[发明专利]有利于降低视频噪声的方法

说明书

技术领域

本发明涉及计算机技术领域，具体涉及有利于降低视频噪声的方法。

背景技术

视频噪音是由传感器、扫描仪电路或数码相机产生的图像的亮度或彩色随机变动。视频噪音也源自于胶片粒度和不变的量子检测器中的点噪声。视频噪音通常被看作图像获取中不需要的成分。来自图像传感器的图像中较亮部分的主要噪声通常是由统计量子波动造成，也就是在给定曝光级别的光子数量的变动，这个噪声也叫做的光子散粒噪声。散粒噪声有RMS值正比于图像亮度的平方根，并且不同像素的噪声是独立于另外一个像素。散粒噪声遵从Poisson分布，其通常是与高斯分布没有什么不同。另外对于光子散粒噪声，也有来自黑暗泄露电流图像传感器的散粒噪声，这个噪声有个时候叫做“黑散粒噪声”或“暗电流散粒噪声”。暗电流在图像传感器的“热像素”处最大；热像素能被减去(使用暗帧减法)，仅仅留下散粒噪声，或随机部分；如果dark-frame减法不能做到，或如果曝光时间足够长，那热点像素超过了线性电容的充电量，噪声就不仅仅是点噪声了，并且热像素就看上去像salt-and-pepper噪声了。

现有的图像噪声处理方式，只能过滤一个频段的噪声，但是实际中图像噪声的频域分布很广，这就导致了对图像进行降噪时需要重复降噪多次，提高了图像处理成本。

发明内容

本发明所要解决的技术问题是现有的图像噪声处理方式，只能过滤一个频段的噪声，但是实际中图像噪声的频域分布很广，这就导致了对图像进行降噪时需要重复降噪多次，提高了图像处理成本，目的在于提供有利于降低视频噪声的方法，解决上述问题。

本发明通过下述技术方案实现：

有利于降低视频噪声的方法，包括以下步骤：S1：对视频噪声提取频域作为噪声频域；S2：以噪声频域为样本进行机器学习生成二分器；S3：对需要降噪的视频信号提取频域并对频域进行傅里叶变换；S4：对傅里叶变换后的视频频域根据二分器进行判断；S5：将二分器判断为噪声的频率删除。

现有技术中，图像噪声处理方式，只能过滤一个频段的噪声，但是实际中图像噪声的频域分布很广，这就导致了对图像进行降噪时需要重复降噪多次，提高了图像处理成本。本发明应用时，先对视频噪声提取频域作为噪声频域，再以噪声频域为样本进行机器学习生成二分器，然后对需要降噪的视频信号提取频域并对频域进行傅里叶变换，然后对傅里叶变换后的视频频域根据二分器进行判断，再然后将二分器判断为噪声的频率删除。本发明通过上述步骤，将所有的噪声通过二分器进行一次性的剔除，从而在对视频噪声进行处理时，只需要一次处理即可以完成对视频噪声的剔除，降低了图像处理成本。

进一步的，所述机器学习采用线性核函数。

进一步的，所述二分器为噪声和正常两种分类。

进一步的，步骤S4包括以下子步骤：符合二分器的频率定义为噪声；不符合二分器的频率定义为正常。

进一步的，还包括以下步骤：S6：将删除了噪声的视频信号进行合成。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明有利于降低视频噪声的方法，通过上述步骤，将所有的噪声通过二分器进行一次性的剔除，从而在对视频噪声进行处理时，只需要一次处理即可以完成对视频噪声的剔除，降低了图像处理成本。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

本发明有利于降低视频噪声的方法，包括以下步骤：S1：对视频噪声提取频域作为噪声频域；S2：以噪声频域为样本进行机器学习生成二分器；S3：对需要降噪的视频信号提取频域并对频域进行傅里叶变换；S4：对傅里叶变换后的视频频域根据二分器进行判断；S5：将二分器判断为噪声的频率删除。所述机器学习采用线性核函数。所述二分器为噪声和正常两种分类。步骤S4包括以下子步骤：符合二分器的频率定义为噪声；不符合二分器的频率定义为正常。还包括以下步骤：S6：将删除了噪声的视频信号进行合成。

本实施例实施时，先对视频噪声提取频域作为噪声频域，再以噪声频域为样本进行机器学习生成二分器，然后对需要降噪的视频信号提取频域并对频域进行傅里叶变换，然后对傅里叶变换后的视频频域根据二分器进行判断，再然后将二分器判断为噪声的频率删除。本发明通过上述步骤，将所有的噪声通过二分器进行一次性的剔除，从而在对视频噪声进行处理时，只需要一次处理即可以完成对视频噪声的剔除，降低了图像处理成本。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。