一种运动自适应的去交织方法专利检索-下止点引擎专利检索查询-专利查询网

一种运动自适应的去交织方法

阅读：1035发布：2020-06-25

专利汇可以提供一种运动自适应的去交织方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种运动自适应的去交织方法，是一种电子图像处理的方法。所述方法包括如下步骤：判断是否为隔行扫描图像的步骤；判断是否产生奇数帧的步骤；判断是否产生奇数行的步骤；判断是否是可疑静止点的步骤；判断是否是真正静止点的步骤；最终得到逐行视频的步骤；逐行视频图像输出的步骤。本发明采用两个相似度阈值将当前场图像划分为运动区域和可疑静止区域，而后对可疑静止区域，采用第三个相似度阈值进一步将其划分为静止区域和运动区域，最后对静止区域采用场复制算法进行去隔行处理，对运动区域采用ELA算法进行去隔行处理，最终得到逐行视频。，下面是一种运动自适应的去交织方法专利的具体信息内容。

权利要求

1.一种运动自适应的去交织方法，所述方法包括如下步骤：
判断是否为隔行扫描图像的步骤：用于判断输入的视频图像是否为隔行扫描图像，如果“否”则进入“逐行视频图像输出的步骤”直接输出视频图像，如果“是”则进入下一步骤；
判断是否产生奇数帧的步骤：用于判断是否由当前输入的隔行视频产生逐行的奇数帧视频，如果“否”则表明产生逐行的偶数帧视频，即进入“对偶数帧进行处理的各步骤”，如果“是”则进入下一步骤；
判断是否产生奇数行的步骤：用于判断当前插入点是否是奇数帧奇数行的数据，如果“是”则直接由当前奇数场的相应象素填充得到奇数帧数据，如果“否”则进行下一步骤；
判断是否是可疑静止点的步骤：用于判断当前插入点是否是可疑静止点，即判断该点的相应检测点的差值是否满足当前相似度阈值和辅助相似度阈值，如果“否”则表明是运动点，直接采用ELA 算法得到该点象素值，如果“是”则进入下一步骤；
判断是否是真正静止点的步骤：用于判断当前可疑静止点是否是真正静止点，即判断该点的相应检测点的差值是否满足校正相似度阈值，如果“否”则表明是运动点，直接采用ELA算法得到该点的象素值，如果“是”则进入下一步骤；
最终得到逐行视频的步骤：用于由运动点和静止点产生逐行视频，对运动点采用保持边沿的ELA算法得到该点象素值，对于静止点采用场复制算法得到该点象素值，最终得到逐行的奇数帧视频；
对于逐行偶数帧的产生过程，同产生逐行奇数帧的过程完全一致，只不过相应检测点的相应位置不同；
逐行视频图像输出的步骤：用于将去交织后得到的逐行扫描图像输出。
2.权利要求1所述的去交织方法，其特征在于，所述的判断是否是可疑静止点的步骤中的相似度阈值的取值期间为3-9。
3.权利要求1所述的去交织方法，其特征在于，所述的判断是否是可疑静止点的步骤中的辅助相似度阈值的取值期间为4-12。
4.权利要求1所述的去交织方法，其特征在于，所述的判断是否是真正静止点的步骤中的校正相似度阈值的取值期间为10-30。

说明书全文

一种运动自适应的去交织方法

技术领域

[0001] 本发明涉及一种运动自适应的去交织方法，是一种电子图像处理的方法，是一种视频图像处理的方法，是一种将隔行扫描的处理为逐行扫描的视频图像处理方法。

背景技术

[0002] 现行的广播电视系统有两种扫描方式：一种是逐行扫描(Progressivescanning)方式，另一种是隔行扫描(Interlaced scanning)方式。逐行扫描是在每一个Δt时间内对一幅完整的图像进行扫描，它被称为一帧。隔行扫描是将一帧图像分两场进行2∶1隔行扫描。其中第一场称为奇数场，只扫描它的奇数行；而第二场称为偶数场，只扫描它的偶数行。逐行扫描的优点是图像清晰度高、图像细节细腻丰富、稳定且无行间闪烁等；缺点是需要较大的传输带宽。隔行扫描的优点是在固定带宽下用一半的数据量获得较高的刷新率，从而降低闪烁；缺点是图像垂直方向分辨率降低一半，存在行间闪烁和边缘锯齿等现象。

