Upload
msu-gml-videogroup
View
14
Download
2
Tags:
Embed Size (px)
DESCRIPTION
Citation preview
09.09.2010 1
Оценка уровня шума для видео
Борис Кумок
Video GroupCS MSU Graphics & Media Lab
MSU Graphics & Media Lab (Video Group) 2
Содержание доклада
Введение
Метод гистограмм
Метод BBC
Temporal SO
Метод градиентов
MSU Graphics & Media Lab (Video Group) 3
Введение
Определение уровня шума требуется для:
Подавление шума
Сжатие видео
Сегментация
Определение границ
Для большинства приложений критична
точность оценки, а для видео важна еще и
скорость.
MSU Graphics & Media Lab (Video Group) http://en.wikipedia.org/wiki/Normal_distribution 4
Постановка задачи
По входному изображению определить уровень шума.
Полагая, что шум является белым с нормальным
распределением (AWGN), сведем задачу к
определению σ.
22
2
2
1)(
x
exp
),(),(),( yxnyxfyxg
Additive noise model
MSU Graphics & Media Lab (Video Group) 5
Способы решения
Intra-frame
Filter-based
Block-based
Wavelet-based
Histogram-based
Inter-frame
Методы можно разделить на следующие классы:
MSU Graphics & Media Lab (Video Group) 6
Содержание доклада
Введение
Метод гистограмм
Метод BBC
Temporal SO
Метод градиентов
MSU Graphics & Media Lab (Video Group) Spatiotonal adaptivity in Super-Resolution of Undersampled Image
Sequences,” Ph.D. Thesis, Delft University of Technology, 2006.7
Метод гистограмм
Предполагается, что видео снято со статической
камеры
Схема алгоритма:
1. вычисление разности кадров
2. приближение гистограммы разности кадров
гаусианом
3. дисперсия шума предполагается равной дисперсии
найденного гаусиана
MSU Graphics & Media Lab (Video Group) Spatiotonal adaptivity in Super-Resolution of Undersampled Image
Sequences,” Ph.D. Thesis, Delft University of Technology, 2006.8MSU Graphics & Media Lab (Video Group) 8
Метод гистограмм
Наиболее простой метод оценки дисперсии шума:
N
Nnoise IIII2
211
21
21212 var
Движущиеся
объекты искажают
такую оценку
где I1, I2 – два кадра
N – кол-во пикселей
в кадре
1. Вычисление разности кадров
MSU Graphics & Media Lab (Video Group) Spatiotonal adaptivity in Super-Resolution of Undersampled Image
Sequences,” Ph.D. Thesis, Delft University of Technology, 2006.9MSU Graphics & Media Lab (Video Group) 9
Метод гистограмм
Приближение производится методом Nelder-Mead, который позволяет минимизировать MAE (mean absolute error).
Производится поиск гаусиана, приближающего
гистограмму разности
2. Приближение гистограммы гаусианом
22
2
2
2
2exp
2
noise
mxAxg
MSU Graphics & Media Lab (Video Group) Spatiotonal adaptivity in Super-Resolution of Undersampled Image
Sequences,” Ph.D. Thesis, Delft University of Technology, 2006.10MSU Graphics & Media Lab (Video Group)
Метод гистограммСвойства алгоритма
Особенности алгоритма:
• Возможно адаптировать алгоритм для обработки
видео с нестатическим фоном (используя
компенсацию движения)
Недостатки:
• Не работает для «сложных» видов глобального
движения.
Достоинства:
• Может быть использован для шумов с не
нормальным распределением.
MSU Graphics & Media Lab (Video Group) 11
Содержание доклада
Введение
Метод гистограмм
Метод BBC
Temporal SO
Метод градиентов
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBCИдея
Идея алгоритма:
1. Вычисление разности кадров (по модулю)
2. Размытие
3. Вычисление минимума каждой строки
4. Результирующая оценка производится на основе
среднего значения минимумов строк
5. Минимизация по времени
Использование минимумов позволяет отделить шум от движения.
При этом полагается, что в каждой строке есть неподвижная
область.
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
Вычисляется разность между текущим и обработанным
предыдущим кадром. Разность берется по модулю.
