基于中值滤波与边缘插值的视频去隔行算法

赵娜娜，王向文，刘顺兰

(杭州电子科技大学通信工程学院，浙江杭州310018)

0 引言

去隔行是实现视频信号从隔行到逐行扫描格式转换的关键技术，其实质是对隔行电视信号进行插补，重建奇偶场中缺少的行信息，将场图像还原成帧图像，目的是消除隔行扫描中的行间闪烁、行蠕动、并行及锯齿化等固有缺陷［1，2］。场平均是一种简单的线性去隔行算法，利用上下行相邻象素的均值代替待插象素值，其优点是结构简单，但当图像中存在运动时，会导致严重的锯齿现象［3］;基于边缘的行平均算法(Edge-based Line Average，ELA)根据边缘进行插值，但仅能检测到 45°、90°、135°边缘，对小角度边缘无能为力［3］;运动自适应算法包括运动检测和插值两步，常用的4场运动检测由于检测的不准确性，根据运动检测结果会引入插值错误，从而产生运动虚像［4，5］。本文提出了基于中值滤波与边缘插值的视频去隔行算法，即利用改进的运动检测算法精确地检测出象素的运动状态，根据检测结果结合场复制、三点中值滤波算法、改进的基于边缘的行平均算法(NEW Edge-based Line Average，NEW ELA)可有效地避免运动虚像的产生，明显改善插值效果。

1 改进的运动检测

视频信号按奇偶场的次序依次传输，每隔一场极性相同［3］。传统的4场运动检测将2组同极性场的检测结果进行叠加，减少运动检测的错误概率，去隔行后的图像质量也得到一定的改善。但是，4场运动检测不能解决去隔行之后的运动虚像。物体运动过快尤其是有垂直跳跃运动的物体时容易产生运动虚像。为了解决此问题，本文利用了改进的4场运动检测方法，将象素的运动状况分为3种:静止、运动以及无法确定。此运动检测方法的框架如图1所示，图1中n表示当前场，n+1表示后一场，n－1、n－2分别表示前一场和前两场，X是要插入的象素值，A、B、C、D、E、F、G、H都是存在的象素值。

图1 改进的运动检测框图

改进的4场运动检测的算法是:

其中，th1，th2，th3 都是预先设定的阈值，d=max(d1，d2，d3)，d1=abs(C －D)，d2=abs(E － F)，d3=abs(A－B)，d4=abs(D－G)，d5=abs(F－H)，d6=(d4+d5)/2，此算法增加了d6可以更加精确的判定象素的运动状况，从而有效的消除虚像问题。

2 基于中值滤波与边缘插值的视频去隔行算法

改进的运动检测算法将待插值象素的运动状态分为3类:静止、运动、不确定状态，在去隔行插值过程中，分别对这3种情况采用不同的插值算法，以得到好的去隔行逐行图像。本文提出的基于中值滤波与边缘插值的视频去隔行算法，对静止象素利用场重复的插值算法，对运动象素采用三点中值滤波算法，对不确定状态的象素采用NEW ELA算法。

2.1 三点中值滤波

中值滤波算法是一种隐含的非线性自适应算法［3］。这种算法引入了时域插值和空域插值，时域插值和空域插值分别适用于静止图像和运动图像，可以对每一个象素自动进行场内/场间的插值转换，这是中值滤波算法的优点。三点中值滤波如图2所示，用公式表示如下:

2.2 改进的基于边缘的行平均算法

基于边缘的去隔行算法，可以保留图像的边缘细节，降低低通滤波造成的垂直和水平方向上的模糊效应。改进的基于边缘的行平均算法在ELA的基础上将边缘扩展为5点，可检测到更小的边缘，然后将边缘插值结果与垂直相邻行象素进行中值滤波，得到更准确的边缘插值结果。插值图如图3所示，X为要插入的象素值，X由下两式确定。

式中，A、B、C、D、E、F、G、H、I是已存在的象素值，XG=(G+J)/2，XA=(A+F)/2，XB=(B+E)/2，XC=(C+D)/2，XH=(H+I)/2分别对应各个方向上的均值。

图2 三点中值滤波框图

图3 边缘插值框图

3 仿真结果

本文用峰值信噪比(Peak Signal to Noise Ratio，PSNR)和结构相似度(Structural Similarity，SSIM)衡量去隔行算法的性能。PSNR定义为:

SSIM是根据真实的图像信号所具有的高度结构化以及邻近象素点之间所具有的强烈相关性，提出的一种与主观评价有较好的相关性的测度标准［1］。定义为:

式中，X为原始图像，Y为去隔行之后的逐行图像，μx分别为原始图像的平均亮度和方差，μy、分别为去隔行得到逐行图像的平均亮度和方差，C和C是为了保证分母不为零而设置的常量。0≤12SSIM(X，Y)≤1，SSIM(X，Y)越接近于1，去隔行之后的逐行图像质量越好。

本文仅将有大面积运动的flowergarden图像的仿真数据如表1所示，并与其他算法进行比较。带运动检测的三点中值算法首先用4场运动检测算法进行运动检测，然后对运动象素采用三点中值插值、对静止象素采用场复制插值，其他算法在前文中已有介绍。从表1可以看出本文算法比其他算法有更高的PSNR值，在SSIM相差很小的情况下，比传统运动检测的三点中值的PSNR高，得到的重建图像质量更好。

根据本文算法重建的图像仿真结果如图4所示。从图4中可以看出，本文算法得到的重建图像有效地去除了隔行扫描带来的缺点，对水平、垂直以及斜线边缘保护也较好。

表1 本文算法与其他算法的PSNR和SSIM比较

图4 本文的原始图像和去隔行图像

4 结束语

本文利用改进的运动检测算法，有效地提高了运动检测的性能。本文提出的基于中值滤波与边缘插值的视频去隔行算法分别对静止象素采用场复制，运动象素采用三点中值滤波以及不确定的运动状态采用改进的基于边缘的行平均算法，有效地保护了垂直、斜线以及水平边缘。PSNR、SSIM两个评价准则和仿真结果都表明本文的算法有效提高了去隔行的性能。

［1］ 高文，赵德斌，马思伟.数字视频编码技术原理［M］.北京:科学出版社，2010:32－34.

［2］ 丁勇，陆生礼，时龙兴.时空权重和边缘自适应去隔行［J］.计算机学报，2007，30(4):655－657.

［3］ HannG D，Bellers E B.Deinterlacing-an overview［J］.Proceedings of the IEEE，1998，86(9):1 839 －1 857.

［4］ JangSeung-Min，Park Ju-Hyun，Hoog Sung-Hoon.Deinterlacing method based on edge direction refinement using weighted maximum frequent filter［C］.Kuala Lumpur:Signal and Image Processing Applications，2009:227 － 230.

［5］ He Zheng-Gong，Hao-Chia，Fan Chih-Peng.Motion adaptive de-interlacing algorithm with edge-based low complexity interpolation method［C］.Singapore:TENCON 2009 －2009IEEE Region 10 Confernce，2010:1 －5.