[0003] 在很多实际应用中为了提升视频图像的质量往往需要将隔行视频转化为逐行视频，将隔行视频转化为逐行视频的技术又称为去交织(De-interlacing)技术。根据插值方式的不同可以将去交织技术分为两大类：场内(intra-field)插值去交织，场间(inter-field)插值去交织。

[0004] 场内插值是利用同一场内的象素点和插值点的相关性进行插值，它具有计算量小、实现简单的特点，是一种效率最高的去交织技术，因而被广泛的应用。主要包括：行重复法(Line repetition)、行平均法(Line average)、沿边缘插值法(Direction-dependent interpolation)。但是场内插值去交织并不能提升画面的垂直分辨率，抑致了高频信息，使图像边缘模糊，同时还存在锯齿、闪烁等现象。

[0005] 场间插值是利用相邻场象素或相邻场与本场内的象素进行插值，它至少需要存储一场图像信息，这通常增加了算法的复杂度，但算法自由度的增加提升了De-interlacing的质量。主要包括：场复制法(Weave)、场间线平均法(Inter-field averaging)、垂直时域中值滤波法(Vertical-temporal medianfiltering)、运动自适应的去交织算法。其中场复制法和场间线平均法对图像序列中的静止区域具有很好去交织效果，但对运动区域则会产生伪像。垂直时域中值滤波法虽然隐含了对静止区域和运动区域的自适应处理，并在一定程度上提高了图像的垂直分辨率和画面质量，但垂直细节有所流失，还会引入混迭现象。运动自适应的去交织算法就是通过检测视频序列中的运动区域，将图像划分为静止区域和运动区域，而后对这两个区域采用不同的插值算法。基于运动补偿(Motion Compensation)的去交织，是一种先进的运动自适应的去交织算法，在精确计算出运动矢量的基础上可以获得很高质量的图像。尽管运动补偿去交织技术是最优的，只要给定一个运动模型，并且运动矢量可以精确的计算；但运动补偿去交织技术，设计复杂性非常高、运算量非常大、对运动矢量误差特别敏感、实时性差。高质量的去交织技术为了提升效率一般采用硬件实现，因此成本比较高。在实际应用中，为了降低开发成本，提升效率，需要研究高质量、高效率、更稳健的去交织技术。

发明内容

[0006] 针对现有技术的缺陷，本发明的目的是提出一种运动自适应的去交织方法，本发明使用场内差值和场间差值结合的方式，不进行运动矢量的计算，仅进行场间的运动比较，计算大大简化，可以不使用昂贵的去交织硬件，使用易于实现的软件运算也可以获得高质量的逐行扫描图像。

[0007] 本发明的目的是这样实现的：一种运动自适应的去交织方法，所述方法包括如下步骤：

[0008] 判断是否为隔行扫描图像的步骤：用于判断输入的视频图像是否为隔行扫描图像，如果“否”则进入“逐行视频图像输出的步骤”直接输出视频图像，如果“是”则进入下一步骤；

[0009] 判断是否产生奇数帧的步骤：用于判断是否由当前输入的隔行视频产生逐行的奇数帧视频，如果“否”则表明产生逐行的偶数帧视频，即进入“对偶数帧进行处理的各步骤”，如果“是”则进入下一步骤；

[0010] 判断是否产生奇数行的步骤：用于判断当前插入点是否是奇数帧奇数行的数据，如果“是”则直接由当前奇数场的相应象素填充得到奇数帧数据，如果“否”则进行下一步骤；

