基于彩色邊緣與十字型加權(quán)模板的馬賽克檢測(cè)

易宇暉，林志賢，郭太良

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350002)

?

基于彩色邊緣與十字型加權(quán)模板的馬賽克檢測(cè)

易宇暉，林志賢，郭太良

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350002)

為了解決高分辨率視頻馬賽克檢測(cè)識(shí)別率不高的問題，提出了一種基于彩色邊緣與十字型加權(quán)模板的視頻馬賽克檢測(cè)算法。該算法先通過基于CIELab色彩空間的彩色邊緣檢測(cè)檢出更多馬賽克邊緣，再采用十字型加權(quán)模板進(jìn)行模板匹配以識(shí)別出馬賽克塊。采用本文算法以及傳統(tǒng)算法對(duì)高分辨率視頻進(jìn)行馬賽克檢測(cè)，實(shí)驗(yàn)結(jié)果表明本文算法對(duì)視頻中馬賽克檢測(cè)的識(shí)別率高達(dá)98.2%，相比于傳統(tǒng)算法識(shí)別率提高了7.1%。

馬賽克；彩色邊緣檢測(cè)；CIELab色彩空間；模板匹配

馬賽克異常是人眼可感受到的一種嚴(yán)重的視頻質(zhì)量異常。隨著人們對(duì)視頻質(zhì)量的重視，越來(lái)越多的學(xué)者對(duì)馬賽克異常進(jìn)行了研究，涌現(xiàn)出許多優(yōu)秀的馬賽克檢測(cè)算法。目前大多數(shù)馬賽克檢測(cè)算法可以較好地檢測(cè)出普通分辨率的馬賽克異常，但隨著2K、4K分辨率的普及，更好的視頻編碼方式層出不窮，當(dāng)前視頻馬賽克檢測(cè)算法在通用性、識(shí)別率、誤檢率方面已經(jīng)不能滿足需求。其中，識(shí)別率不高是影響高分辨率視頻馬賽克檢測(cè)的關(guān)鍵問題之一。主要的馬賽克異常檢測(cè)算法可以分為以下3類：1)基于邊緣特征與色差分量特征的檢測(cè)方法，這類方法依賴特定的視頻格式，例如基于MPEG-2[1-2]、基于H.264[3]。它們實(shí)現(xiàn)起來(lái)簡(jiǎn)單、高效，但是容易丟失邊緣信息而造成漏檢，并且受到視頻格式的限制，通用性不高。2)基于區(qū)域分析和網(wǎng)絡(luò)擴(kuò)張的檢測(cè)方法[4]，這類方法識(shí)別率較高，但算法復(fù)雜，計(jì)算量大，不利于實(shí)時(shí)處理。3)基于模板匹配的檢測(cè)方法，這類方法通用性高。一般采用直角模板[5-6]或者T型模板[7-8]，算法簡(jiǎn)單，但識(shí)別率不高。4)基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法，這類方法用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行邊緣檢測(cè)，識(shí)別率不高。以上4種方法中，基于模板匹配的檢測(cè)方法在馬賽克檢測(cè)中是目前應(yīng)用得比較多并且效果也較好的方法。

本文針對(duì)高分辨率視頻馬賽克檢測(cè)識(shí)別率不高的問題，提出一種基于彩色邊緣與十字型加權(quán)模板的視頻馬賽克檢測(cè)算法，該算法先通過彩色邊緣檢測(cè)檢出更多馬賽克邊緣，再采用十字型加權(quán)模板進(jìn)行模板匹配以識(shí)別出馬賽克塊，從而提高高分辨率視頻馬賽克異常檢測(cè)的識(shí)別率。

