基于张量低秩分解和非下采样剪切波变换的视频图像去雪方法.pdf
《基于张量低秩分解和非下采样剪切波变换的视频图像去雪方法.pdf》由会员分享,可在线阅读,更多相关《基于张量低秩分解和非下采样剪切波变换的视频图像去雪方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、2023 年 10 月 图 学 学 报 October2023第 44 卷 第5期 JOURNAL OF GRAPHICS Vol.44No.5 收稿日期:2023-03-09;定稿日期:2023-05-26 Received:9 March,2023;Finalized:26 May,2023 基金项目:国家自然科学基金项目(61379105);安徽省自然科学基金项目(1908085MF208)Foundation items:National Natural Science Foundation of China(61379105);Anhui Provincial Natural Sci
2、ence Foundation(1908085MF208)第一作者:张云鹏(1993),男,硕士研究生。主要研究方向为数字图像处理。E-mail: First author:ZHANG Yun-peng(1993),master student.His main research interest covers digital image processing.E-mail: 通信作者:周浦城(1977),男,教授,博士。主要研究方向为图形图像处理、计算机视觉等。E-mail: Corresponding author:ZHOU Pu-cheng(1977),professor,Ph.D.Hi
3、s main research interests cover graphic image processing,computer vision,etc.E-mail: 基于张量低秩分解和非下采样剪切波变换的 视频图像去雪方法 张云鹏1,周浦城1,2,薛模根1,2(1.偏振光成像探测技术安徽省重点实验室,安徽 合肥 230031;2.陆军炮兵防空兵学院信息工程系,安徽 合肥 230031)摘要:在雪天条件下,雪花会对视频监控系统造成遮挡,使部分重要景物信息无法被捕获,严重降低获取的视频图像质量,对后续目标检测与识别等高级图像处理造成强烈干扰。现有视频图像去雪方法普遍存在去雪效果不稳定,运算耗时
4、长等缺陷。针对该问题,首先利用张量能充分挖掘视频图像中蕴含的空间位置信息的优势,通过张量低秩分解模型与三维全变分正则化相结合,将受到雪花污染的监控视频分解为静态背景层和运动前景层;然后,采用基于非下采样剪切波变换和数学形态学滤波方法,将运动前景层进一步分解为运动物体层和雪层;最后,将静态背景层和运动物体层进行重构,得到最终去雪后的视频图像。实验结果表明,该方法能够有效去除视频图像中的雪花干扰,清晰保留景物边缘信息,在处理效果和运算效率上均优于现有先进算法。关键词:张量低秩分解;非下采样剪切波变换;视频去雪;数学形态学滤波 中 图 分 类 号:TP 391 DOI:10.11996/JG.j.2
5、095-302X.2023050947 文 献 标 识 码:A 文 章 编 号:2095-302X(2023)05-0947-08 Snow removal in video based on low-rank tensor decomposition and non-subsampled shearlet transform ZHANG Yun-peng1,ZHOU Pu-cheng1,2,XUE Mo-gen1,2(1.Anhui Province Key Laboratory of Polarization Imaging Detection Technology,Hefei Anhui
6、 230031,China;2.Department of Information Engineering,PLA Army Academy of Artillery and Air Defense,Hefei Anhui 230031,China)Abstract:Under snowy conditions,snowflakes can obstruct video surveillance systems,preventing the capture of important scenery information and drastically reducing the quality
7、 of acquired video images.This interference can also strongly affect advanced image processing techniques such as subsequent target detection and recognition.The existing methods for removing snow from video images commonly suffer from drawbacks such as unstable snow removal performance and long com
8、putational time.To address this issue,firstly,the advantages of tensors in fully capturing spatial location information within video images were leveraged.By combining a low-rank tensor decomposition model with three-dimensional total variation regularization,the snow-contaminated surveillance video