[0011] 判断是否是可疑静止点的步骤：用于判断当前插入点是否是可疑静止点，即判断该点的相应检测点的差值是否满足当前相似度阈值和辅助相似度阈值，如果“否”则表明是运动点，直接采用ELA算法得到该点象素值，如果“是”则进入下一步骤；

[0012] 判断是否是真正静止点的步骤：用于判断当前可疑静止点是否是真正静止点，即判断该点的相应检测点的差值是否满足校正相似度阈值，如果“否”则表明是运动点，直接采用ELA算法得到该点的象素值，如果“是”则进入下一步骤；

[0013] 最终得到逐行视频的步骤：用于由运动点和静止点产生逐行视频，对运动点采用保持边沿的ELA算法得到该点象素值，对于静止点采用场复制算法得到该点象素值，最终得到逐行的奇数帧视频；

[0014] 对于逐行偶数帧的产生过程，同产生逐行奇数帧的过程完全一致，只不过相应检测点的相应位置不同；

[0015] 逐行视频图像输出的步骤：用于将经过插入行的完整逐行扫描图像输出。

[0016] 本发明产生的有益效果是：本发明是一种高质量、高效率、低成本的去交织技术，本发明首先采用两个相似度阈值将当前场图像划分为运动区域和可疑静止区域，而后对可疑静止区域，采用第三个相似度阈值进一步将其划分为静止区域和运动区域，最后对静止区域采用场复制算法进行去隔行处理，对运动区域采用ELA算法进行去隔行处理，最终得到逐行视频。测试表明，本发明是一种高质量、高效率的去交织技术，具有实现简单、成本低的特点。该技术也可作为其它算法和技术的一个基础辅助技术，最终达到提升效率和质量的目的。附图说明

[0017] 下面结合附图和实施例对本发明作进一步说明。

[0018] 图1是本发明实施例一所述的方法的流程框图；

[0019] 图2是在(y，t)坐标上一个隔行视频的连续四场图像数据投影示意图；

[0020] 图3是奇数场待插入点运动检测时所涉及到的象素点及其关系示意图；

[0021] 图4是偶数场待插入点运动检测时所涉及到的象素点及其关系示意图；

[0022] 图5是奇数场中静止点的场复制算法示意图；

[0023] 图6是3×3窗口的ELA算法示意图。

具体实施方式

[0024] 实施例一：

[0025] 本实施例是一种运动自适应的去交织方法，所述方法包括如下步骤：

[0026] 判断是否为隔行扫描图像的步骤：用于判断输入的视频图像是否为隔行扫描图像，如果“否”则进入“逐行视频图像输出的步骤”直接输出视频图像，如果“是”则进入下一步骤；

[0027] 判断是否产生奇数帧的步骤：用于判断是否由当前输入的隔行视频产生逐行的奇数帧视频，如果“否”则表明产生逐行的偶数帧视频，即进入“对偶数帧进行处理的各步骤”，如果“是”则进入下一步骤；

[0028] 判断是否产生奇数行的步骤：用于判断当前插入点是否是奇数帧奇数行的数据，如果“是”则直接由当前奇数场的相应象素填充得到奇数帧数据，如果“否”则进行下一步骤；

[0029] 判断是否是可疑静止点的步骤：用于判断当前插入点是否是可疑静止点，即判断该点的相应检测点的差值是否满足当前相似度阈值和辅助相似度阈值，如果“否”则表明是运动点，直接采用ELA算法得到该点象素值，如果“是”则进入下一步骤；

[0030] 判断是否是真正静止点的步骤：用于判断当前可疑静止点是否是真正静止点，即判断该点的相应检测点的差值是否满足校正相似度阈值，如果“否”则表明是运动点，直接采用ELA算法得到该点的象素值，如果“是”则进入下一步骤；

[0031] 最终得到逐行视频的步骤：用于由运动点和静止点产生逐行视频，对运动点采用保持边沿的ELA算法得到该点象素值，对于静止点采用场复制算法得到该点象素值，最终得到逐行的奇数帧视频；对于逐行偶数帧的产生过程，同产生逐行奇数帧的过程完全一致，只不过相应检测点的相应位置不同；