1 傳統(tǒng)的馬賽克異常檢測(cè)算法

1.1 馬賽克特征

包含馬賽克異常的圖像具有以下特征：1)在形狀上，馬賽克塊表現(xiàn)為大小相對(duì)一致的矩形；2)在顏色上，馬賽克塊內(nèi)部顏色較為單一，馬賽克塊內(nèi)外顏色有較大突變[9]。這兩個(gè)特征是檢測(cè)視頻中是否含有馬賽克的主要依據(jù)。

1.2 傳統(tǒng)的馬賽克異常檢測(cè)算法流程

傳統(tǒng)的馬賽克異常檢測(cè)算法流程如圖1所示。

圖1 傳統(tǒng)的馬賽克異常檢測(cè)流程

具體檢測(cè)流程如下：

1)Canny算子[10]灰度邊緣檢測(cè)。通過邊緣檢測(cè)，對(duì)視頻幀圖像進(jìn)行預(yù)處理，提取馬賽克邊緣信息。

2)模板匹配。使用4個(gè)直角模板分別匹配出馬賽克塊的4個(gè)直角，得到4幅匹配結(jié)果圖，為確定一個(gè)馬賽克塊做準(zhǔn)備。

3)匹配點(diǎn)抑制。對(duì)匹配結(jié)果進(jìn)行二值化處理，排除非匹配點(diǎn)，將匹配點(diǎn)用灰度值255表示，非匹配點(diǎn)用灰度值0表示。

4)滑動(dòng)窗口馬賽克檢測(cè)。設(shè)定一個(gè)M×N的小矩形窗口，在4幅匹配結(jié)果圖中同步滑動(dòng)，每次滑動(dòng)后，判斷小矩形窗口內(nèi)的直角模板匹配點(diǎn)是否能確定一個(gè)馬賽克塊。待該幀圖像滑動(dòng)處理完畢，在結(jié)果中去除重復(fù)判斷的馬賽克塊。若該幀圖像中馬賽克塊數(shù)目超過設(shè)定的閾值T，則判斷該幀存在馬賽克異常。

1.3 傳統(tǒng)的馬賽克異常檢測(cè)算法的缺陷

傳統(tǒng)的馬賽克檢測(cè)算法采用灰度邊緣檢測(cè)，由于灰度邊緣檢測(cè)只利用了圖像的亮度信息，因此會(huì)丟失許多邊緣，造成馬賽克塊邊緣的漏檢；使用直角模板匹配，需要至少3個(gè)直角才能判定一個(gè)馬賽克塊，這對(duì)于呈“田”字型的4個(gè)馬賽克塊只檢測(cè)到中間“十”字型邊緣的情況會(huì)判定為無(wú)馬賽克塊。這些都是造成馬賽克檢測(cè)識(shí)別率不高的重要原因。本文針對(duì)傳統(tǒng)馬賽克檢測(cè)算法的缺陷，提出了基于彩色邊緣與十字型加權(quán)模板的馬賽克檢測(cè)算法以提高馬賽克檢測(cè)的識(shí)別率。

2 基于彩色邊緣與十字型加權(quán)模板的馬賽克檢測(cè)算法

為了解決高分辨率視頻的馬賽克檢測(cè)識(shí)別率不高的問題，本文采用基于CIELab色彩空間的彩色邊緣檢測(cè)，充分利用馬賽克塊間的色差信息，檢測(cè)出更多馬賽克塊邊緣，并且用十字型加權(quán)模板進(jìn)行模板匹配，解決“田”字型4個(gè)馬賽克塊缺少邊緣的情況，有效地提高了馬賽克檢測(cè)的識(shí)別率。本文的算法流程如圖2所示。

圖2 本文算法流程圖

2.1 基于CIELab色彩空間的彩色邊緣檢測(cè)

灰度邊緣檢測(cè)的過程是先將RGB彩色圖像灰度化再邊緣檢測(cè)。該方法只使用了RGB彩色圖像的亮度信息而忽略了色度信息，因此造成馬賽克塊部分邊緣的漏檢，導(dǎo)致馬賽克檢測(cè)的識(shí)別率不高。本文提出的基于CIELab色彩空間的彩色邊緣檢測(cè)算法流程如圖3所示。

