13、利用传感器噪声识别低分辨率压缩视频

利用传感器噪声识别低分辨率压缩视频

1. 小波变换与去噪基础

小波函数由于其时间和尺度参数的分离，在空间和频率上具有局部性。粗尺度对低频信号敏感，而细尺度对高频信号（即细节系数）敏感，每个尺度代表不同的子带。当小波系数较大时，表明该点有大量信号能量，可能对应图像的重要特征，如边缘；系数较小时，则表示信号与小波的相关性不强，意味着信号能量低，可能是平滑区域或噪声。

我们采用Lukáš等人提出的去噪滤波器，该滤波器基于图像压缩算法实现图像去噪，并使用免费的WaveLab包在Matlab中实现，已集成到开源的NFI PRNUCompare程序中。

2. 算法步骤

2.1 视频帧拆分

使用FFmpeg将视频拆分为单个帧。假设图像在空间域受到零均值白高斯噪声（WGN） $N(0, \sigma_0^2)$ 的干扰，该噪声在转换到小波域后仍为WGN。

2.2 小波分解

对图像数据进行四级Daubechies小波分解，通过一系列滤波器（构成正交镜像滤波器）将图像分解为正交基。也可使用Coiflet小波，可能性能稍好。
- 一级近似系数通过低通滤波器 $g$ 滤波得到。
- 一级细节系数通过高通滤波器 $h$ 滤波得到。
- 对一级近似系数（LL1子带）再次使用相同的滤波器 $g$ 和 $h$ 进行迭代，得到二级近似和细节系数，依此类推。

不同分辨率和方向都有各自的子带，HL1代表尺度1下最精细的细节，LL4代表低分辨率残差。这种小波分解使图像可以表示为粗细节和小细节的叠加。

2.3 局部方差估计

对于每个子带中的