视频清晰度、色偏以及亮度异常检测

原文链接：http://blog.csdn.net/kklots/article/details/12720359
昨天老板临时交代一个活，要求通过算法检测监控设备是否存在失焦、偏色、亮度异常等问题。问题本身不难，在网上查看了一些资料，自己也做了一些思考，方法如下：
1.失焦检测。
失焦的主要表现就是画面模糊，衡量画面模糊的主要方法就是梯度的统计特征，通常梯度值越高，画面的边缘信息越丰富，图像越清晰。需要注意的是梯度信息与每一个视频本身的特点有关系，如果画面中本身的纹理就很少，即使不失焦，梯度统计信息也会很少，对监控设备失焦检测需要人工参与的标定过程，由人告诉计算机某个设备正常情况下的纹理信息是怎样的。

/********************************************************************************
*函数描述：  DefRto 计算并返回一幅图像的清晰度
*函数参数： frame  彩色帧图
*函数返回值：double   清晰度表示值，针对该视频，当清晰度小于10为模糊，大于14为清楚
*********************************************************************************/
double DefRto(Mat frame)
{  Mat gray;  cvtColor(frame,gray,CV_BGR2GRAY);  IplImage *img = &(IplImage(gray));  double temp = 0;  double DR = 0;  int i,j;//循环变量  int height=img->height;  int width=img->width;  int step=img->widthStep/sizeof(uchar);  uchar *data=(uchar*)img->imageData;  double num = width*height;  for(i=0;i<height;i++)  {  for(j=0;j<width;j++)  {  temp += sqrt((pow((double)(data[(i+1)*step+j]-data[i*step+j]),2) + pow((double)(data[i*step+j+1]-data[i*step+j]),2)));  temp += abs(data[(i+1)*step+j]-data[i*step+j])+abs(data[i*step+j+1]-data[i*step+j]);  }  }  DR = temp/num;  return DR;
}

2.色偏检测。
网上常用的一种方法是将RGB图像转变到CIE L*a*b*空间，其中L*表示图像亮度，a*表示图像红/绿分量，b*表示图像黄/蓝分量。通常存在色偏的图像，在a*和b*分量上的均值会偏离原点很远，方差也会偏小；通过计算图像在a*和b*分量上的均值和方差，就可评估图像是否存在色偏。计算CIE L*a*b*空间是一个比较繁琐的过程，好在OpenCV提供了现成的函数，因此整个过程也不复杂。

/********************************************************************************************
*函数描述：  calcCast    计算并返回一幅图像的色偏度以及，色偏方向
*函数参数：  InputImg    需要计算的图片，BGR存放格式，彩色（3通道），灰度图无效
*           cast        计算出的偏差值，小于1表示比较正常，大于1表示存在色偏
*           da          红/绿色偏估计值，da大于0，表示偏红；da小于0表示偏绿
*           db          黄/蓝色偏估计值，db大于0，表示偏黄；db小于0表示偏蓝
*函数返回值： 返回值通过cast、da、db三个应用返回，无显式返回值
*********************************************************************************************/
void colorException(Mat InputImg,float& cast,float& da,float& db)
{  Mat LABimg;  cvtColor(InputImg,LABimg,CV_BGR2Lab);//参考http://blog.csdn.net/laviewpbt/article/details/9335767  //由于OpenCV定义的格式是uint8，这里输出的LABimg从标准的0～100，-127～127，-127～127，被映射到了0～255，0～255，0～255空间  float a=0,b=0;  int HistA[256],HistB[256];  for(int i=0;i<256;i++)  {  HistA[i]=0;  HistB[i]=0;  }  for(int i=0;i<LABimg.rows;i++)  {  for(int j=0;j<LABimg.cols;j++)  {  a+=float(LABimg.at<cv::Vec3b>(i,j)[1]-128);//在计算过程中，要考虑将CIE L*a*b*空间还原 后同  b+=float(LABimg.at<cv::Vec3b>(i,j)[2]-128);  int x=LABimg.at<cv::Vec3b>(i,j)[1];  int y=LABimg.at<cv::Vec3b>(i,j)[2];  HistA[x]++;  HistB[y]++;  }  }  da=a/float(LABimg.rows*LABimg.cols);  db=b/float(LABimg.rows*LABimg.cols);  float D =sqrt(da*da+db*db);  float Ma=0,Mb=0;  for(int i=0;i<256;i++)  {  Ma+=abs(i-128-da)*HistA[i];//计算范围-128～127  Mb+=abs(i-128-db)*HistB[i];  }  Ma/=float((LABimg.rows*LABimg.cols));  Mb/=float((LABimg.rows*LABimg.cols));  float M=sqrt(Ma*Ma+Mb*Mb);  float K=D/M;  cast = K;  return;
}