圖3 基于CIELab的彩色邊緣檢測(cè)流程圖

2.1.1 平滑圖像

對(duì)視頻幀圖像f(x,y)的三通道分別進(jìn)行卷積運(yùn)算，采用式(1)所示的二維零均值離散高斯濾波函數(shù)G(x,y)作為卷積函數(shù)，得到平滑圖像I(x,y)。

G(x,y)=e-(x2+y2)/2σ2

(1)

I(x,y)=f(x,y)*G(x,y)

(2)

式中：σ是高斯函數(shù)的方差，σ越大平滑程度越好。

2.1.2 色彩空間轉(zhuǎn)換

把圖像I(x,y)從RGB色彩空間轉(zhuǎn)換到CIELab色彩空間，得到轉(zhuǎn)換圖像I′(x,y)。

CIELab色彩空間是一種以人眼視覺觀察為基礎(chǔ)的標(biāo)準(zhǔn)色彩模型，它是在CIEXYZ色彩空間的基礎(chǔ)上提出來(lái)的。彩色CIELab圖像每個(gè)像素點(diǎn)有L，a，b三個(gè)通道，其中L為亮度分量，a和b為色度分量。L表示亮度，取值范圍為0～100，0為黑色，100為白色；a和b取值范圍為-128～127，a=-128為綠色，a=127為紅色，b=-128為黃色，b=127為藍(lán)色[11]。

從RGB色彩空間轉(zhuǎn)換到CIELab色彩空間如式(3)～(6)所示。

(3)

(4)

a=500×[f(X/X0)-f(Y/Y0)]

(5)

b=200×[f(Y/Y0)-f(Z/Z0)]

(6)

其中，X0，Y0，Z0表示CIE標(biāo)準(zhǔn)照明體的三刺激值，X0=95.047，Y0=100，Z0=108.883；L為亮度；a和b為色度。

2.1.3 計(jì)算色差及色差方向

計(jì)算彩色圖像的梯度比較復(fù)雜，并且梯度幅值不能很好地描述人眼對(duì)顏色差別的感知，而CIELab色彩空間是描述人眼可見的所有顏色的完備色彩模型，基于CIELab色彩空間的色差能反映人眼對(duì)顏色差別的感知，所以使用彩色圖像基于CIELab色彩空間的色差和色差方向來(lái)代替梯度的幅值和方向。

在CIELab色彩空間中，兩個(gè)像素x1(L1,a1,b1)和x2(L2,a2,b2)之間的色差CD可由它們?cè)贑IELab色彩空間中的空間距離計(jì)算得到，如式(7)所示。

(7)

本文采用Sobel色差算子來(lái)計(jì)算色差幅值和方向。計(jì)算式如式(8)～(11)所示

Dx=CD(xi-1,j+1,xi-1,j-1)+2CD(xi,j+1,xi,j-1)+

CD(xi+1,j+1,xi+1,j-1)

(8)

Dy=CD(xi+1,j-1,xi-1,j-1)+2CD(xi+1,j,xi-1,j)+

CD(xi+1,j+1,xi-1,j+1)

(9)

(10)

φ=arctan(Dy/Dx)

(11)

其中：Dx是水平方向的色差分量；Dy是垂直方向的色差分量；CDS是色差幅值；φ是色差方向。

2.1.4 非極大值抑制

對(duì)色差幅值CDS進(jìn)行非極大值抑制，尋找局部最大值，將非極大值點(diǎn)所對(duì)應(yīng)的值置為0。用3×3的核在8鄰域?qū)ι罘礐DS的所有元素沿色差方向進(jìn)行插值。對(duì)每個(gè)點(diǎn)都將中心元素色差幅值CDS與沿色差方向的2個(gè)色差幅值插值結(jié)果比較，如果色差幅值CDS的值小于色差方向上的2個(gè)插值結(jié)果，就將色差幅值CDS對(duì)應(yīng)的邊緣標(biāo)志位置為0。

