摘  要： 針對視頻監(jiān)控圖像中存在各類條紋噪聲的問題，根據(jù)條紋特性和受干擾圖像幀的頻域特征，提出了一種快速檢測監(jiān)控錄像周期性條紋的算法。根據(jù)相對距離將頻譜圖分成兩個子塊，再運用行列累積函數(shù)或閾值檢測各子帶是否存在異常亮點，進(jìn)而確定圖像幀是否存在條紋噪聲。利用頻率譜中異常點的對稱特性可減少遍歷次數(shù)，有效提高了算法的運行效率。實驗結(jié)果表明，該算法對監(jiān)控視頻序列中的多種周期性條紋具有良好的檢測效果，并提高了計算速度。
關(guān)鍵詞： 視頻監(jiān)控圖像；條紋噪聲；傅里葉變換；累積分布函數(shù)

　隨著網(wǎng)絡(luò)、視頻通信技術(shù)的快速發(fā)展和視頻監(jiān)控系統(tǒng)的廣泛應(yīng)用，監(jiān)控圖像的質(zhì)量評價正成為新的研究熱點。由于視頻監(jiān)控系統(tǒng)通常布控范圍較大，因此前端圖像采集設(shè)備長期連續(xù)工作及受各種外因影響，監(jiān)控錄像易受條紋噪聲干擾而質(zhì)量下降。由于條紋干擾類型各異(如有橫條紋、列條紋、斜條紋、粗或細(xì)以及周期條紋等)，而起因又各不相同，如因工頻干擾、系統(tǒng)內(nèi)部電壓不平衡或傳輸問題等外因所致，或因監(jiān)控攝像機長期外露、不間斷的工作特點引起圖像傳感器校準(zhǔn)偏差、內(nèi)部電流不平衡以及系統(tǒng)噪聲或振動等產(chǎn)生。因此，對監(jiān)控系統(tǒng)條紋干擾的研究尤為重要。條紋噪聲不僅降低了視頻監(jiān)控圖像的質(zhì)量和可解釋性，而且容易引發(fā)不可預(yù)測的故障。
　目前針對實時視頻圖像條紋干擾檢測的文獻(xiàn)較少，而靜止圖像的條紋噪聲檢測大多是基于濾波方法。如采用方向模板的結(jié)構(gòu)光條紋中心檢測[1]，通過可變方向模板檢測結(jié)構(gòu)光條紋中心；針對航空圖像水面尾跡的檢測，利用方向極傅里葉頻譜二維主成分降維提取特征和支持向量機分類檢測尾跡[2]；針對遙感圖像條紋噪聲檢測方法，通過Canny邊緣檢測、線條跟蹤和閾值三步定位條紋[3]；針對結(jié)構(gòu)光條紋的邊緣檢測，通過自適應(yīng)中值濾波器平滑圖像，方向可調(diào)濾波器提取結(jié)構(gòu)光條紋邊緣點兩步檢測光條紋[4]；根據(jù)頻域條紋噪聲的功率譜特性，建立小波鏡像正則反演濾波器抑制和去除條紋[5]；以及基于穩(wěn)健統(tǒng)計的抗差估計濾波檢測和去除靜態(tài)圖像中脈沖噪聲引起的干擾條紋[6]。但上述方法都針對某種單一特征條紋及特定環(huán)境檢測，并不適用于視頻監(jiān)控系統(tǒng)。通過分析大量監(jiān)控視頻圖像的干擾條紋特征，本文提出了一種自適應(yīng)檢測算法，將監(jiān)控視頻幀圖像變換到頻譜空間，將頻譜分量分成兩類子塊，即擴展頻譜帶和周邊區(qū)域頻帶，根據(jù)不同子塊特性，通過離散行列累積分布函數(shù)找出異常峰值點或設(shè)置閾值找出異常亮點，進(jìn)而檢測干擾條紋。
1 監(jiān)控圖像條紋干擾特性
　圖1(a)是由監(jiān)控系統(tǒng)附近很強的干擾源引起條紋干擾的一幀圖像，圖1(b)是二維傅里葉變換后的頻譜圖，圖1(c)是圖像傳感器故障引起條紋干擾的一幀圖像，圖1(d)是其頻譜圖。通過分析發(fā)現(xiàn)，條紋噪聲在空域中具有以下特征：