1. Вычисление разности кадров
При отсутствии движения разность содержит только шум и
имеет «полугаусово» распределение:
222 36.021
8.02
σ – дисперсия шума,
σ’ – получившаяся дисперсия
μ – получившееся матожидание
Распределение
шума после
вычитания
кадров
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
2. Размытие
Размытие производится простым прямоугольным усреднением без
весов. Предлагаемый размер фильтра – 15 x 5.
После размытия распределение становится близким к
нормальному. Матожидание сохраняется, а дисперсия
уменьшается пропорционально размеру фильтра.
n – размер фильтра
σ – дисперсия шума
σ’’ – дисперсия после размытия
nn 222 21
2
Распределение
шума после
применения
фильтра
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
3. Вычисление минимума строк
Для каждой строки находится ее минимальное значение. Это
позволяет отделить шум от движения.
Т.к. из-за размытия пикселы не независимы, для вычисления
минимума они берутся с шагом равным размеру фильтра.
Полагается, что в каждой строке
есть область без движения.
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
Взятие минимума сдвигает матожидание влево и уменьшает
дисперсию. Точные значения изменений зависят от количества
минимизируемых величин (ширины строк).
1
m
xm dxxpxmpxp
m – количество величин
p(x) – распределение после размытия
pm(x) – распределение минимума
Распределение минимума m нормально
распределенных случайных величин
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
4. Вычисление среднего
Матожидание минимума строк E вычисляется как среднее
минимумов. Используя связь распределений можно найти сигму
шума.
mkE
n22 21
2
E – среднее минимумов строк
km – константа, зависящая от ширины строки
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
5. Минимизация по времени
Для повышения точности оценку шума дополнительно
минимизируют, т.е. новая оценка равна минимуму старой и
текущего кадра.
сцена сменилась если ,
,min1
t
t
Если произошла смена сцены, то минимум не используется. За
обнаружение таких смен отвечает специальный детектор.
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
Обнаружение смены сцен
Для каждой разности кадров считается сумма по всем пикселям.
При смене сцен значение этой суммы резко возрастет.
Такой детектор плохо работает на сложных переходах между
сценами (затемнение, проявление) или когда сцены содержат
много движения.
Поэтому предлагается каждые 5 секунд автоматически
генерировать сигнал смены сцен, если детектор не срабатывал
10 секунд.
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBC
6. Защита от движения
Т.к. для работы алгоритма необходимо наличие неподвижных
областей, то кадры с большим количеством движения
предлагается пропускать.
Полагается, что движение
когда-нибудь кончается.
Детектор движения
Для разности кадров вычисляются суммы пикселей в строках.
Детектор срабатывает, если разность максимальной и
минимальной сумм больше некоторого порога.
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Метод BBCСвойства алгоритма
Особенности алгоритма:
• Существует усложнение для уровней яркости.
Недостатки:
• Слишком сильные предположения.
Достоинства:
• Метод разработан с учетом эффективной
реализации в железе.
MSU Graphics & Media Lab (Video Group) 22
Содержание доклада
Введение
Метод гистограмм
Метод BBC
Temporal SO
Метод градиентов
MSU Graphics & Media Lab (Video Group) M. Ghazal, A. Amer, and A. Ghrayeb, Structure-Oriented Spatio-
Temporal Video Noise Estimation, IEEE 200623
Temporal SOИдея
1. Образуем из набора кадров 3D стопку
2. Разобьем ее на блоки
3. Выберем наиболее «гладкие» блоки
1. Гладкие пространственно (S)
2. Гладкие временно (T)
3. Смешано гладкие (ST, VT, HT)
4. Вычислим дисперсию выбранных блоков
5. Получим результирующую оценку шума
MSU Graphics & Media Lab (Video Group) M. Ghazal, A. Amer, and A. Ghrayeb, Structure-Oriented Spatio-
Temporal Video Noise Estimation, IEEE 200624
Temporal SOОценка гладкости
Гладкость блоков
определяется с
помощью детектора
границ.
i
kk iI
Мера гладкости – сумма
сверток по всем пикселам
блока.