2.1.5 雙閾值提取邊緣

設(shè)定兩個(gè)閾值，高閾值Hth和低閾值Lth，將經(jīng)過非極大值抑制的色差幅值與設(shè)定的閾值比較，若色差幅值小于設(shè)定的閾值則置幅值為0，分別得到兩個(gè)邊緣圖像H(x,y)和L(x,y)。先采用高閾值圖像H(x,y)中的邊緣，連接成輪廓，然后在輪廓端點(diǎn)的8鄰域處尋找低閾值圖像L(x,y)的邊緣，根據(jù)高低閾值圖像的強(qiáng)弱邊緣使整個(gè)圖像的邊緣閉合。

2.2 十字型加權(quán)模板匹配

直角模板匹配到的結(jié)果是4種直角類型，只有當(dāng)含有至少3個(gè)直角才能判為一個(gè)馬賽克塊，會(huì)對(duì)“田”字型4個(gè)馬賽克塊缺少邊緣的情況造成漏判。本文提出的十字型加權(quán)模板匹配到的結(jié)果有5種類型，可以識(shí)別“田”字型4個(gè)馬賽克塊缺少邊緣的情況。所使用的十字型加權(quán)模板如圖4所示。

圖4 十字型加權(quán)模板

模板中像素的值如模板中數(shù)字所示，其中沒有標(biāo)數(shù)字的像素值為0，模板大小為15×15。模板匹配過程如下：

1)使模板從圖像的原點(diǎn)，即圖像的左上角開始匹配，按式(12)計(jì)算該區(qū)域的值。

(12)

其中，f(x,y)是計(jì)算得出的匹配值，(x,y)是該塊匹配區(qū)域的中點(diǎn)；fs(i,j)是邊緣圖中匹配區(qū)域的任一點(diǎn)；ft(x,y)是模板的任一點(diǎn)。

2)在任意情況下，由1)得出的匹配值都不同。在模板的“十”字上是否有像素點(diǎn)，可由一個(gè)28位的數(shù)按位表示，把該28位如圖5所示分成4份。

圖5 匹配值按位表示

其中：6～0位代表十字型模板左邊7個(gè)點(diǎn)；13～7代表右邊7個(gè)點(diǎn)；20～14代表上邊7個(gè)點(diǎn)；27～21代表下邊7個(gè)點(diǎn)，這些位的值為1則表示在此處有邊緣像素點(diǎn)存在，為0則表示邊緣像素點(diǎn)不存在。若每邊匹配到4個(gè)點(diǎn)則表示該邊存在。

(1)若右邊和下邊存在，表示匹配到馬賽克塊的左上直角，把該匹配塊中點(diǎn)標(biāo)記為1，稱為1型。

(2)若左邊和下邊存在，表示匹配到馬賽克塊的右上直角，把該匹配塊中點(diǎn)標(biāo)記為2，稱為2型。

(3)若右邊和上邊存在，表示匹配到馬賽克塊的左下直角，把該匹配塊中點(diǎn)標(biāo)記為3，稱為3型。

(4)若左邊和上邊存在，表示匹配到馬賽克塊的右下直角，把該匹配塊中點(diǎn)標(biāo)記為4，稱為4型。

(5)若有3條邊和4條邊存在，表示匹配到了4塊馬賽克塊，把該匹配塊中點(diǎn)標(biāo)記為5，稱為5型。

3)最后平移模板，重復(fù)1)和2)的操作，匹配邊緣圖像除上下7行和左右7列外的所有點(diǎn)。

2.3 滑動(dòng)窗口馬賽克檢測(cè)