　(1)條紋噪聲具有一定的方向性，在某個方向有較強的灰度變化。
　(2)條紋噪聲分布具有準(zhǔn)周期性，明暗交替出現(xiàn)，此類干擾大多由不同頻率噪聲引起。
　(3)干擾源的多樣性，使得條紋干擾可能出現(xiàn)在不同方向上，并形成疊加。
　圖1(b)、圖1(d)中的明亮突起部分是由準(zhǔn)周期條紋噪聲導(dǎo)致的，通過分析發(fā)現(xiàn)，條紋噪聲在頻域中具有以下特征：(1)空域中有幾條不同周期的條紋噪聲，頻域中就有幾個與之對應(yīng)的“十”字形異常亮點。(2)條紋噪聲周期和角度不同，對應(yīng)的頻譜中異常亮點區(qū)域也不同，可能落在具有暗背景的周邊區(qū)域(如圖1(b)所示)，也可能落在亮帶附近(如圖1(d)所示)。因此，對監(jiān)控視頻幀圖像進(jìn)行傅里葉變換后，檢測“十”字形異常亮點是解決問題的關(guān)鍵。為去除中間亮帶對“十”字形亮點檢測的干擾，將頻譜圖分為兩塊，亮帶附近區(qū)域稱為擴展調(diào)頻帶[7]，暗背景區(qū)域稱為周邊區(qū)域頻帶。擴展調(diào)頻帶上的“十”字形亮點通過行列累積分布函數(shù)進(jìn)行檢測，而周邊區(qū)域頻帶可通過設(shè)置閾值檢測“十”字形亮點。
2 條紋檢測算法原理

　計算幀圖像列方向和行方向上的累積分布函數(shù)，其中頻譜圖的橫軸是行數(shù)或列數(shù)，縱軸與之對應(yīng)的是列方向或行方向的頻譜幅度累加值[5]。利用頻譜圖對稱性，只需計算圖像一半的行列累積分布函數(shù)。
　圖3顯示了擴展調(diào)頻帶區(qū)域異常亮點的檢測方法，原圖是一幀視頻傳輸線路阻抗不匹配造成的等間距斜紋(即圖4的C類紋)。式(4)和式(5)確定的子塊圖3(a)和圖3(c)分別是行擴展條頻帶和列擴展條頻帶。圖3(b)是式(6)計算的列方向累計分布函數(shù)，圖3(d)是式(7)計算的行方向累計分布函數(shù)?？梢?，圖3(b)的列方向累積分布函數(shù)中有異常峰值P，由此檢測出擴展調(diào)頻帶區(qū)域有異常亮點。

3 算法描述
　算法的具體步驟如下：
　(1)初始化處理。根據(jù)監(jiān)控視頻時長和幀播放速率，設(shè)置采樣間隔抽取待測幀，規(guī)格化幀圖像為320×240，并轉(zhuǎn)為灰度圖像，以提高運算速度。
　(2)頻譜圖分塊處理。根據(jù)2.2部分的算法原理將視頻幀圖像分為周邊區(qū)域頻帶和擴展調(diào)頻帶兩個子塊。
　(3)周邊區(qū)域頻帶異常亮點檢測。用模板(5×5)對頻譜圖進(jìn)行增強處理，突出異常亮點幅度值。若周邊區(qū)域頻帶幅度值大于閾值α(α取175)，表明周邊區(qū)域頻帶存在條紋干擾。
(4)擴展調(diào)頻帶異常亮點檢測。根據(jù)2.3部分的算法原理求得列方向和行方向的離散累積分布函數(shù)，檢測是否存在異常峰值，若有，則表明幀圖像的擴展調(diào)頻帶存在條紋干擾。
(5)對視頻序列的抽取幀依次運用上述方法檢測，評價視頻段是否存在條紋噪聲干擾。
4 實驗結(jié)果與分析
　為了驗證算法的有效性，從不同場景，720×576分辨率的監(jiān)控視頻中選取6個5 min的RGB視頻片斷作為測試樣本，其中1個視頻無條紋干擾，5個視頻分別存在斜條紋、橫條紋等噪聲干擾，如圖4所示。設(shè)置視頻播放速率為25 幀/s，幀抽取速率為0.2 幀/s，幀圖片規(guī)格化為320×240。分別采用本文提出的算法、基于Canny邊緣算子檢測法[3]和基于光條紋方向模板法[1]檢測條紋噪聲，結(jié)果如表1所示。