9、 was decomposed into a static background layer and a moving foreground layer.Then,based on the non-subsampled shearlet transform and mathematical morphology filtering methods,the moving foreground layer was further decomposed into a moving object 948 图像处理与计算机视觉 2023 年 1 layer and a snow layer.Finall
10、y,the static background layer and moving object layer were reconstructed to obtain snow-free video images.The experimental results demonstrated the effectiveness of this approach in removing snowflake interference from video images while clearly retaining scene edge information.Moreover,the proposed
11、 method outperforms existing state-of-the-art algorithms in terms of processing efficacy and operational efficiency.Keywords:low-rank tensor decomposition;non-subsampled shearlet transform;snow removal in video;mathematical morphology filtering 视频监控设备现如今已随处可见,在人民生产生活中发挥了越来越重要的作用。然而在雾、霾、雨、雪等不良天气及低照度环
12、境下,视频监控设备输出的画面质量会出现严重退化,为后续分析处理带来挑战1-3。尤其在降雪天气,由于雪花的遮挡作用,不仅妨碍人眼视觉观察和视频图像质量,还影响到计算机视觉算法的鲁棒性和可靠性。现有的视频图像去雪算法大致可以概括为四大类,即基于帧差的方法、基于滤波的方法、基于稀疏表示的方法以及基于深度学习的方法。其中,帧差法4计算方便,但易模糊景物边缘,且背景中存在运动目标时易受干扰。滤波法5结合图像的频域特性和雪花的局部特征进行滤除处理,虽然算法复杂度较低,但去雪效果不稳定。基于稀疏表示的方法6-8将雪天视频图像信息进行稀疏分解,进而通过对不同成分的单独处理,达到去除雪花的效果,但容易出现雪花误
13、检测现象。基于深度学习的方法9-13通过训练深度神经网络来获得有雪和无雪视频图像之间的高维映射关系,尽管对于特定的数据集能够获得较好的去雪效果,但网络模型泛化能力有限。针对现有方法存在的不足,本文提出一种新的视频图像去雪方法,基于张量低秩分解充分发掘视频图像空间位置信息,结合非下采样剪切波变换(non-subsampled shearlet transform,NSST)14有效实现了视频图像去雪效果。1 雪天视频图像降质问题描述 在受降雪影响的视频图像中,t 时刻帧图像可近似分解为背景图像 Ib和雪像 Is两部分,即对于 t时刻位置(x,y),雪天降质视频模型可表示为 (,)(,)(,)bs
14、I x y tIx y tIx y t(1)由于雪像 Is未知,仅仅通过受雪影响的图像 I 求解清晰的背景图像 Ib是病态的反问题,必须增加有关雪像 Is或背景图像 Ib的先验信息才能求解。一般来说,在降雪天气下获得的视频图像是由静态背景、抖动背景、运动物体和雪花等几部分共同组成的。为此,视频图像去雪任务大体可以从 2 个方面来考虑:通过雪花的特征信息精准检测雪花,从而获得准确的雪像 Is;通过背景和运动物体特征信息,来抽取静态背景、抖动背景和运动物体组成的背景图像 Ib。2 种处理方式成功的关键均在于能否通过合适的判别特征来准确区分雪花和非雪花信息。为有效去除视频图像中的雪花干扰,清晰保持景
15、物的边缘信息,本文首先通过张量低秩分解得到静态背景层和运动前景层;然后,利用 NSST和数学形态学滤波将运动前景层进一步区分为运动物体层和雪层;最后,将运动物体层与静态背景层进行重构,得到最终去雪后的视频图像。算法处理流程如图 1 所示。图 1 算法处理流程 Fig.1 Overview of the proposed method 第 5 期 张云鹏,等:基于张量低秩分解和非下采样剪切波变换的视频图像去雪方法 949 2 基于张量低秩分解的背景建模 2.1 张量与张量低秩分解 张量的本质是多维数组,如单帧图像可看作是二阶张量,视频可以视为三阶张量。张量低秩分解能够获取反映多维数组本征结构信息
16、的低维数组,分解方法主要有塔克分解、CP 分解(canonical polyadic decomposition)和 Block Term 分解等等。近年来,张量低秩分解越来越多地应用于图像处理领域,如图像复原15、多聚焦图像融合16等。对于背景完全静止的固定场景监控视频图像,帧与帧之间幅度差异很小,绝大多数像素位置差值近似为零。但由于运动雪花的存在,导致帧与帧之间差异变大。因此,理论上视频图像的张量低秩分解可以实现静止背景与运动雪花的分离。本文用大写加粗英文字母表示张量,如 X;大写英文字母表示矩阵,如 X;小写加粗英文字母表示矢量,如 x;小写英文字母表示标量。2 个张量 X 和 B 的内
17、积定义为 121212,=NNNi iii iii iixbX B 张量 X 的 F 范数定义为=,FXX X。张量 X的 n 模矩阵化表示为 X(n),X 与矩阵 U 的 n 模乘用nUX表示。多重线性秩定义为数组(r1,r2,rN),其中rn=rank(X(n),n=1,2,N。当全部X(n)均为低秩时,X为低秩张量。2.2 图层分解模型 对于一组被雪花污染的监控视频数据,可以用一个三阶张量表示为 121,TTXXXXX(2)其中,(1,2,)th wXtT代表t时刻的视频帧图像,h和w分别为图像的长度和宽度。于是有 XBG(3)其中,B和G分别为静态背景和运动前景组成的三阶张量。根据雪天