[0032] 逐行视频图像输出的步骤：用于将经过插入行的完整逐行扫描图像输出。

[0033] 本实施例的具体实现是这样的：首先获得4场连续的视频数据，分别为前一帧奇数场、前一帧偶数场、当前帧奇数场和当前帧偶数场，并分别记为fn-2，fn-1，fn，fn+1，其中fn，fn+1分别为当前奇数场和当前偶数场。该技术最终是要将fn和fn+1两场隔行视频数据分别转化为两帧逐行视频数据，这两帧逐行视频称为奇数帧和偶数帧。对于生成的奇数帧或偶数帧来说，相对应的奇数场或偶数场数据会原封不动的放到帧内的对应行去，而奇数帧中的偶数行数据和偶数帧中的奇数行数据，是需要计算产生的，其产生的算法就是通过本发明来实现的。

[0034] 下面用s(x，y，ti)，i＝e，o分别表示t时刻的偶数场或奇数场，其中x表示水平方向，y表示垂直方向，如图2所示。当y取奇数值时s(x，y，te)＝0；当y取偶数值时s(x，y，to)＝0。图2表示在(y，t)坐标上一个隔行视频的连续四场投影；其中，每个圆圈表示视频的一条完整行的横截面；带有剖面线的圆圈表示实际可用的行；空心圆圈表示需要插入计算的行，假设每场中行的索引值从1开始。

[0035] 运动自适应的去交织技术，其特点在于运动检测，该技术需要用到三个相似度阈值来进行运动检测，这三个阈值分别记为threshold0，threshold1，threshold2.该检测方法的第一步是，对当前奇场和偶场进行初次划分。对当前奇数场数据，需要判断待插入点s(x，y，to)(y为偶数)(图3中带有虚线的点)是运动的或静止的，这里采用如下准则对其进行初步判定。

[0036] |s(x，y-1，to)-s(x，y-1，to-1)|≤threshold0(1)

[0037] |s(x，y+1，to)-s(x，y+1，to-1)|≤threshold0(2)

[0038] |s(x，y，te)-s(x，y，te-1)|≤threshold1(3)

[0039] 如果同时满足上面三个不等式，则将s(x，y，to)标记为可疑静止的点，否则将其标记为运动点。不等式(1)和(2)是对两个奇场间相应的象素差进行阈值判断，不等式(3)是对两个偶场间相应的象素差进行阈值判断。这里的threshold0称为当前相似度阈值，threshold1称为辅助相似度阈值。由三个不等式不难看出，对该点的判断需要用到4场视频数据中的6个象素值(当前奇数场待插入点的上下两行相应的两个象素值，前帧奇数场相应与当前奇数场的两个象素值，当前偶数场相应点的象素值，前帧偶数场相应点的象素值)和两个相似度阈值。由图3可以方便的说明这个问题。

[0040] 对当前偶数场数据，需要判断待插入点s(x，y，te)(y为奇数)(图4中带有虚线的点)是运动的或静止的，这里采用如下准则对其进行初步判定。

[0041] |s(x，y-1，te)-s(x，y-1，te-1)|≤threshold0(4)

[0042] |s(x，y+1，te)-s(x，y+1，te-1)|≤threshold0(5)

[0043] |s(x，y，to)-s(x，y，to-1)|≤threshold1(6)

[0044] 如果同时满足上面三个不等式，则将s(x，y，te)标记为可疑静止点，否则将其标记为运动点。对该点的判断也需要用到4场视频数据中的6个象素值，其位置及关系，如图4所示。

[0045] 运动检测的下一步是在上一步的基础上，对可疑静止点进行进一步校正划分。在去隔行中，在没有运动的情况下，最优的策略时合并偶场和奇场，也就是场复制的方法，该方法清晰度高、信息无损失。但在运动的情况下，这种技术将导致运动虚像。因此运动检测的准确性就显的非常重要，它直接影响到最终图像的质量。为了提升运动检测的准确性，对奇场中可疑静止点进行采用如下准则进行判定。

