊組L子問(wèn)題
脈沖噪聲分量S子問(wèn)題
去噪圖像塊組第一近 似變量Ε子問(wèn)題
去噪圖像塊組第二近似變量山子 問(wèn)題Ξ維殘差梯度近似變量d 2子問(wèn)題 I '
-
脈沖噪聲分量近似變量d 3子問(wèn)題
，求解該六個(gè)子問(wèn)題，從而確定去噪后的相似圖像塊組 L。具體地，可W通過(guò)交替迭代求解上述各子問(wèn)題;并在每次迭代結(jié)束前，更新化egman迭代 中間變量;在達(dá)到預(yù)設(shè)的循環(huán)終止條件后，將最近更新的去噪相似圖像塊組進(jìn)行保存。
[0051] 下面通過(guò)具體實(shí)施例說(shuō)明本申請(qǐng)的具體實(shí)現(xiàn)。圖1為本申請(qǐng)所采用的針對(duì)混合噪 聲的視頻去噪方法流程圖。如圖1所示，該方法包括W下步驟：
[0052] 步驟100:對(duì)含噪視頻進(jìn)行塊匹配，得到相似圖像塊組集合。
[0053] 本步驟的處理與前述步驟a相同，運(yùn)里就不再寶述。
[0化4] 步驟101:設(shè)置i = l。
[0055] 運(yùn)里，i代表相似圖像塊組的序號(hào)，初始值為1。
[0056] 步驟102:設(shè)置k = 0，初始化相關(guān)變量。
[0057] 運(yùn)里，k代表循環(huán)的迭代次數(shù)，初始值為1。將變量1^、5、6、山、(12、(13、131、62、63分別初 始化為 Mi、0、Mi、Mi、D3Mi、0、0、0、0。
[005引其中，L是去噪后的相似圖像塊組，S是分離出的脈沖噪聲分量，E是L的第一近似變 量，山是L的第二近似變量，d2是化E的近似變量，d3是S的近似變量，bi、b2和b3分別是化egman 迭代第一、第二、第Ξ中間變量;03是Ξ維殘差梯度算子，D3L代表首先將矩陣L中的各列兩兩 相減取殘差，再計(jì)算殘差的梯度值。
[0化9 ]步驟103:進(jìn)行變量L、S、E的第k+1次更新。
[0060]具體地，如前所述，為了求解公式(2)，需要分別計(jì)算去噪圖像塊組L子問(wèn)題
[0066] 其中，α、β、丫、X分別是預(yù)設(shè)的第一、第二、第Ξ、第四權(quán)衡因子，在本實(shí)例中分別取 經(jīng)驗(yàn)值為α = 0.1σ，β = 〇.〇1σ，丫 =0.01〇，乂 = 0.03〇,〇是視頻中高斯噪聲的標(biāo)準(zhǔn)差。
[0067] 其中，通過(guò)求解公式(3)，得到變量L的第k+1次更新的計(jì)算公式為
[0068]
( 6 )
[0069] 通過(guò)求解公式(4)，得到變量S的第k+1次更新的計(jì)算公式為
[0070]
(7)
[0071] 通過(guò)求解公式(5)，得到變量E的第k+1次更新的計(jì)算公式為
[00巧
（8 )
[0073] 其中，I是單位矩陣；在計(jì)算|>/+片邱馬^時(shí)，需要進(jìn)行矩陣求逆，為了降低復(fù)雜 度，優(yōu)選地，可W采用梯度下降法計(jì)算公式(8)。梯度下降法是現(xiàn)有技術(shù)，在此不再寶述。
[0074] 步驟104:進(jìn)行變量di、cb和d3的第k+1次更新。
[0075] 具體地，為了求解公式(2)，需要分別求解去噪圖像塊組第二近似變量di子問(wèn)題
[0076]
(9)
[0077] Ξ維殘差梯度近似變量cb子問(wèn)題
[0078]
(10)
[0079] 脈沖噪聲矩陣近似變量d3子問(wèn)題
[0080]
( 11 )
[0081] 其中，λι，λ2和λ3是預(yù)設(shè)的第五、第六、第屯權(quán)衡因子，在本實(shí)例中分別取經(jīng)驗(yàn)值為 10α，20β和 100 丫。
[0082] 其中，通過(guò)求解公式(9)，得到di的第k+1次更新的計(jì)算公式為
[0083] (12 )
[0084] 其中，U、A、V分別是將矩陣(必+1 +6f )進(jìn)行奇異值分解后得到的左正交基、對(duì)角矩 陣、右正交基;shrink(.)是收縮算子，為現(xiàn)有技術(shù)，在此不再寶述。
[0085] 通過(guò)求解公式(10)，得到cb的第k+1次更新的計(jì)算公式為
[0086] (1:3 )
[0087]通過(guò)求解公式(11)，得到d3的第k+1次更新的計(jì)算公式為 [008引 (14)
[0089] 步驟105:進(jìn)行變量bi、b2和b3的第k+1次更新。
[0090] 具體地，根據(jù)化egman迭代方法，bi、b2和b3的第k+1次更新的計(jì)算公式分別為