MSU Graphics & Media Lab (Video Group) M. Ghazal, A. Amer, and A. Ghrayeb, Structure-Oriented Spatio-
Temporal Video Noise Estimation, IEEE 200625
Temporal SOВычисление дисперсии
Блоки могут быть гладкими во времени (low-motion), но совсем не
гладкими пространственно (текстура). Поэтому меры гладкости не
смешиваются, для каждого типа детектора есть своя. Дисперсия
различных блоков тоже считается по-разному.
1. для S и T
1. считается дисперсия в слоях (S или T)
2. дисперсия блока полагается среднему дисперсий его слоев
2. для ST, VT и HT
1. дисперсия считается по целому блоку
MSU Graphics & Media Lab (Video Group) M. Ghazal, A. Amer, and A. Ghrayeb, Structure-Oriented Spatio-
Temporal Video Noise Estimation, IEEE 200626
Temporal SOАлгоритм
1. Для каждого направления:
Выбрать N наиболее гладких по этому
направлению блоков.
Для каждого выбранного блока
Если блок гладок в S (T), то дисперсия в нем равна
среднему дисперсий по слоям S (T).
Если блок гладок в ST, VT или ZT, то дисперсия
считается по всему блоку обычным образом.
Дисперсия направления равна среднему (или
медиане) дисперсий блоков.
2. Сигма шума равна среднему (медиане)
дисперсий по направлениям.
MSU Graphics & Media Lab (Video Group) M. Ghazal, A. Amer, and A. Ghrayeb, Structure-Oriented Spatio-
Temporal Video Noise Estimation, IEEE 200627
Дисперсия
для направления
Медиана блоков одного направления
Дисперсия блоков
Набор N блоков
гладких по направлению.
Temporal SO Алгоритм
Найти N наиболее гладких блоков
Дисперсия по всему
блоку
S T ST VT ZT
Дисперсия в слоях
Усреднение
Медиана
σS σT σST σVT σZT
σ
Для каждого направления
MSU Graphics & Media Lab (Video Group) "Video Noise Reduction" BBC Research Dept. 1984
Temporal SO Свойства алгоритма
Особенности алгоритма:
• Является развитием аналогичного пространственного
метода. Качество работы зависит от детектора границ.
Недостатки:
• Требует много дополнительной памяти.
Достоинства:
• Сравнительно быстрый алгоритм.
MSU Graphics & Media Lab (Video Group) M. Ghazal, A. Amer, and A. Ghrayeb, Structure-Oriented Spatio-
Temporal Video Noise Estimation, IEEE 200629
Temporal SOСравнение
Средняя ошибка для
последовательностей
Prlcar, Tennis, Train,
Football, Car и
Flowergarden и уровней
шума 20, 30, 40 dB.
MSU Graphics & Media Lab (Video Group) 30
Содержание доклада
Введение
Метод гистограмм
Метод BBC
Temporal SO
Метод градиентов
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.31
Метод градиентовАлгоритм
1. Вычисление градиентов (вейвлет преобразование)
1. Пространственных
2. Временных
2. Получение гистограмм длин градиентов
3. Выбор «лучшей» гистограммы
1. Вычисление параметров σ для пространственной и временной
моделей
2. Оценка Колмогорова-Смирнова
4. Получение оценки дисперсии шума
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.32
Метод градиентовВычисление градиентов
Пространственные градиенты вычисляются с помощью
2D вейвлет преобразования. HL и LH области будут
содержать компоненты градиентов.
