监控视频中的图像预处理技术

　　3.常见的预处理方法

　　现在常见的效果明显的视频预处理主要包括下面的几个方面。

　　3.1 限带滤波和降采样

　　根据奈奎斯特定理，只有对图像进行高于两倍信号最高频率的采样才能保证从采样值完全恢复原图像。但是如果该条件不满足，即欠采样时，高次谐波的频谱就会叠加到基波，出现频谱混叠效应。随着图像高清晰度的增加，由于采样率的限制，绝大多数成像系统都存在不同的混叠现象。怎样消除混叠效应成为了预处理中的一个令人关注的问题。

　　抑制或消除混叠效应常采用两项措施，一是限带滤波，二是下采样。限带滤波就是对高速采样的数字视频进行一次低通滤波，抑制奈奎斯特定理定义的通带以外的高频分量。因为这些带外分量在后续的处理中会引起混叠效应，产生无意义的高频分量，而编码器还得对它们进行编码，浪费不少宝贵的编码比特。仅采用限带滤波只能滤除信号中少量的高频分量，如果信号带宽远高于奈奎斯特带宽，那么在限带滤波后还需进行一次下采样，进一步减少码字。

　　3.2 噪声去除

　　噪声对于任何实际的视频采集来说均是不可避免的，如果在编码前未将不必要的噪声去除，不仅会影响解码视频质量，而且后面的编码部分还将为噪声编码，降低了效率。视频中常见的噪声主要有加性噪声、乘性噪声和量化噪声等。图像中的噪声往往和信号交织在一起，尤其是乘性噪声，如果滤波不当，就会使图像本身的细节，如边界轮廓、线条等，变得模糊不清。如何既平滑掉噪声又尽量保持图像细节，是图像去噪的难点所在。

　　图像去噪方法很多，它们大体上可以分为两类：空间域的去噪方法和变换域的去噪方法。这两类方法的最主要区别是前者直接对观察图像数据进行处理，而后者则是先对图像进行某种变换，然后再对变换后的系数进行处理。

　　变换域的去噪方法认为，在变换域图像往往是稀疏表示的，即高频分量很少，大部份噪声处于高频部分，通过在变换域设置阈值或者截断高端频谱来去除噪声。这类方法的优点是在变换域进行处理比较简单。它的不足之处在于对阈值的设置比较困难;在去除噪声的同时不可避免地会平滑图像本身的纹理细节;图像在变换域丢失了部分结构特征，特别是边界信息等。这些都会影响去噪图像的质量。　　空间域的去噪方法关注图像数据本身，如近年来流行的基于块的去噪方式，其基本思想是为去噪图像的每一个块寻找与它相似的块，相似块可以在同一帧内部寻找，或者其它帧中寻找，还可在其它图像中寻找，最后通过加权平均等操作恢复图像块。空间域的方法利用了更多的图像数据信息，保留图像的结构，有利于保持图像细节，但也容易出现过平滑现象。近年来针对图像的混合高斯噪声，出现了一种将变换域和空间域方法相结合的自适应噪声去除方法。这种方法首先采用基于块和滤波的噪声参数估计，自适应的估计混合高斯噪声参数，然后利用估计得到的噪声参数进行图像去噪，将多幅去噪图像进行简单的数据融合，最终获得性能良好的去噪图像，其过程如下图2所示。

　　3.3 图像增强

　　图像增强处理的任务是有目地突出图像中的感兴趣部分，或目标的特征，抑制图像中某些不需要的特征，提高图像的清晰度，改进图像的观赏质量。在图像增强过程中，一般不考虑图像降质的原因，增强后的图像也不一定要逼近原图像。图像增强中常见的几种具体处理方法为：

　　(1)直方图均衡

　　在图像处理中，图像直方图表示了图像中像素灰度值的分布情况。为使图像变得清晰，增大反差，凸显图像细节，通常希望图像灰度的分布从暗到亮大致均匀。直方图均衡就是把那些直方图分布不均匀的图像(如大部分像素灰度集中分布在某一段)经过一种函数变换，使之成一幅具有均匀灰度分布的新图像，其灰度直方图的动态范围扩大。用于直方均衡化的变换函数不是统一的，它是输入图像直方图的积分，即累积分布函数。