　圖4中，A類條紋指監(jiān)控系統(tǒng)受強干擾導(dǎo)致的斜紋噪聲，B類條紋指圖像傳感器故障引起的等間距橫紋噪聲，C類條紋指視頻傳輸線路阻抗不匹配造成的等間距斜紋噪聲，D類條紋指低頻干擾引起的水平散狀細(xì)小條紋，E類指工頻干擾引起的雪花疊加斜紋噪聲。另外，表1中的“1”表示檢測出條紋，“0”表示沒有檢測出條紋，“-1”表示誤檢?？梢姡贑anny邊緣算子的條紋檢測只適用于水平或垂直細(xì)條紋的檢測[3]；方向模板法只能檢測出B類條紋，易受背景干擾導(dǎo)致對無條紋圖像的誤檢；而提出的算法能有效檢測出除D類外的多種周期性干擾條紋，D類條紋因散狀細(xì)小且無周期性，造成頻域沒有異常亮點，故檢測不出。表2所示為檢測B類條紋時三種算法的計算時間，本算法與方向模板法時間較為接近，基于Canny邊緣算子的條紋檢測法計算時間最長。綜上所述，本算法能有效檢測出監(jiān)控視頻序列中的多種準(zhǔn)周期性條紋且運算效率較高。

　通過分析視頻監(jiān)控圖像中條紋噪聲的頻域特性，本文提出了一種能夠快速檢測監(jiān)控圖像周期性條紋干擾的算法。根據(jù)相對距離將視頻幀頻譜圖分成周邊區(qū)域頻帶和擴展調(diào)頻帶兩個子塊，再計算行列累計函數(shù)檢測子帶或閾值，判斷各子塊是否存在異常亮點，進(jìn)而確定幀圖像是否存在條紋噪聲；通過頻率譜的對稱性，大大減少了異常點的遍歷次數(shù)，提高了算法的運行速度。實驗結(jié)果表明，本文提出的算法能有效檢測出監(jiān)控視頻序列中的準(zhǔn)周期性條紋，適應(yīng)具有不同方向的多種周期性條紋的檢測，但對無周期性的散亂條紋和細(xì)小條紋不適用，這也是下一步研究的重點。
參考文獻(xiàn)
[1] 胡斌，李德華，金剛，等.基于方向模板的結(jié)構(gòu)光條紋中心檢測方法[J].計算機工程與應(yīng)用，2002(11)：59-60.
[2] 汪海洋，潘德爐，夏德深，等.基于方向極傅里葉頻譜2DPCA的尾跡檢測[J].自動化學(xué)報，2008，34(9)：1053-1059.
[3] Fuan Tsai， Chen W W. Striping noise detection and correction of remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2008，46(12)： 4122- 4131.
[4] Chen Yanjun， Zheng Jun， Wang Kuanquan， et al. Structured light stripe boundary detection using steerable filters[C]. 2010 International Conference on Computer Application and System Modeling (ICCANS)， 2010：22-24.
[5] Wang Zuoguan. Frequency-domain regularized deconvolution for images with stripe noise[C]. Proceeding of the Fourth International Conference on Image and Graphics， ICIG′07， Chengdu： 2007：110-115.
[6] VIJAYKUMAR V R， VANATHI P T， XANAGASABAPATHY P， et al. An efficient algorithm to remove scratches stripes and blotches in still images[C]. International Conference on Intelligent and Advanced Systems， ICIAS 2007， Kuala Lumpur： Proceeding of the 2007 IEEE， 2007：605-610.
[7] 孫穎，張志佳.基于頻域濾波的自適應(yīng)條帶噪聲去除算法[J].儀表技術(shù)與傳感器，2006(2)：57-59．
[8] 鄒園園，葛慶平，韓煜，等.基于頻域濾波的THz圖像條紋噪聲處理[J].計算機工程與應(yīng)用，2009，45(17)：241-24.