由于计算机的处理速度极快,且数字信号具有失真小、易保存、易传输、抗干扰能力强等特点,因而计算机图像处理的应用十分广泛,包括航空航天、遥测技术、医疗器械、工业自动化检测、安全识别、安防监控、娱乐媒体等各大领域。每一个应用领域都有其领域的特殊性要求,安防监控行业应用也有其固有的特殊性。


对图像清晰度要求较高。在治安监控现场,公安机关往往需要通过监控录像来辨认嫌疑人、证据等。一般清晰度不高的视频都达不到这种要求。在交通监控现场,交警需要通过监控图像来识别车牌、违章行为、驾驶人等要求,模糊的图像在这种场合根本无法应用。


不同的行业监控,对图像要求的差异性。比如医疗监控,对图像的色彩还原性要求比较高。智能交通监控,对摄像机夜间照度和抓拍速度要求比较高,要求能清晰辨别车牌。在无人值守监控,需要设备在无人看管的条件下能长期稳定的工作。


户外安装,无人看守。在安防领域,大多情况设备需要安装在室外,设备需要经受常年的风吹日晒。要经历常年温度、湿度、盐度、辐射等自然条件的影响。电子设备自身的老化的速度会比其他领域要相对快一些。摄像机镜头、电子设备、传输线路等设施的老化会导致图像越来越模糊。


海量视频路数的要求。在大型平安城市监控项目中,视频路数会达到上万路,甚至更多路。如此海量的视频路数,对网络带宽、存储设备都提出了很高的要求。所以在视频监控领域都期望视频编码的码率压缩比达到高,从而降低对带宽和容量的要求。这就导致在视频编码环节产生更多的信息丢失,从而导致图像模糊。


安防领域的这些特殊应用场所,都会导致图像清晰度的下降,反过来又对图像清晰度有很高的要求,势必会导致模糊图像处理技术在这里有广阔的应用前景。





北京明景科技在多年视频通信技术的经验积累上,推出了明景视频图像增强处理系统,在视频侦查过程中,针对模糊的视频图像线索,提供多种算法使图像清晰化增强。以辅助公安干警侦查图像中有价值的信息,如车辆牌照号、人脸信息、外观特征等。除了手工设置视频图像处理参数外,系统可以通过遍历方式,自动寻找最优算法参数,从而达到理想处理效果。支持照度校正、环境问题处理、特定模糊处理、色彩增强处理、影像模式转换、任意模糊恢复、噪声处理、高级影像放大、轮廓析出处理。

明景模糊视频图像分析处理系统用于公安侦查过程中对涉案监控视频中提取的模糊图片进行清晰化处理,解决视频图像线索“看不清”的难题。针对视频侦查实战需求,增强视频图像画面关键细节,恢复视频图像中有价值的信息。


明景视频模糊图像分析处理系统


图像增强

许多传统的图像算法可以降低图像的模糊程度,如图像滤波、几何变换、对比度拉伸、直方图均衡、空域锐化、亮度均匀化、形态学、颜色处理等。就个体而言,这些算法相对成熟且相对简单。然而,对于特定的模糊图像,通常需要一个或多个上述算法和不同参数的组合来实现期望的效果。这些算法和参数的结合进一步发展成为具体的增强算法,如“图像去雾”算法、“图像去噪”算法、“图像锐化”算法、“图像暗细节增强”算法等。这些算法在很大程度上提高了图像的清晰度和图像质量。比如:形态学、图像滤波和颜色处理的组合算法可用于实现图像去雾算法等。



图像复原

像图像增强技术一样,图像复原也是一种提高图像质量的技术。图像复原是基于图像退化的先验知识建立退化模型,然后利用各种逆退化处理方法在此模型的基础上逐步恢复,从而达到提高图像质量的目的。


图像复原和图像增强是存在区别的,虽然两者的目的都是为了提高图像质量,然而,图像增强不需考虑图像如何退化,只是通过探索各种技术达到增强图像的视觉效果。而图像复原则完全不同,需要了解图像退化过程的先验知识,并在此基础上找到相应的逆过程方法,以获得复原的清晰图像。


图像复原主要依赖于图像退化过程先验知识的准确性。对于散焦、运动、大气湍流等原因造成的图像模糊,图像复原方法具有良好的效果。常见的算法包括维纳滤波算法、小波算法、基于训练的方法等。当退化模型已知时,图像复原可以获得比图像增强更好的结果。



图像超分辨率重构


现有监控系统的主要目的是监控宏观场景。一台摄像机覆盖的区域很大,导致图像中的目标太小,人眼很难直接识别。这种由欠采样引起的模糊占了很大比例。欠采样造成的图像模糊,图像超分辨率重构的方法效果更好。


超分辨率复原是一种提高图像分辨率和采集图像质量的信号处理方法。其核心思想是通过估计信号的高频成分而不是成像系统的截止频率来提高图像的分辨率。超分辨率复原技术最初只处理单幅图像。因为只有单幅图像可用,这种方法在图像复原效果上有固有的局限性。序列图像超分辨率复原技术旨在通过信号处理方法处理序列低分辨率退化图像,以获得一幅或多幅高分辨率复原图像。由于序列图像复原可以利用帧间的额外信息,因此优于单幅图像的复原,是目前的研究热点。


序列图像的超分辨率复原主要分为两类:频域法和空域法。频域方法的优点是理论简单,计算复杂度低,缺点是:它只限于全局平移运动和线性空间不变退化模型,其包含空间域先验知识的能力有限。空间域方法中使用的观测模型涉及全局和局部运动、空间变量模糊点扩散函数、非理想二次采样等。并且具有很强的包含空间先验约束的能力。常用的空间域方法包括非均匀插值、迭代反投影法(IBP)、凸集投影法(POCS)、最大后验估计法(MAP)、最大似然估计法(ML)、滤波法等。其中,MAP和POCS的研究较多,发展空间很大。至于具体的算法,这不是本文的重点,这里就不详细介绍了。图5是使用多帧低分辨率图像的超分辨率重建的示例。