視頻噪音

視頻噪音是由感測器、掃瞄器電路或數位相機產生的圖像的亮度或彩色隨機變動。視頻噪音也源自於膠片粒度和不變的量子檢測器中的點噪聲。 視頻噪音通常被看作圖像獲取中不需要的成分。

基本介紹

• 中文名：視頻噪音
• 外文名：Video Noise
• 定義：圖像獲取中不需要的成分
• 意義：提高圖像質量
• 分類：擴大噪聲、椒鹽噪聲、散粒噪聲等
• 領域：數字圖像處理

視頻噪音種類

擴大噪聲

擴大噪聲的標準模型是加性的、高斯的和獨立於像素的並且獨立於像素和信號強度。最基本的是有Johnson–Nyquist noise（熱流噪聲）組成，包括電容復位噪聲(KTC)。在彩色攝像頭針對藍色光通道有更多的放大（相比較與綠色或紅色通道），因此在藍色通道上有更多的噪聲。 放大噪聲是圖像感測器的“讀出”噪聲的主要部分，也就是說圖像黑區域的常噪聲級別。

椒鹽噪聲

Fat-tail-distributed或脈衝噪聲有的時候叫做salt-and-pepper噪聲或穗花噪聲。如果圖像包含salt-and-pepper噪聲，那么在明亮的地方會有黑像素並且暗的區域有亮像素。這種類型的噪聲也叫做死像素，模擬到數字轉換錯誤，轉換位錯誤等。 這個可以通過使用dark frame subtraction和通過將黑、亮像素差值成周圍像素來消除。

散粒噪聲

來自圖像感測器的圖像中較亮部分的主要噪聲通常是由統計量子波動造成，也就是在給定曝光級別的光子數量的變動，這個噪聲也叫做的光子散粒噪聲。散粒噪聲有RMS (root-mean-square均方根) 值正比於圖像亮度的平方根，並且不同像素的噪聲是獨立於另外一個像素。散粒噪聲遵從Poisson(泊松)分布，其通常是與高斯分布沒有什麼不同。 另外對於光子散粒噪聲，也有來自黑暗泄露電流圖像感測器的散粒噪聲，這個噪聲有個時候叫做“黑散粒噪聲”或“暗電流散粒噪聲”。暗電流在圖像感測器的“熱像素”處最大；熱像素能被減去（使用暗幀減法），僅僅留下散粒噪聲，或隨機部分；如果dark-frame減法不能做到，或如果曝光時間足夠長，那熱點像素超過了線性電容的充電量，噪聲就不僅僅是點噪聲了，並且熱像素就看上去像salt-and-pepper噪聲了。

量化噪聲

由量化輸入的噪聲到離散級別叫做量化噪聲，其近似統一分布，並且是信號依賴的，如果其他噪聲源是達到足夠導致抖動時時信號獨立的。

模擬膠片噪聲

膠片的精細度是信號獨立的噪聲，與散粒噪聲相關。也就是如果膠片粒度是統一分布（等於每個面積的數量），並且每個粒度有一個相等並且獨立的機率來吸收光子，那么這樣的黑粒度的數量就是隨機的二項分布；如果某個區域的機率是低的，分布就接近泊松分布（散粒噪聲），經管如此高斯分布足夠表達這個模型。 膠片粒度通常看做是各向同性（非方向性的）的噪聲源。

各向不同性噪聲

有些噪聲在圖像中有顯著的方向性，例如：圖像感測器有的時候產生行噪聲或列噪聲。在電影中，劃痕是非等方形的噪聲。 典型的Logitech Pro 9000上的紅色豎線。

噪音減少方法

大多數從相機或計算機將圖像感測器數據轉換到圖像的算法都設計一些形式的噪聲減少。這個方面有許多程式，但所有都嘗試判定像素質是噪聲還是真正的圖像細節，並且平均噪聲。然而，沒有算法能執行完美的判斷，因此常常是在噪聲刪除和細節保留之間的權衡，低對比細節可能有與噪聲相似的特性。許多攝像頭有設定來控制輸入攝像頭噪聲的減少。 噪聲和細節的判定可以通過源圖像的特點和人類視覺的特性來輔助判定。多數噪聲減少算法都在色度上執行的非常多，由於色度細節的丟失不是特別重要。此外，許多人發現亮度噪聲通過很難能眼睛看到，主要由於紋理表面看上去像模擬膠片噪聲。 給定攝像頭的高敏感度圖像質量取決於噪聲減少算法的好壞。由於噪聲級別隨著ISO敏感度的增加而增加，大多數攝像頭製造商都在高敏感度的情況下主動增加噪聲減少算法。這導致高敏感度下的圖像質量以兩種方式損壞：噪聲級別增加和細節被平滑。

鄰域濾波器

鄰域濾波器是針對圖像和視頻的濾波器；其能通過平均相似像素的來減少噪聲。通常CCD噪聲模型提示數字圖像和視頻中的噪聲是信號依賴的；幸運的是對於同樣能量的兩個像素會受到同樣程度的污染從而有同樣的噪聲模型。通常的假定是同樣能量級別的噪聲模型是加性的並且是白噪聲，去噪可以通過首先找到相似源能量的像素然後平均觀察值來進行。最著名的鄰域去噪算法有:sigma濾波器， SUSAN和bilateral 濾波器。

拉普拉斯去噪

拉普拉斯是二階微分，其對噪聲點上回響較一階微分更強烈；同樣它對邊界也有回響；不過可以觀察到其對邊界的回響要大於噪聲回響，因此可以設定一個閾值只對小於閾值的像素進行去噪處理。 其優點是可以保留原始圖像邊界細節。缺點為閾值的選擇是一個難題；另外其對較強的噪聲只能減小，不能根除。