[0094]步驟106:判斷是否滿足循環(huán)迭代終止條件，若循環(huán)迭代終止條件滿足，則進(jìn)入步 驟107;否則將k自加返回步驟103。
[00%]具體的循環(huán)迭代終止條件可W根據(jù)性能需求和復(fù)雜度進(jìn)行設(shè)定，本申請(qǐng)不做限 定。例如可W在下述任一條件滿足時(shí)，認(rèn)為循環(huán)迭代終止條件滿足：
[0096] A、迭代次數(shù)k+1到達(dá)內(nèi)循環(huán)上限N"N可W根據(jù)實(shí)際需求設(shè)定，基于復(fù)雜度和方法性 能的權(quán)衡考慮，在本實(shí)例中N取值為30;
[0097] B、變量L的相對(duì)變化值過(guò)小，即：Μ?>+?-1>|Μ|?>||ρ<τ。其中Lk代表第k次迭代下L 的更新值，τ是口限值，τ的具體取值可W根據(jù)實(shí)際需求設(shè)定，基于復(fù)雜度和方法性能的權(quán)衡 考慮，在本實(shí)例中取值為1 0-4。
[0098] 步驟107:將最近更新的L作為去噪后的第i個(gè)相似圖像塊組保存。
[0099] 步驟108:判斷是否已經(jīng)處理所有的相似圖像塊組，若處理完畢，則進(jìn)入步驟109; 否則將i自加返回步驟102。
[0100] 步驟109:將所有去噪后的相似圖像塊組排列成視頻序列保存或輸出。
[0101] 至此，即完成了本實(shí)施例中的針對(duì)混合噪聲的視頻去噪方法。
[0102] 需要進(jìn)一步說(shuō)明的是，本申請(qǐng)中的混合噪聲的視頻去噪方法只適用于同時(shí)受到高 斯噪聲和脈沖噪聲干擾的視頻序列中的噪聲去除技術(shù)。
[0103] 為說(shuō)明本申請(qǐng)重建方法的性能，在Matlab平臺(tái)中進(jìn)行仿真，分別采用圖1所述實(shí)施 例中的重建方法與現(xiàn)有的中值濾波結(jié)合BM4D的視頻去噪方法進(jìn)行比較。采用的測(cè)試視頻序 列為巧US"、叮empete"和"Mobile";圖像尺寸為352 X 288。
[0104] 表1展示了在不同級(jí)別的高斯噪聲和脈沖噪聲干擾下，3個(gè)測(cè)試圖像的去噪結(jié)果峰 值信噪比（Peak Si即al to Noise Ratio,PSNR)比較。其中，日代表高斯噪聲的標(biāo)準(zhǔn)差，P代 表脈沖噪聲出現(xiàn)的概率。從表1的結(jié)果可知，本發(fā)明方法效果明顯好于中值濾波結(jié)合BM4D的 視頻去噪方法，特別是對(duì)于"Mobile"序列，PSNR的增益在所有噪聲條件下均達(dá)到或超過(guò) 4地。
[0105] 圖2a和圖3a分別給出了在噪聲級(jí)別為（0 = 10，p= 15%)的前提下"Bus"序列和 "Mobile"序列下的原始含噪視頻、中值濾波結(jié)合BM4D的視頻去噪方法結(jié)果W及本發(fā)明方法 的結(jié)果的主觀質(zhì)量比較。從圖2b和圖3b中可W看出，采用中值濾波結(jié)合BM4D的方法得到的 結(jié)果過(guò)于平滑，圖像細(xì)節(jié)信息丟失明顯，并且由于脈沖噪聲去除不徹底，圖2b和圖3b對(duì)應(yīng)的 彩色圖像會(huì)明顯看到出現(xiàn)了偽色彩;從圖2c和圖3c中可W看出，采用本實(shí)施例中的去噪方 法，有明顯的主觀質(zhì)量提升，邊緣和細(xì)節(jié)信息更為清晰。
[0106]
[010引表1不同噪聲條件下測(cè)試序列的PSNR比較(地）
[0109] 總之，采用本申請(qǐng)所述的方法，能夠充分利用視頻內(nèi)的非局部相似性W及局部相 似性，建立最優(yōu)化問(wèn)題并交替迭代求解，從而克服傳統(tǒng)視頻去噪方法的不足，大幅度提升去 噪視頻質(zhì)量。
[0110] W上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用W限制本發(fā)明，凡在本發(fā)明的精 神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種針對(duì)混合噪聲的視頻去噪方法，其特征在于，該方法包括： a、 對(duì)含噪視頻序列中的每個(gè)圖像塊進(jìn)行塊匹配，確定對(duì)應(yīng)的相似圖像塊組，將所述含 噪視頻序列中所有視頻塊對(duì)應(yīng)的相似圖像塊組構(gòu)成相似圖像塊組集合； b、 對(duì)所述相似圖像塊組集合中的每個(gè)相似圖像塊組I，根據(jù)該相似圖像塊組的局部相 