18、视频图像降质模型,t时刻帧图像Xt可以分解为 tttXBG(4)其中,Bt为t时刻的静态背景帧;Gt为t时刻的运动前景帧,其由运动物体和雪花组成,即 tttGYS(5)其中,Yt为t时刻视频帧图像中运动物体信息;St为t时刻视频帧图像中的雪花信息。尽管监控摄像头可能存在轻微抖动等原因,导致不同时刻背景帧有所差异,但是对于整段监控视频而言,可以近似认为静态背景B保持不变,所以本文利用低秩塔克分解来描述B的空间位置特性。借鉴文献5的研究,本文使用三维全变分(three-dimensional total variation,3DTV)正则化17-18来处理,得到 2min3DTV,1B GBG(6
19、)约束项为 112233T=(1,2,3)iiUUUU UI iXBGB V(7)其中,V1U12U23U3是核张量为V和秩为ris的因子矩阵Uis的塔克分解。B的3DTV范数为 ,1,1,3DTV,1,=i j ki j ki j ki jki j ki j kij kbbbbbbB(8)其中,bi,j,k为B的第(i,j,k)项。由于塔克分解的非凸性,上述问题是非凸优化问题,可以通过增广拉格朗日乘子法(augmented Lagrange method,ALM)推导出模型中的闭式解。对于B的更新,可以通过以下优化问题求解,即 ()112233T2()()()12min12ikikkkFU
20、UIUUU VXGZ(9)为了提高运算效率,本文使用高阶正交迭代算法(higher-order orthogonal iteration,HOOI)19得到核张量V(k)和()(1,2,3)kiUi。更新后的B(k+1)为 (1)(1)(1)(1)(1)112233=kkkkkUUUBV(10)对于Z的更新为 222(1)(1)*()()*()23()()()()()(zzhkvckzkkzkHTfft Dfft Dfft Dfft HifftuuDTDBZ1F(11)其中,D()=Dh();Dv();Dc()为三维差分算子;Dh(),Dv()和Dc()分别为三维空间各方向的一阶差分算子;D*
21、()为D()的伴随。其中fft和ifft分别 950 图像处理与计算机视觉 2023 年 为快速傅里叶变换及其逆变换;|2为逐个元素进行运算。引入如下软阈值算子,则有,R(),0,zzzzz 其他 对于F的更新为 ()1(1)3R()kkkDFZ(12)对于G的更新为 ()1(1)1RkkkGXB(13)对于1,2和3的更新为 (1)()(1)(1)11(1)()(1)(1)22(1)()(1)(1)33()kkkkkkkkkkkkD XBGBZZF(14)3 雪花检测与分离 3.1 基于NSST的雪花检测 在分离出的运动前景中,既包含雪花信息,也包含运动物体和抖动背景。运动物体和抖动背景的边
22、缘大多具有明显的方向性,使用 NSST 对运动前景层高频子带进行多方向分解时,会在与分解方向相近的图层中呈现较高数值,而其他分解方向的数值较低,但雪花在各分解方向数值均保持相对稳定,因此下面采用 NSST 实现雪花粗检测。NSST是文献14于2008年在剪切波变换的基础上提出的,具有平移不变性和描述图像纹理细节灵活方便等优点。对于一幅二维图像,剪切波的仿射变换系统可以表示为 2,()det()()mnmABm n lxAB A xl(15)其中,m,n分别控制分解尺度和分解方向;2l为平移参数;22()L,L 为可积空间;A和 B 均为 22 可逆矩阵且 det|B|=1;Am为尺度变换矩阵;
23、Bn为几何变换矩阵。矩阵 A 和 B 常用形式为 40,02A1101B(16)利用 NSST 检测雪花步骤如下:步骤 1.对运动前景层帧 Gt进行非下采样金字塔变换,得到低频层和高频层。步骤 2.通过剪切波对高频层进行滤波,提取不同方向信息,得到不同方向高频子带。提取 8个方向子带信息,记为 L(i,j)。步骤 3.对高频子带系数进行如下处理 (,)(,)1,4,5,6,7,85i jh i jhLLh(17)其中,Lh(i,j)为位置(i,j)处的子带系数从大到小排序得到的结果。当景物边缘与图像分解方向接近时,高频子带系数也可能会偏大,故将前三项舍去。步骤 4.选取阈值T(一般取0.6)对
24、高频子带进行二值化处理,得到雪花位置检测结果为 (,)(,)(,)1,0,i ji ji jLTMLT(18)所有 M(i,j)构成的二维矩阵即为输入运动前景帧 Gt对应的雪花位置地图 M。3.2 运动物体和雪花分离 由于数学形态学方法具有简单易行、对噪声不灵敏等优点,接下来采用数学形态学滤波实现运动物体和雪花分离。为了较好地拟合雪花的形状,将半径 r 的圆 R 视为结构元素来膨胀 M,即 ()pyRMxM (19)其中,y 为集合平移的位移量;R 为对 R 做关于原点的反射得到的反射集合。Mp取反变换得到 pfMM(20)然后计算Gt与Mf的哈达玛乘积,得到去雪后的运动物体层 ttfYGM(
25、21)再将Yt加回到Bt,得到去雪视频图像帧,即 tttdYIB(22)3.3 去雪算法描述 具体步骤如下:步骤 1.输入原始视频图像X,塔克分解的期望秩一般取0.8h,0.8w,1020-21,=1,=0.01,=100。步骤 2.初始化条件:B=Z=G=0,1=2=3=0,?=1.5,k=0,max=106。步骤 3.根据式(6)式(14),更新迭代B,G,F,Z,更新迭代参数=min(?,max);更新迭代的收敛条件为 2()(1)2kkFFBBX 第 5 期 张云鹏,等:基于张量低秩分解和非下采样剪切波变换的视频图像去雪方法 951 步骤 4.通过式(15)式(18)得到输入运动前景帧
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 张量 分解 采样 剪切 变换 视频 图像 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。