電影去噪

大多數的藝術電影的去噪方法是鄰域濾波器並且它們中的某些一定意義上將是NL-means濾波器。實際上，運動補償算法是查找時間上的鄰居J(i)、軌跡然後是平均處理。基於Lambertian假設，屬於某個物體的像素在其運動軌跡上保留相同的灰度值。因此這個被算作i灰度值鄰域。灰度值的比較不是充分標準，難點是光圈問題。因此幾個運動補償濾波器涉及了塊匹配。通過比較j周圍的整個塊到i周圍的整個塊來構建J(i)。

所有的這些電影去噪算法都是從每幀中選一個像素到鄰域J(i)。這個限制有的時候是起反作用的。實際上視頻去噪濾波器的性能可以通過忘記運動軌跡而使用空時間相似的像素來顯著提高，不管每幀選多少像素。這樣的話，NL-means將所有的視頻看作是圖像的集合，而不是圖像序列。這個聯合的時間順序是不相關的。光圈問題導致每個像素有多個樣本存在，有那次增加了非局部方法的性能。

基於噪聲檢測的視頻降噪

概述

在現階段絕大部分的電視信號源還是模擬信號源，模擬信號在記錄、攝製、傳輸過程中。由於所使用的器件和傳輸通道的限制，會經常受到一些噪聲的干擾，嚴重影響了圖像的視覺效果。因此濾波去噪就是視頻圖像處理中一個非常重要的環節。常用的圖像濾波方法有線性濾波技術和非線性濾波技術，線性濾波方法主要是基於均值操作，其對象主要是高斯白噪聲。非線性濾波方法主要是中值濾波，主要針對椒鹽噪聲，由於在電視圖像中主要存在的是高斯噪聲。所以這裡提出的視頻降噪器主要基於均值操作，當然純粹的均值操作具有一定的局限性，比如模糊邊緣，沒有利用到象素之間的相關性信息，本儘可能避免了這些弊端。在邊緣保護的前提下，對點象素的噪聲強度進行了定量的檢測，然後自適應地選擇均值操作的視窗和權值，提出了一種適用於視頻處理的自適應視頻降噪實現方案。

視頻降噪中的邊緣保護

傳統的均值操作明顯地對圖像的細節和邊緣產生模糊，損失很多圖像細節。為了減少細節的損失，又能很好地抑制噪聲，很有必要對邊緣信息和圖像細節進行保護。但是由於圖像受到噪聲的污染，如何儘可能地保護邊緣而又抑制噪聲就成為一個關鍵問題。通常的邊緣檢測算法雖然也能很好地檢測邊緣，但受噪聲的影響比較大，檢測出來的邊緣中很容易感染噪聲，產生偽邊緣，不利於降噪處理。為了提高降噪的質量，而又儘量避免模糊邊緣，必須要對邊界區域進行保護。於是我們採用了如下的方法：首先我們承認這樣一個基本條件，即在一個滑動窗內非邊界區域中像素點的值基本相等；而在邊界區域像素點的值變化大。在此前提下，我們將一個 ，其中M為奇數的滑動窗以中心像素點（（M+1）/2，（M+1/2））為中心，沿水平和垂直以及四個45度四個方向分成八個小的視窗。設 meanul，menaur，menaur，menadr分別是實線（1，3，5，7）四個區域中所有像素的灰度均值，將上下，左右區域的像素均值分別求其差值的絕對值，當該絕對值超過預先設定的合理閾值時，認為當前像素點是90度方向上的邊緣點。設cmeanul，cmenaur，cmenaur，cmenadr分別是虛線視窗（2，4，6，8）四個區域內的像素均值。同樣的處理方法可得到45度方向的邊緣點。

視頻降噪中的噪聲檢測

常見的視頻降噪器中一般不含有噪聲估計，對所有的圖像一般採取同樣的降噪方法。因此不能做到自適應去噪，有的雖然可以選擇降噪的方法，大部分仍然需要用戶通過遙控器控制，這對用戶帶來了不便，還不是真正意義上的智慧型化處理。我們考慮到在視頻圖像中其噪聲的分布不是均勻的，不同幀之間其受污染的程度不一樣，即使是同一幀圖像，其噪聲分布的狀態也是不同的。同時也是考慮到用戶的需要，不需要用戶根據畫面的質量來調節降噪器，於是提出了對視頻圖像先進行定量的噪聲檢測，然後根據檢測的噪聲水平在降噪器內部自適應地選擇降噪的方法和強度。

自適應降噪

基於邊緣保護和噪聲檢測的新型視頻降噪處理器，不僅很好地解決了降噪和邊緣保護之間的矛盾，而且真正地做到了智慧型化的處理，很好地驗證了該處理晶片人性化處理的特點。下面給出本處理算法的描述：首先對輸入的亮度信號進行如前所述的邊緣檢測，經過相應的延遲單元直通輸出，對非邊緣像素點進行噪聲檢測，非噪聲點直接輸出，噪聲點按照噪聲的等級選擇相應的濾波器，經濾波後輸出。色度信號經過一定的延遲和亮度信號對齊輸出，濾波的方法基於均值操作，噪聲等級高，採用大視窗；噪聲等級低，採用小視窗，中心像素的權值也可以根據等級進行調整。如果按照基於幀的噪聲檢測，該流程圖要作相應修改。首先對輸入圖像進行噪聲檢測，確定輸入圖像的噪聲等級，然後作邊緣檢測，將邊緣部分直接輸出，再對剩餘的像素點根據噪聲等級選擇合適的濾波器輸出。