似性信息，通過(guò)求解確定去噪后的相似圖像塊組L;其中，M,為一個(gè)圖像塊組中的各個(gè)圖像塊數(shù)據(jù)按照列向 量排列構(gòu)成的矩陣，L是去噪后的相似圖像塊組中各個(gè)圖像塊數(shù)據(jù)按照列向量排列構(gòu)成的 矩陣，S是分離出的脈沖噪聲分量按照列向量排列構(gòu)成的矩陣，D 3是三維殘差梯度算子，D3L 代表首先將矩陣L中的各列兩兩相減取殘差再計(jì)算殘差的梯度值，E是L的第一近似變量，cU 是L的第二近似變量，(1 2是0疋的近似變量，d3是S的近似變量，h、b#Pb3分別是Bregman迭代 第一、第二、第三中間變量;α、β、γ、x分別是預(yù)設(shè)的第一、第二、第三、第四權(quán)衡因子； c、 將相似圖像塊組集合中的所有去噪后的相似圖像塊組，重新組成視頻序列并保存或 輸出。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過(guò)求解確定去噪后的相似圖像塊組L包括： 通過(guò)求解去噪圖像塊組L子問(wèn)I脈沖噪聲分量S子問(wèn)遇丨噪圖像塊組第一近 似變量E子問(wèn)題去噪圖像塊組第二近似變 量di子問(wèn)題三維殘差梯度近似變量cb子問(wèn)題和脈沖噪聲分量近似變量d 3子問(wèn)題f算去噪后的相似圖像塊組L;其中，心，\2、\ 3是預(yù)設(shè) 的第五、第六、第七權(quán)衡因子，cU是L的第二近似變量，(12是0疋的近似變量，d3是S的近似變 量，h、b2和b3分別是Bregman迭代第一、第二、第三中間變量。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述計(jì)算去噪后的相似圖像塊組L包括： 131、將變量1^4、(1 1、(12、(13、131、132、13 3分別初始化為吣、0、]^、]^、03]^、0、0、0、0，設(shè)迭代次 數(shù) k = 0; b 2、根據(jù)第k次更新后的S、E、d i、b i進(jìn)行L的第k + 1次更新，得到;根據(jù)第k+1次更新后的L和第k次更新后的d3、b 3進(jìn)行S 的第k+Ι次更新，得?f據(jù)第k+1次更新后的L和第k次更新后 的d2、b2進(jìn)行E的第k+Ι次更新，得到i 中，I代表單位矩陣； b3、對(duì)變量cb進(jìn)行第k+Ι次更新，得;其中，U、A、V分別是將 矩陣(於+1+,〇進(jìn)行奇異值分解后得到的左正交基、對(duì)角矩陣、右正交基;shrink( ·)是收 縮算子;對(duì)變量d2進(jìn)行第k+Ι次更新，得至[| 對(duì)變量d3進(jìn)行 第k+Ι次更新，得到<b4、根據(jù)第k次更新后的In、cU和第k+Ι次更新后的L進(jìn)行In的第k+Ι次更新，得到 _ .. 根據(jù)第k次更新后的b 2、d2和第k+Ι次更新后的E進(jìn)行b2的第k+Ι次更 新，得到#+1 =? + ，根據(jù)第k次更新后的b3、d3和第k+Ι次更新后的S進(jìn)行b 3的 第k+Ι次更新，得到鳑+1 =力| +於+1 - 4+1; b5、將k進(jìn)行自加后返回步驟bl，直到達(dá)到預(yù)設(shè)的循環(huán)終止條件，并將當(dāng)前第k+Ι次更新 后的L作為去噪后的相似圖像塊組。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，采用梯度下降法計(jì)算(// + 。5. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述循環(huán)終止條件為:循環(huán)迭代次數(shù)k+Ι達(dá) 到預(yù)設(shè)的循環(huán)次數(shù)上限時(shí)，終止循環(huán);或者，變量L的相對(duì)變化值| |Lk+1-Lk| |F/| |Lk| |F小于 預(yù)先設(shè)定的循環(huán)終止門限時(shí)，終止循環(huán)。6. 根據(jù)權(quán)利要求5所述的方法，其特征在于，所述循環(huán)上限為30,和/或，循環(huán)終止門限 為10-4。
【文檔編號(hào)】H04N5/21GK105872315SQ201610199938
【公開日】2016年8月17日
【申請(qǐng)日】2016年4月1日
【發(fā)明人】常侃, 張智勇, 陳誠(chéng), 覃團(tuán)發(fā), 唐振華
【申請(qǐng)人】廣西大學(xué)