视频监控中噪声的检测分析

摘 要：在视频监控中，不仅仅需要注重图像，对视频中的声音处理也尤为重要，将视频中的噪声进行处理的目的是为了防止对最后的监控结果造成不利的影响。噪声的种类有很多，这对进行噪声的检测带来了严峻的挑战，因为监控是布置在各种环境下的，该文就是针对在视频监控中出现不同类型的噪声检测进行的分析，探讨检测方法的应用。

关键词：视频监控 噪声检测 检测方法

中图分类号：TP391 文献标识码：A 文章编号：1672-3791（2017）03（b）-0044-02

监控使用的视频类器材很多都是安置在室外环境下的，自然因素会导致其受到雨水等各种侵蚀，当室外下雨时，雨水极容易进入到机器中，烧损机器内部的零件，造成监控视频中出现模糊的现象，或者器材在运输中会受到各种磁场的影响而出现或多或少的噪声，噪声会导致图像中丢失重要信息，所以对噪声的检测极其重要。以下是针对噪点、雪花和条纹这三种类型的噪声检测进行的分析研究。

1 噪点类噪声的检测分析

目前比较传统的对噪声进行检测的方法有三种：基于信噪比来实现的噪声检测、椒盐噪声检测以及均方误差值检测法。虽然方式方法比较多，但是受到噪声种类不同的影响，并不能达到很好的效果。针对噪声检测最早的方式之一就是边缘检测法，进行检测的原理就是由于处在图像边缘处的像素会发生比较剧烈的变化，通过对变化的程度实现对噪点的检测，噪点的存在会使相对平稳的像素产生剧烈的变化，这种检测的方式通过此前的研究已经相对比较完善了，算法总结起来也有无数种，还有更多的新算法正处在研究的过程中。

边缘检测法顾名思义，是作用于图像边缘的，边缘是图像中不同区域的划分线，想要对监控图像进行分析的首要内容就是将不同区域的边缘线进行区分，才可以有效将目标区域进行分析，一个图像中被边界处划分出来的就象征着一个区域的完成，同时也代表着开始。选定的监控视频区域的不同决定着它的构架也是不同的，每个区域都有每个区域的特点，但是无论如何边界的标记一定代表着一个目标区域。检测噪点就是通过图像边界来进行的，对目标区域内存在的特征：纹路、颜色等进行检测分析。

目前已经在视频噪声检测分析中使用的利用噪点进行检测的算法还有一种就是在空间域条件下进行的，这种算法的原理就是将噪点和像素点结合起来，将两者对应，在这种方法下，检测可以将噪点当作在空间内的某一个点，所以这个方法就是通过将所检测的像素点与其周围的其他像素点之间存在的不同点来确定该像素点到底是不是噪点，从而实现检测目的。但是这种算法也存在着一定的缺陷，因为目前对于噪点的定义标准过于死板，经常会出现无法正确检测的现象，也会造成误检。

2 雪花类噪声的检测分析

雪花噪声检测也是视频监控的噪声检测中的重点，也是最经常出现的现象，在视频的监控图像中，将图像从机器传送到计算机的屏幕过程中会出现很多的问题，因为传输的环境相对比较复杂，其中之一就是图像中出现雪花形状的图形干扰图像质量，这种雪花状的图形其实是在视频进行传输的过程中产生的噪波，也是我们需要加大力度进行检测的方向之一。

在监控视频中出现雪花状图案的原因分为内部原因和外部原因两大类，内部原因主要是由于监控录像器材上的某个零件出现故障或者是接受监控视频的设备出现故障以及发生质量问题，这类故障产生的原因可以通过经常对设备进行检查来有效避免。外部原因是由于外界的电磁波等磁场的干扰产生的故障，磁场是存在于生活中的每个角落，在监控设备的附近以及视频接收的设备附近，甚至在视频的传送过程中都会产生很强的磁场，这是无法避免的。这些故障都是视频中出现雪花状图案的原因，也是进行检测研究所需要的基础信息。

