本發(fā)明屬于圖像處理領(lǐng)域，具體是指一種實時監(jiān)測視頻對比度異常的方法。
背景技術(shù)：
：視覺信息是人們在自然界當(dāng)中感知的最主要的信息，研究表明，人類接收到的全部信息當(dāng)中，通過視覺系統(tǒng)得到的占到70％以上。在實際生產(chǎn)活動中，尤其是野外視頻監(jiān)控領(lǐng)域，常常由于光線不足、霧霾、煙霧、團霧、廢棄泄露等因素的影響，使得所獲得的監(jiān)控視頻圖像的亮度異常，對比度不夠明顯，導(dǎo)致拍攝場景無法看清，影響了對正常生產(chǎn)活動的監(jiān)控與監(jiān)測。為了更好的服務(wù)于生產(chǎn)活動，獲得質(zhì)量更好的監(jiān)控視頻，有必要提早發(fā)現(xiàn)圖像對比度異常的情況，以方便管理人員及時糾正監(jiān)控設(shè)備。現(xiàn)有的圖像對比度檢測方法主要有平均梯度法，信噪比法等；其中，平均梯度法通過計算圖像整體的梯度平均值來表示對比度的強弱，而對于野外監(jiān)控而言，由于使用環(huán)境惡劣，不可避免的將會出現(xiàn)一定的噪聲干擾，從而導(dǎo)致了采用平均梯度法來判斷對比度異常的準(zhǔn)確率較低的情況出現(xiàn)；而信噪比的方法需要將計算信號和噪聲的比值來確定對比度，但噪聲通常跟信號混雜在一起，無法準(zhǔn)確分割出來，因此信噪比的方法在實際應(yīng)用過程中意義不大。針對上述情況，如今需要一種更加適用于野外視頻監(jiān)控的圖像檢測方法。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于克服上述問題，提供了一種實時監(jiān)測視頻對比度異常的方法，該方法能夠通過多特征融合的方式來完成對野外視頻的監(jiān)控，更好的適應(yīng)了野外視頻的復(fù)雜情況，提高了判斷的準(zhǔn)確率。本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)：一種實時監(jiān)測視頻對比度異常的方法，包括以下步驟：(1)輸入圖像；(2)計算圖像的平均梯度特征；(3)計算圖像的Brenner梯度特征；(4)計算圖像的結(jié)構(gòu)相似性特征；(5)對步驟(2)-(4)中的各項特征進行SVM分類判別。步驟(2)中計算圖像的平均梯度特征的定義公式為：Grad‾=1M×NΣm=1MΣn=1N(Δmf(m,n))2+(Δnf(m,n))22,]]>其中，為圖像的平均梯度特征，M和N分別表示圖像的高度和寬度，Δmf(m，n)和Δnf(m，n)分別表示圖像在像素點(m，n)的m和n方向上的差分，而f(m，n)則代表像素點(m，n)處的圖像像素值，即：Δmf(m，n)＝f(m，n)-f(m-1，n)，Δnf(m，n)＝f(m，n)-f(m，n-1)。步驟(3)中圖像的Brenner梯度特征為：FBrennerGrad=Σx=1MΣy=1N|f(x+1,y)-f(x,y)|-Σx=1MΣy=1N|f(x+2,y)-fx,y;]]>其中，f(x，y)該圖像的灰度圖像，M×N為該灰度圖像f(x，y)的大小，M和N分別為該灰度圖像f(x，y)的寬和高。步驟(4)中的計算圖像結(jié)構(gòu)相似性特征首先需要將原始圖像進行低通濾波，得到參考圖像，并計算參考圖像和原始圖像之間的結(jié)構(gòu)相似性，而該結(jié)構(gòu)相似性則是通過計算參考圖像和原始圖像之間的結(jié)構(gòu)相似度得到的，其中的結(jié)構(gòu)相似度既SSIM；SSIM將圖像分為亮度L，對比度C，結(jié)構(gòu)S三個部分并分別進行比較，然后加權(quán)乘積獲得最終的SSIM值，具體的計算公式為：SSIM(x，y)＝[L(x，y)]α[C(x，y)]β[S(x，y)]γ，L(x,y)=2uxuy+C1ux2+uy2+C1,]]>C(x,y)=2σxσy+C2σx2+σy2+C2,]]>S(x,y)=σxy+C3σxσy+C3,]]>其中，ux和uy分別為參考圖像和原始圖像的亮度平均值，σx和σy為標(biāo)準(zhǔn)差，σxy為協(xié)方差，C1，C2，C3均為常數(shù)。步驟(5)中需要首先收集若干張對比度正常和異常的監(jiān)控視頻圖像作為正樣本和負(fù)樣本，并對正樣本和負(fù)樣本分別提取上述(2)-(4)步中的各項特征形成特征向量；接著利用SVM二元分類器進行學(xué)習(xí)訓(xùn)練成為分類器模型，其中，訓(xùn)練樣本為(xi，yi)，xi代表特征向量，yi代表對應(yīng)的類別，該對應(yīng)的類別是指對比度正常或異常，那么相應(yīng)的分類函數(shù)則為：f(x→)=sgn(Σi=1nαi*yiK(x→i,x→)+b*),]]>其中b*是分類閾值，當(dāng)時，x就屬于該類，否則就不屬于該類。