設(shè)定一個(gè)滑動(dòng)窗口W，設(shè)大小為M×M，從匹配結(jié)果圖的左上角開始滑動(dòng)。在滑動(dòng)窗口內(nèi)，若檢測(cè)到3個(gè)點(diǎn)，且滿足關(guān)系：1型3型點(diǎn)在2型4型點(diǎn)左邊，1型2型點(diǎn)在3型4型點(diǎn)上邊，并且1型2型的距離、3型4型的距離大于最小馬賽克塊邊長(zhǎng)，則表示匹配到一個(gè)馬賽克塊。若檢測(cè)到2個(gè)點(diǎn)，其中一個(gè)是5型點(diǎn)，另一個(gè)是另外4種類型的點(diǎn)，則匹配到4個(gè)馬賽克塊。

最后，計(jì)算一幀圖像中檢測(cè)出的馬賽克塊數(shù)量，若數(shù)量大于設(shè)定的閾值，則表示該幀圖像存在馬賽克異常。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文方法的效果，本文采用新聞節(jié)目視頻、高清電影視頻、監(jiān)控視頻、動(dòng)畫視頻、體育節(jié)目視頻等多個(gè)場(chǎng)景的視頻進(jìn)行驗(yàn)證。測(cè)試視頻中的馬賽克異常分兩種：人為添加的馬賽克異常和原本存在的馬賽克異常。

3.1 彩色邊緣檢測(cè)實(shí)驗(yàn)結(jié)果和分析

為了驗(yàn)證基于CIELab色彩空間的彩色邊緣檢測(cè)方法的效果，分別采用了Sobel邊緣檢測(cè)、Canny邊緣檢測(cè)，以及本文的彩色邊緣檢測(cè)來(lái)對(duì)比實(shí)驗(yàn)。在高清電影視頻中隨機(jī)截取一幀，并打上馬賽克，馬賽克圖像如圖6a所示。對(duì)圖6a進(jìn)行3種邊緣檢測(cè)，得到Sobel邊緣檢測(cè)、Canny邊緣檢測(cè)、本文彩色邊緣檢測(cè)的檢測(cè)結(jié)果分別如圖6b、圖6c和圖6d所示。

圖6 馬賽克圖像邊緣檢測(cè)對(duì)比

從邊緣檢測(cè)結(jié)果圖對(duì)比可以看出，本文檢測(cè)方法的馬賽克邊緣檢出數(shù)量明顯增加。其中，Sobel邊緣檢測(cè)效果最差；Canny邊緣檢測(cè)效果有所提高，但仍不夠理想；本文的彩色邊緣檢測(cè)效果提高明顯。為了更好地驗(yàn)證本文算法的優(yōu)點(diǎn)，再用這3種檢測(cè)方法對(duì)模擬馬賽克的合成彩色圖像進(jìn)行邊緣檢測(cè)。合成彩色圖像如圖7a所示，Sobel邊緣檢測(cè)、Canny邊緣檢測(cè)、本文彩色邊緣檢測(cè)的檢測(cè)結(jié)果分別如圖7b、圖7c和圖7d所示。

圖7 合成彩色圖像邊緣檢測(cè)對(duì)比

合成彩色圖像4種顏色對(duì)比明顯，但Sobel邊緣檢測(cè)、Canny邊緣檢測(cè)卻不能很好地檢測(cè)出這種人眼認(rèn)為明顯的邊緣，分別只檢測(cè)出了1條和2條邊緣；而本文的檢測(cè)方法可以檢測(cè)出這種色差明顯的邊緣，4條邊緣全部檢出。