[0046] |s(x，y，te-1)-s(x，y-1，to)|≤threshold2(7)

[0047] |s(x，y，te-1)-s(x，y+1，to)|≤threshold2(8)

[0048] 如果(7)，(8)式中至少有一个不等式成立，则将点s(x，y，to)标记为真正静止点，否则将点s(x，y，to)标记为运动点。

[0049] 对偶数场中可疑静止点采用如下准则进行判定。

[0050] |s(x，y，te)-s(x，y-1，to)|≤threshold2(9)

[0051] |s(x，y，te)-s(x，y+1，to)|≤threshold2(10)

[0052] 如果(9)，(10)式中至少有一个不等式成立，则将点s(x，y，te)标记为真正静止点，否则将点s(x，y，te)标记为运动点。上面四个不等式中的threshold2称为矫正相似度阈值。

[0053] 经过上面两步的运动检测后，当前场视频最终被划分成了静止区域和运动区域。对静止区域，采用最优策略的场复制算法，可以表示为

[0054] s(x，y，to)＝s(x，y，te-1)y为偶数(11)

[0055] 以及

[0056] s(x，y，te)＝s(x，y，to)y为奇数(12)

[0057] 场复制算法可由图5加以说明，这里点s(x，y，to)为奇数场中的静止点，则拷贝前场中相应位置的采样值(图5中用水平箭头表示处)。在实际的视频图像中，往往存在大量的静止区域，对这些静止区域采用场复制算法，可以获得最优的去隔行效果，同时具有最高的效率。

[0058] 对于运动插值点，本实施例采用保持边缘的LEA算法得到其象素值。ELA(Edge-based Line Average)即基于边沿的线平均算法，该算法是一种场内插值算法，它能够在进行去隔行处理中较准确的重建图像边沿信息，同时能够消除闪烁和模糊现象，因此该算法在去隔行中具有广泛的应用。该算法的实现描述如下，这里以窗口大小为3×3的ELA算法为例。

[0059] 设(x，y)为待插入点在场中所为位置，其象素值由X＝s(x，y)表示，s(x-1，y-1)，s(x，y-1)，s(x+1，y-1)为其上一行相应的三个象素值，分别以A，B，C表示，s(x-1，y+1)，s(x，y+1)，s(x+1，y+1)为其下一行相应的三个象素值，分别以D，E，F表示。并计算下列各式：

[0060] a＝|A-F| (13)

[0061] b＝|B-E| (14)

[0062] c＝|C-D| (15)

[0063] 则X可由下式得到：

[0064]

[0065] 图6为3×3窗口的ELA算法，其中X为待插入点用空心圆圈表示，实心圆圈为实际的原始采样点。从(16)式可以看出，ELA算法实际上是沿着图像的边沿进行插值计算的，因此如果边沿计算准确，该算法将能够获得较好的效果。由图6可以看出，3×3窗口的ELA算法对45°和135°的斜边具有良好的效果；但对于低角度(小于30°)的斜边，该算法将会产生锯齿和闪烁现象。对此可在更大的窗口内(5×5，7×7，9×9，11×11)采用LEA算法来提升图像的质量，但这样会增加计算量，本算法综合考虑到效率问题，最终采用了3×3窗口的ELA算法。

[0066] 本实施例通过运动检测和不同的插值策略，可以获得较高质量的逐行视频，其中核心部分为运动检测的三阈值策略，静止区域的场复制算法，既可以大大提升效率，又具有最优的效果，运动区域的ELA算法实现简单，且能保持图像边沿信息。