本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點及有益效果：本發(fā)明的方法能夠通過多特征融合的方式來完成對野外視頻的監(jiān)控，更好的適應(yīng)了野外視頻的復(fù)雜情況，提高了判斷的準(zhǔn)確率，使得管理人員能夠及時的糾正監(jiān)控設(shè)備，很好的提高了野外視頻的質(zhì)量，進而使得人們對野外視頻的檢測與監(jiān)控更加方便。附圖說明圖1為本發(fā)明的流程圖。具體實施方式下面結(jié)合實施例對本發(fā)明作進一步的詳細(xì)說明，但本發(fā)明的實施方式不限于此。實施例如圖1所示，一種實時監(jiān)測視頻對比度異常的方法，其特征在于：包括以下步驟：(1)輸入圖像，既將視頻圖像輸入。(2)計算圖像的平均梯度特征；計算圖像的平均梯度特征的定義公式為：Grad‾=1M×NΣm=1MΣn=1N(Δmf(m,n))2+(Δnf(m,n))22,]]>其中，為圖像的平均梯度特征，M和N分別表示圖像的高度和寬度，Δmf(m，n)和Δnf(m，n)分別表示圖像在像素點(m，n)的m和n方向上的差分，而f(m，n)則代表像素點(m，n)處的圖像像素值，即：Δmf(m，n)＝f(m，n)-f(m-1，n)，Δnf(m，n)＝f(m，n)-f(m，n-1)。(3)計算圖像的Brenner梯度特征；一個大小為M×N的灰度圖像f(x，y)的Brenner特征定義為：FBrenner=ΣX=1MΣy=1N(f(x+2,y)-f(x,y))2;]]>Brenner梯度特征可以看作是模板T＝[-1，0，1]和對應(yīng)位置的圖像像素[f(x，y)，f(x+1，y)，f(x+2，y)]依次進行卷積，在圖像中每一個像素點處，其響應(yīng)為掩模模板系數(shù)與掩模下方對應(yīng)的像素值的乘積之和；其中，模板T＝[-1，0，1]是一個帶通濾波器，Brenner梯度特征正是通過帶通濾波來濾除比例較大的低頻能量，而保留在圖像中的中頻部分的能量；那么，步驟(3)中圖像的Brenner梯度特征為：FBrennerGrad=Σx=1MΣy=1N|f(x+1,y)-f(x,y)|-Σx=1MΣy=1N|f(x+2,y)-fx,y.]]>其中，f(x，y)為該圖像的灰度圖像，M×N為該灰度圖像f(x，y)的大小，M和N分別為該灰度圖像f(x，y)的寬和高。(4)計算圖像的結(jié)構(gòu)相似性特征；計算圖像結(jié)構(gòu)相似性特征首先需要將原始圖像進行低通濾波，得到參考圖像，并計算參考圖像和原始圖像之間的結(jié)構(gòu)相似性，而該結(jié)構(gòu)相似性則是通過計算參考圖像和原始圖像之間的結(jié)構(gòu)相似度得到的，其中的結(jié)構(gòu)相似度既SSIM；SSIM將圖像分為亮度L，對比度C，結(jié)構(gòu)S三個部分并分別進行比較，然后加權(quán)乘積獲得最終的SSIM值，具體的計算公式為：SSIM(x，y)＝[L(x，y)]α[C(x，y)]β[S(x，y)]γ，L(x,y)=2uxuy+C1ux2+uy2+C1,]]>C(x,y)=2σxσy+C2σx2+σy2+C2,]]>S(x,y)=σxy+C3σxσy+C3,]]>其中，ux和uy分別為參考圖像和原始圖像的亮度平均值，σx和σy為標(biāo)準(zhǔn)差，σxy為協(xié)方差，C1，C2，C3均為常數(shù)，這三個常數(shù)主要是為了防止上述公式中的分母接近0時產(chǎn)生不穩(wěn)定現(xiàn)象；實際使用過程中，用8x8的窗口逐個像素的在原始圖像和參考圖像上移動，計算窗口對應(yīng)子圖像的SSIM值，并對所有SSIM值求平均，便可以得到整個圖像的SSIM值。(5)對步驟(2)-(4)中的各項特征進行SVM分類判別。需要首先收集若干張對比度正常和異常的監(jiān)控視頻圖像作為正樣本和負(fù)樣本，并對正樣本和負(fù)樣本分別提取上述(2)-(4)步中的各項特征形成特征向量；接著利用SVM二元分類器進行學(xué)習(xí)訓(xùn)練成為分類器模型，其中，訓(xùn)練樣本為(xi，yi)，xi代表特征向量，yi代表對應(yīng)的類別，該對應(yīng)的類別是指對比度正?；虍惓?，那么相應(yīng)的分類函數(shù)則為：f(x→)=sgn(Σi=1nαi*yiK(x→i,x→)+b*),]]>其中b*是分類閾值，當(dāng)時，x就屬于該類，否則就不屬于該類。在完成了SVM分類判別之后，分類后的圖像則進入相應(yīng)分類的處理模塊進行處理。比如，在圖像的對比度異常時進行報警提示，告知用戶監(jiān)控視頻數(shù)據(jù)異常等。如上所述，便可很好的實現(xiàn)本發(fā)明。當(dāng)前第1頁1 2 3