3.2 馬賽克檢測(cè)算法實(shí)驗(yàn)結(jié)果與分析

本文算法在硬件為Intel(R) Core(TM) i5-3230M CPU @ 2.60 GHz，4 Gbyte內(nèi)存的PC，軟件為Visual Studio 2013的環(huán)境下，利用opencv2.4.10圖像處理函數(shù)庫(kù)里的函數(shù)實(shí)現(xiàn)。實(shí)驗(yàn)視頻為新聞節(jié)目視頻、高清電影視頻、監(jiān)控視頻、動(dòng)畫視頻、體育節(jié)目視頻，每個(gè)視頻人工添加100幀馬賽克異常，分辨率為1 280×688；另外還有一個(gè)原本存在56幀馬賽克異常的視頻，分辨率也為1 280×688。測(cè)試結(jié)果如表1所示。其中，識(shí)別率=檢出馬賽克幀數(shù)/視頻馬賽克幀數(shù)，誤檢數(shù)表示把正常幀判定為馬賽克幀。檢出馬賽克幀數(shù)為含有馬賽克異常的幀數(shù)，不包括誤檢的幀數(shù)。

表1 馬賽克檢測(cè)算法測(cè)試結(jié)果

從測(cè)試結(jié)果可知，本文算法的識(shí)別率比傳統(tǒng)模板匹配算法更高，誤檢數(shù)也稍微比傳統(tǒng)匹配算法高。誤檢數(shù)會(huì)稍高是因?yàn)檎`檢的視頻幀里含有大量類似馬賽克的塊，本文算法檢出而傳統(tǒng)算法沒有檢出。

漏檢和誤檢的情況分析如下：

測(cè)試視頻中造成漏檢的畫面有：1)新聞節(jié)目視頻中馬賽克出現(xiàn)在海洋畫面中；2)原本存在異常的視頻中馬賽克出現(xiàn)在樹葉密集的森林畫面中；3)監(jiān)控視頻中馬賽克出現(xiàn)在畫面四側(cè)。總的來(lái)說(shuō)，漏檢的原因有3種：1)馬賽克與正常區(qū)域的對(duì)比不夠明顯，造成馬賽克塊邊緣不完整，且畫面中含有馬賽克塊數(shù)量較少，造成漏檢；2)在邊緣密集處產(chǎn)生馬賽克，且馬賽克塊內(nèi)部邊緣也很密集，馬賽克塊形成的邊緣被判定為正常圖像的邊緣，造成漏檢；3)馬賽克塊產(chǎn)生在視頻幀的四側(cè)，由于本文所用的模板不能檢測(cè)圖像幀四側(cè)7個(gè)像素內(nèi)的馬賽克塊，所以也會(huì)造成漏檢。

測(cè)試視頻中造成誤檢的畫面有：1)高清電影視頻中有畫面是房屋里背景含有馬賽克墻；2)動(dòng)畫視頻中有畫面是含有大量窗戶的樓房；3)體育節(jié)目視頻中有畫面是俯視圍棋比賽的圍棋棋盤?？偟膩?lái)說(shuō)，誤檢的情況是因?yàn)檎Ｒ曨l幀中有大量正好符合馬賽克塊大小的小正方形，且小正方形的兩邊正好與畫面平行，因此造成誤檢。

4 小結(jié)

本文針對(duì)傳統(tǒng)馬賽克檢測(cè)算法中識(shí)別率不高的問題，提出了一種基于彩色邊緣與十字型加權(quán)模板的馬賽克檢測(cè)算法。該算法先用基于CIELab色彩空間的彩色邊緣檢測(cè)處理圖像，可以比傳統(tǒng)的灰度邊緣檢測(cè)檢測(cè)更多馬賽克塊的邊緣；再通過十字型加權(quán)模板對(duì)圖像進(jìn)行模板匹配，再對(duì)匹配結(jié)果統(tǒng)計(jì)分析，可以識(shí)別傳統(tǒng)方法無(wú)法識(shí)別的“田”字型4個(gè)馬賽克塊缺少邊緣的情況，有效地識(shí)別馬賽克塊，從而檢測(cè)出含有馬賽克異常的視頻幀。通過對(duì)含有馬賽克異常的視頻進(jìn)行測(cè)試，傳統(tǒng)算法的識(shí)別率為91.1%，而本文算法的識(shí)別率為98.2%，相比傳統(tǒng)算法提高了7.1%，表明本文算法能有效提高高分辨率視頻馬賽克檢測(cè)的識(shí)別率。

[1]司文麗，朱鎮(zhèn)林. 馬賽克故障圖像的分析與檢測(cè)[J]. 有線電視技術(shù)，2008，15(5)：113-116.