[0067] 本实施例经过检测，图像质量比现有技术显著提高，检测环境和数据如下：

[0068] 去交织算法性能的评价有主观和客观两种方法。主观评价一般采用人眼观看视频图像是否清晰、是否有闪烁、锯齿等现象。客观评价一般采用计算并比较峰值信噪比(PSNR)和均方差(MSE)，这里的PSNR表征了图像质量的整体性能，越大越好，MSE表征源和目标的平均差异，越小越好。为了客观的评价本实施例的性能，将本实施例和其他传统算法(Doubling，Average，ELA)进行PSNR和MSE比较。具体测试方法如下：首先由标准逐行测试素材得到隔行素材，并对该隔行素材进行去交织处理，而后计算均方差(MSE)和峰值信噪比(PSNR)，最后通过分析其他算法和本实施例的MSE和PSNR来完成对本实施例的性能评价。具体的测试环境为：单四核Intel E5504 2.00GHz CPU，2.00GB内存。测试测试序列采用国际上通用的8个标准测试序列(Foreman、Akiyo、News、Paris、Mother-Daughter、Mobile、Miss、Stefan)。(这些序列是国际上通用的标准测试序列，其名称分别代表了一个测试序列的名字)

[0069] 表一：本实施例与Foreman、Akiyo、News、Paris的比较，

[0070]去交织算法评价标准 Foreman Akiyo News Paris
(176×144) (176×144) (352×28 (355×288)
8)
Doubling MSE 118.37 52.79 88.77 285.85
PSNR(dBs) 27.41 30.91 28.66 23.58
Average MSE 39.70 18.00 25.12 141.22
PSNR(dBs) 32.16 35.59 31.16 26.64
ELA MSE 26.31 23.87 43.95 188.93
PSNR(dBs) 33.96 34.37 31.72 25.37
本实施例 MSE 20.90 7.63 11.96 64.19
PSNR(dBs) 35.07 40.87 37.40 30.06

[0071] 表二：本实施例与Mother-Daughter、Mobile、Miss、Stefan的比较，[0072]去交织算法评价标准 Mother- Mobile Miss Stefan
Daughther (176×144) (176×144) (355×288)
(355×288)
Doubling MSE 29.31 530.86 19.00 301.31
PSNR(dBs) 33.49 20.89 35.36 23.35
Average MSE 8.02 261.87 5.85 112.40
PSNR(dBs) 39.14 23.96 40.48 27.65
去交织算法评价标准 Mother- Mobile Miss Stefan
Daughther (176×144) (176×144) (355×288)
(355×288)
ELA MSE 10.10 314.50 7.50 154.23
PSNR(dBs) 38.13 23.16 39.40 26.28
本实施例 MSE 3.64 302.21 4.75 140.17
PSNR(dBs) 42.76 23.33 41.48 26.72

[0073] 通过表一、表二的测试数据，不难看出对绝大部分测试序列本实施例与其他算法相比有显著优势：PSNR有大幅提升，MSE有大幅下降。但对于运动特别剧烈的测试序列(Mobile，Stefan)，本实施例的优势并不明显，其PSNR甚至会低于Average算法。对于这种类型的测试序列本实施例的优势体现在主观评价上，Average算法得到的视频图像闪烁、锯齿现象严重，而本实施例得到的视频图像清晰、稳定、锯齿少。所以综合而言，本实施例同传统算法相比具有显著优势，可以显著提升视频图像的质量。对一般的高清视频来说，视频图像的大部分区域是静止区域，采用本实例其效率将大大提升，测试表明对颜色格式为YUVP422的1920×1080i的高清视频，其去交织效率可达到30帧/秒的超实时处理。

[0074] 实施例二：

[0075] 本实施例是实施一的改进，是实施例一关于相似度阈值细化。本实施例所述的判断是否是可疑静止点的步骤中的相似度阈值的取值期间为3-9。

[0076] 实施例一中的不等式(1)和(2)是对两个奇场间相应的象素差进行阈值判断，不等式(4)和(5)是对两个偶数场间相应的象素差进行阈值判断。这四个不等式的阈值取值范围是3-9，其中6点的效果最佳。该阈值低于3则图像中绝大部分点被划分为运动点，这样算法的效率会降低，同时图像清晰度下降、锯齿增多。该阈值大于9则会将图像中的运动点错划为静止点，图像闪烁、锯齿现象将突显。