Преобразование ХаараИсходное изображение
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.33
Метод градиентовВычисление градиентов
Временные градиенты вычисляются как
одномерная свертка последовательных кадров
Входные данные вейвлет преобразования
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.34
Метод градиентовВычисление гистограмм длин
1. Длины градиентов вычисляются по формулам:
22,,, trLHtrHLtrGS 22
,,, tqrHTtrHTtrGT
q – произвольно выбранный вектор
r – вектор координат точки
3. Полученные гистограммы затем размываются
градиентов длин ыгистограмм, ST GG hh
2. Используя приведенные формулы,
вычисляются гистограммы длин:
длины временных градиентов: длины пр-х градиентов:
MSU Graphics & Media Lab (Video Group) http://en.wikipedia.org/wiki/Rayleigh_distribution. 35
Метод градиентовМодель распределения
Для каждой модели выберем параметр σ с помощью
метода максимального правдоподобия:
),(maxarg)(
xLx ix
ixpxL ,,Функция
правдоподобия:
RayleighYXZNYX ~,0~, 222
2
22
2
22
2 exp1,,exp
,
x
x
xFx
xp
Распределение Райелиха:
Полагая, что шум имеет нормальное распределение,
строятся модели распределения длин градиентов:
RayleighGG ST ~,
MSU Graphics & Media Lab (Video Group) http://en.wikipedia.org/wiki/Rayleigh_distribution. 36
Метод градиентовМодель распределения
x
xp ,maxarg
2
2 2
2
exp,
xxxp
x
Gkhmaxarg
Распределение Райелиха:
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.37
Метод градиентовВыбор «лучшей» гистограммы
Точность каждой из построенных моделей оценивается с помощью теста Колмогорова-Смирнова. Для каждой модели вычисляется значение δ по формуле:
,max xFxFnx
n
i
i
nn
xGxF
1
1
0
если 1
Количество градиентов с длиной
меньшей x
2
2
2exp1,
xxF
Модельная функция
распределения длин
градиентов
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.38
Метод градиентовПолучение оценки
Выбор «лучшей» гистограммы (S или Т) производится
согласно соотношению:
kkk C
иначе ,
если ,
T
Sk
TTSS
C=1.25
kGk hmaxarg Наиболее «частая»
длина градиентов
kОценка точности из теста
Колмогорова-Смирнова
Итоговая оценка дисперсии шума вычисляется по формуле:
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.39
Метод градиентовПолучение оценки
Для увеличения
стабильности оценку
дополнительно
сглаживают:
21 ttt ff
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.40MSU Graphics & Media Lab (Video Group)
Метод градиентовСвойства алгоритма
Особенности алгоритма:
• предполагается использование совместно с методами
работающими в вейвлет пространстве
Достоинства:
• сравнительно высокая точность оценки
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.41
Метод градиентовСравнение
Средняя ошибка по 8 последовательностям для различных уровней шума.
Средняя ошибка по всем уровням шума для различных последовательностей.
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.42
Метод градиентовСравнение
Средняя ошибка по 8 последовательностям для различных уровней шума.
Средняя ошибка по всем уровням шума для различных последовательностей.
0
0,5
1
1,5
2
2,5
3
3,5
4
0 5 10 15 20 25 30
Temporal gradient
Spatial gradient
MAD
Moment matching
CDF
BBC
Structure oriented
00,5
11,5
22,5
33,5
44,5
Sales
man
Flow
erGar
.Bus
Mob
ile
Tenn
is
Foot
bal
Car
gate
Ren
ata
Temporal gradient
Spatial gradient
MAD
Moment matching
CDF
BBC
Structure oriented
MSU Graphics & Media Lab (Video Group) Noise estimation for video processing based on spatial-temporal
gradient histograms, IEEE June 2006.43
Метод градиентовСравнение
Время работы с 50 кадрами размера 352 x 288
MSU Graphics & Media Lab (Video Group) 44
Список литературы
1. J. O. Drewery, R. Storey, and N. E. Tanton, "Video Noise Reduction" BBC Research Dept.
Rep. BBC RD 1984/7, 1984
2. T. Kwaaitaal-Spassova G. deHaan and O.A. Ojo, “Automatic 2-d and 3-d noise filtering for high
quality television receivers,” International Workshop on Signal Processing and HDTV, vol. VI,
pp. 221–230, 1996.
3. V. Zlokolica, A. Pizurica, W. Philips, "Noise estimation for video processing based on spatial-
temporal gradient histograms" , IEEE Signal Processing Letters, vol. 13, no. 6, pp. 337-340,
June 2006.
4. T.Q. Pham, “Spatiotonal adaptivity in Super-Resolution of Undersampled Image Sequences,”
Ph.D. Thesis, Quantitative Imaging Group, Delft University of Technology, 2006.
5. M. Ghazal, A. Amer, and A. Ghrayeb, "Structure-Oriented Spatio-Temporal Video Noise
Estimation", in Proc. IEEE Int. Conference on Acoustics, Speech, and Signal Processing
(ICASSP), Toulouse, France, May 2006, pp. 845-848.
MSU Graphics & Media Lab (Video Group) 45
Вопросы
?