　　(2)灰度变换

　　灰度变换可使图像动态范围增大，对比度得到扩展，使图像清晰、特征明显，是图像增强的重要手段之一。它主要利用图像的点运算来修正像素灰度，由输入像素点的灰度值确定相应输出像素点的灰度值，可以看作是“从像素到像素”的变换操作，不改变图像内的空间关系。像素灰度级的改变是根据输入图像f(x, y)灰度值和输出图像g(x, y)灰度值之间的转换函数g(x，y)=T[f(x，y)]进行的。

　　灰度变换包含的方法很多，如逆反处理、阈值变换、灰度拉伸、灰度切分、灰度级修正、动态范围调整等。

　　(3)白平衡

　　白色是人眼对比例相同且具有一定亮度的蓝、绿、红三种色光所形成的视觉反应。在正常的情况下，视频采集系统对白光的输出为白色，简单地说这个系统处于白平衡状态。如果系统对白光不能够保持白色输出，出现偏色，如发红或发蓝等，就说明采集系统对现场彩色的处理出现了偏差，即未达到白平衡。由于场景的彩色情况非常复杂，难以断定白平衡情况，所以在实际应用中，常常用白光来判定系统的白平衡状况。这是一种衡量系统的色彩比例是否恰当的一种方便、直观的方法。如果达到了白平衡，那么输出的色彩也是白色，没有其它的偏色;如果有偏色，说明没有达到白平衡，需要在预处理时加以调整，使之成像后仍然为白色。

　　(4)伽玛校正

　　在视频采集系统中，CCD、CMOS等光电转换的器件的特性都是非线性的。场景的亮度L和是传感器输出的电压E，之间的关系可用一个幂函数E(x, y)=kLr(x, y)来表示，其中k是比例常数，r是幂函数的指数，用它来衡量非线性器件的转换特性，称之为伽玛特性。在视频中由于伽玛特性的存在，会导致图像信号的亮度失真，影响图像质量。因此要对这个失真进行补偿，即伽玛校正。简单地说，就是对输出电压用一个负指数函数对其进行校正，使得校正后的光、电两个量之间保持线性关系。

　　(5)图像平滑

　　在空间域中进行平滑滤波技术主要用于消除图像中的噪声，主要有邻域平均法、中值滤波法等等。这种局部平均的方法在削弱噪声的同时，常常会带来图像细节信息的损失。

　　邻域平均，也称均值滤波，对于给定的图像f(x,y)中的每个像素点(x,y)，它所在邻域S中所有M个像素灰度值平均值为其滤波输出，即用一像素邻域内所有像素的灰度平均值来代替该像素原来的灰度。

　　中值滤波，对于给定像素点(x,y)所在领域S中的n个像素值数值{f1, f2,…,fn}，将它们按大小进行有序排列，位于中间位置的那个像素数值称为这n个数值的中值。某像素点中值滤波后的输出等于该像素点邻域中所有像素灰度的中值。中值滤波是一种非线性滤波，运算简单，实现方便，而且能较好的保护边界。

　　(6)图像锐化

　　采集图像变得模糊的原因往往是图像受到了平均或者积分运算，因此，如果对其进行微分运算，就可以使边缘等细节信息变得清晰。这就是在空间域中的图像锐化处理，其的基本方法是对图像进行微分处理，并且将运算结果与原图像叠加。从频域中来看，锐化或微分运算意味着对高频分量的提升。常见的连续变量的微分运算有一阶的梯度运算、二阶的拉普拉斯算子运算，它们分别对应离散变量的一阶差分和二阶差分运算。

　　(7)小波变换增强

　　对图像进行小波变换，可得到图像的不同频率分量的小波变换系数，如果对适当的高频系数进行增强处理后，再进行小波逆变换之后，就可以达到图像的细节或边缘增强的目的。当然，小波变换还可以用来去除图像中的噪声。由于噪声大多属于高频信息，因此，当进行小波变换之后，噪声信息大多集中在高频子块之中，对这一部分系数进行抑制，则可以达到一定的噪声去除效果。

声明:

凡文章来源标注为"CPS中安网"的文章版权均为本站所有，如需转载请务必注明出处为"CPS中安网"，违反者本网将追究相关法律责任。非本网作品均来自互联网，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。