[0077] 实施例三：

[0078] 本实施例是实施一的改进，是实施例一关于辅助相似度阈值细化。本实施例所述的判断是否是可疑静止点的步骤中的辅助相似度阈值的取值期间为5-11。

[0079] 实施例一中的不等式(3)是对两个偶数场间相应的象素差进行阈值判断，不等式(6)是对两个奇数场间相应的象素差进行阈值判断，这两个不等式的阈值取值范围是4-12，其中8为最佳点。该阈值低于4则会将实施二中已划分为静止的点进行一步矫正为运动点，这样算法效率会降低，同时图像的清晰度下降、锯齿增多。该阈值大于12则会将实施二中已划分为运动的点进一步矫正为静止点，图像闪烁、锯齿现象将增多。

[0080] 实施例四：

[0081] 本实施例是实施一的改进，是实施例一关于校正相似度阈值细化。本实施例所述的判断是否是真正静止点的步骤中的校正相似度阈值的取值期间为10-30。

[0082] 实施例一中不等式(7)和(8)是对奇数场内的插入点象素与其上下两个象素值差进行阈值判断。不等式(9)和(10)是对偶场场内的插入点象素与其上下两个象素值差进行阈值判断。这四个不等式的阈值取值范围是10-30，其中20为最佳点。该阈值低于10则会将该点矫正判断为运动点，这样算法效率会降低，同时图像清晰度下降，锯齿增多。该阈值大于30则基本不再有矫正能力，将绝大部分点按照静止点处理，这样算法效率会有一定提升，等由于采用场复制算法，可能会产生伪像。

[0083] 实施例一中为了完成图像的划分共用到了十个不等式和三个阈值，这三个阈值记为threshold0，threshold1，threshold2，分别称为当前相似度阈值，辅助相似度阈值，矫正相似度阈值。下面分别解释这些不等式的含义。

[0084] 不等式(1)和(2)是对两个奇场间相应的象素差进行当前相似度阈值判断，如果满足不等式(1)和(2)表明前后两个奇场间的象素值变化很小，从视觉上看表现为静止点或运动很小的点。不等(3)是对两个偶数场间相应的象素差进行辅助相似度阈值判断，如果满足该不等式则表明前后两个偶数场间的象素值变化很小，从视觉上看表现为静止点或运动很小的点。综合(1)、(2)、(3)式可以判断当前点在前后四场视频中的变化情况。如果前后两个奇数场间相应点变化很小，同时两个偶数场间相应点变化很小，则该点被划分为可疑静止点。不等式(7)和(8)是通过对插入点和相应点的象素差进行矫正相似度阈值判断，如果满足不等式(7)或(8)表明插入场的相应位置中存在和插入点相一致的象素点，则该点最终被判断为静止点，否则为运动点。不等式(4)、(5)、(6)、(9)、(10)的意义与实现功能和不等式(1)、(2)、(3)、(7)、(8)的意义与实现功能相同，不同的是不等式(1)、(2)、(3)、(7)、(8)完成对当前奇数场的划分，不等式(4)、(5)、(6)、(9)、(10)完成对当前偶数场的划分。

[0085] 最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案(比如增加判断的级别，或用其他方式进行运动点差值等等)进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

标题	发布/更新时间	阅读量
手动挡车型离合器保护装置及方法	2020-05-12	126
粉末成形机模架芯棒浮动下止点调整机构	2020-05-11	630
活塞式内燃机	2020-05-12	876
一种座椅调角器	2020-05-13	502
一种管钳	2020-05-12	320
一种对止水帷幕漏水点先疏后堵的地下水封堵结构	2020-05-12	609
喷涂机下止点停机机构	2020-05-11	144
一种地下室外墙柱止水钢板节点	2020-05-11	98
地下室外墙止水螺杆节点构造	2020-05-11	686
一种电液锤锤头下止点智能控制装置	2020-05-12	898

一种运动自适应的去交织方法

一种运动自适应的去交织方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：