摘  要： 針對監控視頻圖像的特點，提出了一種基于時空聯合的實時視頻降噪算法。該算法通過結合多幀圖像進行運動檢測，自適應地區分圖像的運動區域和靜止區域，對靜止區域采用時域加權均值濾波，對運動區域采用空域ANL濾波。實驗結果表明，該算法由于準確地區分了圖像的運動區域和靜止區域，充分利用了視頻的時域、空域信息，在不造成運動拖影的前提下，能夠顯著提高視頻的信噪比和圖像的主觀質量，同時滿足實時性要求。
關鍵詞： 時空聯合；運動檢測；視頻降噪；ANL算法

    視頻監控以其直觀、方便、信息內容豐富而廣泛應用于安防、監控等場合，成為金融、商業、交通乃至住宅、社區等領域安全防范的重要手段，為這些行業的安全防范和環境監控起到了不可忽視的作用。然而受監控環境、光照變化等影響，噪聲一直是實時視頻監控中不可回避的問題，也成為影響視頻質量的重要因素。
　目前視頻降噪的方法主要分為空域降噪法和時域降噪法兩類。空域降噪法一般基于低通濾波的方法，但在視頻監控中，由于空域濾波沒有充分利用時域信息，效果并不理想。時域降噪法既可以有效去除噪聲也可以很好地保護圖像的細節，可是單純的時域濾波會引入運動拖影現象。參考文獻[1]提出了一種基于運動補償的時域自適應視頻降噪算法，該算法時間復雜度相對較高，而且為了滿足實時性，不能結合多幀數據進行濾波，只考慮了前一幀數據，因而影響了降噪效果。參考文獻[2]提出了結合運動檢測區分每幀圖像的運動區域和非運動區域，再分別對不同的區域采用不同的濾波策略。這種結合了時域、空域的視頻濾波降噪算法充分利用了視頻的時域、空域信息,能夠避免使用單個算法的缺點，得到了不錯的效果，然而，這種時空聯合去噪方法的效果取決于運動檢測的精確度。
　針對監控視頻圖像的特點，本文提出了一種基于時空聯合的實時視頻降噪算法。通過結合多幀圖像進行運動檢測，自適應地區分圖像的運動區域和靜止區域，對靜止區域采用時域加權均值濾波，對運動區域采用空域ANL濾波。實驗結果表明，該方法能夠顯著提高視頻的信噪比和圖像的主觀質量，而且沒有運動拖影和明顯的細節信息丟失，并在視頻監控系統中得到了商業化的應用。
1 基于運動檢測的時空聯合視頻降噪算法
1.1算法流程
　基于運動檢測的時空聯合視頻降噪流程如圖1所示。

　具體步驟如下：
　(1) 以4像素×4像素大小的宏塊為基本處理單位，進行噪聲方差的估計；
　(2) 結合噪聲方差設置運動檢測的閾值T;
   (3) 利用宏塊的像素值之和進行運動檢測;
   (4) 針對不同的區域，對運動區域進行ANL濾波，對非運動區域進行時域均值濾波。
1.2 運動檢測算法
　運動檢測算法是本算法的核心，它決定整個算法的性能。運動檢測的方法主要有背景差分法、時間差分法和光流法。光流法計算復雜而且抗干擾性差，一般無法做到實時處理。幀間差分法只檢測相對運動的物體，因兩幅圖像之間的時間間隔較短，差分圖像受光線變化影響小，檢測有效而穩定，但該方法存在忽視兩幀間物體重疊部位形成空洞和檢測出的物體的位置不精確的缺陷。與幀間差分法相比，背景差分法一般能夠提供較完全的特征數據，得到較精確的目標圖像，但在實際應用中，由于進行比較的兩幅圖像攝自不同的時刻，因此容易受光照變化、風等自然因素和其他人為因素的影響，出現許多偽運動目標點，影響目標檢測的效果[3]。
　    在視頻監控中，時域降噪的效果遠比空域降噪要好，在不造成運動拖影的前提下應以時域降噪為主，使降噪的效果最優，因此運動檢測相當關鍵。參考文獻[2]采用幀間差分法，但是參考文獻[2]判斷運動和靜止塊的準則是：若當前幀的當前子塊與前幀對應子塊中超過80%的塊滿足設定條件，當前子塊才被判斷為靜止區域。這種方法使得很多靜止的區域被誤判為運動的區域，從而降低了去噪的效果，同時帶來過多的使用空域降噪而引起的在視頻序列應用上的閃爍問題。本文提出只要當前幀的當前子塊與前幀對應子塊中有一個子塊滿足設定條件，當前子塊就被判斷為靜止區域，進而采用加權時域均值濾波[4]。
　　首先將待處理的視頻幀劃分成4像素×4像素的宏塊。宏塊的選取不宜過大也不宜過小，宏塊越大檢測出來的運動區域越不精細，從而導致運動的區域過多,影響降噪的效果。宏塊選取過小會造成運動檢測不準確，特別是在高噪聲背景下檢測。這是因為本文為了進一步減少噪聲的干擾，采用宏塊的像素值之和作為設置運動檢測閾值的判斷準則,這相當于做了一次簡單的均值濾波。劃分宏塊后，計算宏塊的像素值之和，然后進行比較，若兩對應宏塊像素值和的差值的平方小于閾值T，則認為是靜止狀態。具體的步驟如下(記當前幀為k，宏塊的橫坐標和縱坐標分別為i、j）：

