[发明专利]一种基于分块的视频噪声估计方法

说明书

本发明公开了一种基于分块的视频噪声估计方法，属于视频、图像质量评价技术领域。所述方法包括以下步骤：首先对于输入视频进行帧差筛选，得到需要进行噪声估计的图像帧；然后将图像帧分成均匀的小块，将平均亮度值小于50以及大于200的像素块剔除，计算剩余像素块的边缘强度，得到边缘强度最大的n个像素块；进而利用分块的噪声估计模型对边缘强度最大的n个像素块进行噪声评分，根据边缘强度分配权重，按照权重融合得到整帧的噪声估计分类结果；最后对所有图像帧的噪声估计结果取平均值得到该视频的噪声估计结果，从而提高了噪声估计的准确率精准度，同时节省了噪声估计的时间。

技术领域

本发明涉及视频、图像质量评价技术领域，尤其涉及一种基于分块的视频噪声估计方法。

背景技术

随着移动终端和互联网的发展，视频已成为人类活动中最常用的信息载体。在视频的获取、压缩、传输、储存和处理的过程中，总会受到各种退化因素的影响，造成视频质量的退化，严重影响了用户体验，其中，噪声就是影响视频质量的重要因素之一，因此，视频去噪就成为数字图像处理技术中一个研究的热点。目前，基于深度学习的视频去噪方法首先需要对视频进行噪声估计，噪声估计的结果将直接影响视频去噪的效果，有效的噪声估计方法会提升图像去噪的效率和精准度。

目前做法的局限性在于：

（1）主观评价方法是将实验者的主观感知作为依据对图像的质量进行评价，是最可靠的评价方法，但是在大量的视频面前人工检测的方式很显然无法满足需求，且成本高，无法应用于实时在线的评价系统。

（2）相对于对整个图像帧进行噪声估计，分块的噪声估计模型对于噪声估计精确度更高，效果更好。

（3）一般的视频噪声估计方法都会对视频的每一帧进行特征提取，提取了大量的冗余信息，并且耗费了大量的计算资源。

发明内容

本发明提供了一种基于分块的视频噪声估计方法。本发明的核心思想在于基于深度学习训练分块的噪声估计模型，实现噪声自动化分类标注，同时提高噪声估计的精准度；利用抽帧处理的方法对视频进行预处理，减少噪声估计的耗时；通过分块融合的方法得到每个图像帧的噪声估计评分，对每个图像帧的噪声估计结果取平均得到整个视频的噪声估计结果。

1、本发明提供的一种基于分块的视频噪声估计方法，其特征在于，包括以下步骤：

（1）训练分块的噪声估计模型：

（1.1）首先筛选一批高清视频，对高清视频进行不同码率的转码压缩，得到一批噪声强度不同的视频，作为训练数据。

（1.2）对高清视频按照一定间隔随机抽帧采样，筛选出一批高清图像帧，对所选图像帧随机截取成均匀的像素块。

（1.3）在带噪声的视频中找到与步骤（1.2）的高清像素块对应的带噪声的像素块，并计算它们对应的VMAF分数。

（1.4）根据VMAF分数对像素块进行噪声强度分类，共分为5类，VMAF分数为(95,100]、(90,95]、(80,90]、(70,80]、(0,70]，分别表示噪声强度从Top1到Top5。

（1.5）将以上数据输入卷积神经网络ResNet 50进行训练，输出每一类噪声强度的的预测概率，取概率最大值作为分类结果。

（2）对输入的带噪声视频进行预处理:

（2.1）计算所述带噪声视频的相邻两帧的帧差。