[2]林潔. 低碼率視頻質(zhì)量評(píng)價(jià)與檢測(cè)[D]. 北京：華北電力大學(xué)，2013.

[3]李汪洋. 帶有視頻客觀質(zhì)量檢測(cè)功能的流媒體播放器的設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京：北京郵電大學(xué)，2013.

[4]寧方美，葉峰. 基于網(wǎng)格擴(kuò)張的視頻圖像馬賽克檢測(cè)算法[J]. 計(jì)算機(jī)與現(xiàn)代化， 2011 (10)：63-65.

[5]楊金偉. 視頻質(zhì)量損傷的檢測(cè)與修復(fù)[D]. 北京：北京郵電大學(xué)，2008.

[6]計(jì)岑. 數(shù)字圖像和視頻修復(fù)[D]. 西安：西安理工大學(xué)，2010.

[7]章化冰，凌堅(jiān)，練益群. 基于模板匹配的馬賽克視頻檢測(cè)方法研究[J].中國(guó)有線電視， 2010(11)：1254-1256.

[8]梁志敏. 視頻圖像質(zhì)量檢測(cè)技術(shù)研究與實(shí)踐[D].北京：北京郵電大學(xué)，2013.

[9]HAN Y H， LEOU J J. Detection and correction of transmission errors in JPEG images [J]. IEEE transactions on circuits & systems for video technology， 1998， 8(2)：221-

231.

[10]CANNY J. A computational approach to edge detection[J].IEEE transactions on pattern analysis and machine intelligence，1986(6)： 679-698.

[11]Wikipedia. Lab color space[EB/OL]. [2015-04-24]. http：//en.wikipedia.org/wiki/Lab_color_space.

易宇暉(1989— )，碩士生，主研光電信息處理；

林志賢(1975— )，博士，教授，主要從事平板顯示器驅(qū)動(dòng)技術(shù)、圖像處理、信息顯示技術(shù)等研究工作；

郭太良(1963— )，研究員，博士生導(dǎo)師，主要從事FED顯示器方面的研究工作。

責(zé)任編輯：閆雯雯

Mosaic detection method based on color edge and crossed weighted template

YI Yuhui， LIN Zhixian， GUO Tailiang

(CollegeofPhysicsandInformationEngineering，F(xiàn)uzhouUniversity，F(xiàn)uzhou350002，China)

In order to solve the problem of low recognition rate of mosaic detection in high resolution videos， a mosaic detection method based on color edge and crossed weighted template is proposed. The algorithm first detects more mosaic edges through the color edge detection based on CIELab color space， and recognizes the mosaic pieces by template matching with crossed weighted template. The mosaic detection to high resolution videos is conducted through the algorithm proposed here and traditional algorithm. The result of experiment shows that the recognition rate gained through the algorithm proposed here is up to 98.2%， which is 7.1% higher than that of traditional algorithm.

mosaic； color edge detection； CIELab color space； template matching

易宇暉，林志賢，郭太良.基于彩色邊緣與十字型加權(quán)模板的馬賽克檢測(cè)[J]. 電視技術(shù)，2016，40(11)：121-125. YI Y H， LIN Z X， GUO T L. Mosaic detection method based on color edge and crossed weighted template[J]. Video engineering，2016，40(11)：121-125.

TP391.4

A

10.16280/j.videoe.2016.11.025

國(guó)家“863”重大專項(xiàng)(2013AA030601)；福建省資助省屬高校專項(xiàng)(JK2014002)；福建省科技重大專項(xiàng)(2014HZ0003-1)

2015-12-19