1.4 空域降噪中的ANL算法
　對于當前幀中判定為運動區域的塊,采用空域降噪。傳統的空域降噪方法有均值濾波、中值濾波、加權均值濾波等，這些方法都會造成明顯的細節信息丟失[5]。空域降噪的算法中，Non_local means是一種性能優良的算法，特別是基于Non_local means的鄰域自適應算法(簡稱ANL算法)降噪效果很好[6]，本文采用ANL作為時空聯合降噪算法中的空域降噪方法。
　    假設被噪聲污染的圖像為v={v(x)|x∈I}，則濾波之后的圖像表示為NL[v](x)，對于每一個像素x，通過計算其加權平均來得到去噪之后的圖像：

    如圖2所示，圖中粗線區域中心A表示待處理點，其右上方鄰域的點B為要加權平均的點，即虛線區域中心像素點，為了計算此點的權值，以待處理點A為中心的3×3的矩形窗口和B點為中心的3×3矩形窗口內像素點對應相減的平方和，即(1-1′)2+(2-2′)2…來度量權值。本文采用9×9大小的搜索范圍，相似矩形區域為3×3。

2 實驗結果與分析
　為了說明算法的有效性，本文對添加了高斯噪聲的bridge-far測試序列進行了仿真實驗，實驗結果如圖3所示。
　從圖3(c)和圖3(d)的背景可以發現圖3(d)的去噪效果比圖3(c)的要好，說明本文提出的運動檢測算法對運動和靜止區域的判斷更合理。對于圖3(e)和圖3(f)兩種空域降噪算法，ANL算法明顯要比空域自適應降噪算法好很多。從圖3(g)和圖3(h)中可以看出，本文提出的時空聯合降噪算法比參考文獻[3]中的算法更好，而且從快速飛入的小鳥和緩慢前進的大船可以看出本算法可

    針對監控視頻圖像的特點，提出了一種基于時空聯合的實時視頻降噪算法。通過結合多幀圖像進行運動檢
測，分別對非運動區域做時域均值濾和對運動區域做空域ANL濾波。實驗結果表明,本文提出的降噪算法不僅可以實時有效地去除噪聲，而且沒有造成運動拖影和明顯的細節信息丟失。該算法已在視頻監控系統中得到商業化的應用。
參考文獻
[1] 李巖,喬彥峰，高豐端，等.一種基于運動補償的時域自適應視頻降噪算法[J].電子器件, 2007,3(5):166-169.
[2] 張文杰.一種基于運動檢測的智能視頻序列降噪算法[J].電子工程師,2007,33(12):37-39.
[3] Chen Zihui,Wang Li,Yu Youjian.Algorithm study of motion detection based on background difference and time difference[J]. Journal of Tianjin Institute of Urban Construction 2009,15(4):298-300.
[4] DABOV K, FOI A, EGIAZARIAN K. Video denoising by sparse 3D transform-domain collaborative filtering[A].Proc.15th European Signal Processing Conference. EUSI-PCO 2007, Poznan, Poland, September 2007.
[5] 崔建偉，谷源濤，唐昆. 采用背景提取和自適應濾波的視頻降噪算法[J]. 電視技術,2009,30(S2):75-78.
[6] BUADES A,COLL B, MOREL J M. A non-local algorithm for image denoising[A].IEEE Proceeding of Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, USA, 2005,2:60-65.