我国目前使用在对雪花状噪声检测的技术都是以使用仪器为基础的，通过专门的仪器先对无故障的图像认证，之后对带有雪花图案的图像认证，实现雪花类噪声的检测目的。想要找到更高效的噪声检测方式的重要基础就是对图像有百分之百的了解，要对图像进行细致的观察，通过观察可以发现，将雪花类的噪声当成噪点是进行检测的最佳方式，这种类型的噪点直径是比较大的，可以形成一个噪点群，无论是形状还是数量都比较大，它是在屏幕上随机分布的，产生的干扰更是强烈。雪花类噪声的特点显著，因为其形状等条件，我们可以通过雪花噪声发生在视频屏幕上的故障所占面积的比例来推断，雪花噪声对于该监控视频造成的影响有多大，从而选择合适的算法对噪声进行检测分析。

3 条纹类噪声的检测分析

条纹状的噪声也是经常发生在监控视频屏幕上的故障之一，产生这种故障的原因有很多，第一种是由于进行视频播放的过程中，播放所在位置的附近有着影响很强的磁场，这种电磁波会对屏幕以及信号产生很大的影响；第二种故障类型经常发生在超市以及繁华的公路等人群密集的区域内，在@个区域内，因为设备所接触到的情况复杂，经常会有很多种复杂以及未知的电磁环境，会对监控器材产生影响，从而出现条纹状的噪声。条纹噪声在监控画面上影响的范围是最广的，造成的后果也是最严重的。

目前我们针对条纹类噪声的处理方式基本是相同的，大概分为三个步骤。第一步，保证图像不受到任何种类的磁场干扰，将其他类型的噪声排除，之后需要有经验的人将阈值找出来；第二步，为了将噪声更好地检测出来，可以将图像进行细化，也就是将其简单的分割，再对分割后图像的多余因素进行分析去除，之后对每个图像碎片都进行分析；第三步，也是最后一步是将分割后处理完的图像碎片进行重组，利用曲线进行拟合将它们连接。对于处理条纹类噪声的过程来说，每一步都是可以采用算法来进行设计的，而且可用的算法还不止一种，但是，很多算法在设计时都是针对经常发生或者有特点的噪声图像进行的，所以，算法的局限性极大，很多特点不足并且不常见的噪声，无法利用现有的算法进行检测。

通过对条纹类噪声检测的已有算法的研究，可以发现条纹噪声的检测是要通过识别作用的算法来进行的，识别算法的使用目的就是对监控视频中图像进行简单的处理，也就是对条纹类的噪声进行识别，之后才可以进行对噪声的正确检测。对监控视频中出现的噪声进行处理的技术有三种，第一种是从中间开始进行滤波或者进行双边的滤波；第二种是进行阈值化分隔；第三种是对已有的算法进行分析，找到能使用的具体算法或者将原有的算法进行改进，利用更新的数学公式进行算法的更新使用。即使对条纹类的噪声检测研究有了很大的进步，但是它仍然广泛存在于我们的监控视频中，所以，我们迫切的想要研究出条纹噪声在多种环境、多种干扰下的噪声检测的通用公式算法。我们希望这种算法可以达到降低劳动力和成本的目的，并且最大程度地将检测误差降低，保证检测质量。

4 结语

随着生活的进步和科技的发展，监控手段越来越高明，用途也越来越广泛，监控视频中出现的问题就更加受到人们的关注，如何有效地处理视频中出现的噪声问题是必须要研究的课题，将视频中的噪声检验出来是解决噪声问题的第一步，也是最重要的一步。条纹、噪点以及雪花是最常见的噪声类型，对这三种最常见的噪声类型的检测方式进行分析很有必要。

参考文献

[1] 王宝君，胡福乔.基于角点的监控摄像头干扰检测[J].计算机应用与软件，2010（5）：243-245.

[2] 陈国金，朱妙芬，张克松.图像调焦过程的清晰度评价函数研究[J].数据采集与处理，2009（2）：165-169.

[3] 刘刚，张治中.一种具有听觉功能的智能视频监控系统[J].电视技术，2014（1）：164-167.