3.亮度检测。
亮度检测与色偏检测相似，计算图片在灰度图上的均值和方差，当存在亮度异常时，均值会偏离均值点（可以假设为128），方差也会偏小；通过计算灰度图的均值和方差，就可评估图像是否存在过曝光或曝光不足。函数如下：

/*********************************************************************************************************************************************************
*函数描述：  brightnessException     计算并返回一幅图像的色偏度以及，色偏方向
*函数参数：  InputImg    需要计算的图片，BGR存放格式，彩色（3通道），灰度图无效
*           cast        计算出的偏差值，小于1表示比较正常，大于1表示存在亮度异常；当cast异常时，da大于0表示过亮，da小于0表示过暗
*函数返回值： 返回值通过cast、da两个引用返回，无显式返回值
**********************************************************************************************************************************************************/
void brightnessException (Mat InputImg,float& cast,float& da)
{  Mat GRAYimg;  cvtColor(InputImg,GRAYimg,CV_BGR2GRAY);  float a=0;  int Hist[256];  for(int i=0;i<256;i++)  Hist[i]=0;  for(int i=0;i<GRAYimg.rows;i++)  {  for(int j=0;j<GRAYimg.cols;j++)  {  a+=float(GRAYimg.at<uchar>(i,j)-128);//在计算过程中，考虑128为亮度均值点  int x=GRAYimg.at<uchar>(i,j);  Hist[x]++;  }  }  da=a/float(GRAYimg.rows*InputImg.cols);  float D =abs(da);  float Ma=0;  for(int i=0;i<256;i++)  {  Ma+=abs(i-128-da)*Hist[i];  }  Ma/=float((GRAYimg.rows*GRAYimg.cols));  float M=abs(Ma);  float K=D/M;  cast = K;  return;
}

最后展示一下结果

可以发现：当亮度变低时，失焦检测显示结果为：模糊。这是由于失焦检测依赖于梯度统计，亮度变低时，会导致梯度值整体下降，从而导致检测不正确。一种更好的方法是利用亮度检测的结果，合理设定失焦检测的报警阈值，避免这种情况。

视频清晰度、色偏以及亮度异常检测相关推荐

ng机器学习视频笔记（十三） ——异常检测与高斯密度估计
ng机器学习视频笔记(十三) --异常检测与高斯密度估计 (转载请附上本文链接--linhxx) 一.概述异常检测(anomaly detection),主要用于检查对于某些场景下,是否存在异常内容 ...
Real-world Anomaly Detection in Surveillance Videos监控视频中的现实世界异常检测
监控视频中的现实世界异常检测,代码地址https://paperswithcode.com/paper/real-world-anomaly-detection-in-surveillance. 摘要 ...
基于OpenCV对图片清晰度、色偏和亮度的检测（java版）
由来:近期项目需要检测图片的亮度和色偏,但网上大多为用C实现的,没有java版本的,此篇为java版本对opencv的调用,谨以此献给CSDN的广大用户. 一. 导入OpenCV所需依赖依赖下载:O ...
java OpenCV 图片清晰度、色偏和亮度检测
基于OpenCV对图片清晰度.色偏和亮度的检测(java版) 本文链接:https://blog.csdn.net/qq_34997906/article/details/87970817 由来:近期 ...
Learning Memory-guided Normality for Anomaly Detection——学习记忆引导的常态异常检测
又是一篇在自编码器框架中研究使用记忆模块的论文,可以看做19年的iccv的论文的衍生,在我的博客中对19年iccv这篇论文也做了简单介绍.韩国人写的,应该是吧,这名字听起来就像. 摘要abstract ...
异常检测 | 基于Siamese网络学习距离函数来定位视频中的异常
关于<Learning a distance function with a Siamese network to localize anomalies in videos>论文学习这篇 ...
ICCV 2021 oral 重构+预测，双管齐下提升视频异常检测性能
关注公众号,发现CV技术之美本文分享 ICCV 2021 oral 论文『A Hybrid Video Anomaly Detection Framework via Memory-Augmente ...
CVPR 2021 | 又好又快的视频异常检测，引入元学习的动态原型学习组件
Learning Normal Dynamics in Videos with Meta Prototype Network 作者:Hui lv, Chen Chen, Zhen Cui, Chuny ...
一些用于拥挤场景的异常检测的视频数据集
UCSD Anomaly Detection Dataset http://www.svcl.ucsd.edu/projects/anomaly/dataset.htm UCSD(加州圣地亚哥大学分校 ...

视频清晰度、色偏以及亮度异常检测

视频清晰度、色偏以及亮度异常检测相关推荐

最新文章

热门文章