基于python+opencv的图片质量检测(清晰度+亮度+色偏)

1.清晰度检测：

利用拉普拉斯算子计算图片的二阶导数，反映图片的边缘信息，同样事物的图片，清晰度高的，相对应的经过拉普拉斯算子滤波后的图片的方差也就越大。

import cv2
#利用拉普拉斯
def getImageVar(imgPath):image = cv2.imread(imgPath)img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var()return imageVar
imageVar = getImageVar("tooth/15.jpg")
print(imageVar)

2.亮度检测：

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。

import cv2
import numpy as np
img = cv2.imread('1.jpg')
# 把图片转换为单通道的灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 获取形状以及长宽
img_shape = gray_img.shape
height, width = img_shape[0], img_shape[1]
size = gray_img.size
# 灰度图的直方图
hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])
# 计算灰度图像素点偏离均值(128)程序
a = 0
ma = 0
#np.full 构造一个数组，用指定值填充其元素
reduce_matrix = np.full((height, width), 128)
shift_value = gray_img - reduce_matrix
shift_sum = np.sum(shift_value)
da = shift_sum / size
# 计算偏离128的平均偏差
for i in range(256):ma += (abs(i-128-da) * hist[i])
m = abs(ma / size)
# 亮度系数
k = abs(da) / m
print(k)
if k[0] > 1:# 过亮if da > 0:print("过亮")else:print("过暗")
else:print("亮度正常")

3.色偏检测：

将RGB图像转变到CIE Lab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。

import cv2
img = cv2.imread('tooth/10.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
l_channel, a_channel, b_channel = cv2.split(img)
h,w,_ = img.shape
da = a_channel.sum()/(h*w)-128
db = b_channel.sum()/(h*w)-128
histA = [0]*256
histB = [0]*256
for i in range(h):for j in range(w):ta = a_channel[i][j]tb = b_channel[i][j]histA[ta] += 1histB[tb] += 1
msqA = 0
msqB = 0
for y in range(256):msqA += float(abs(y-128-da))*histA[y]/(w*h)msqB += float(abs(y - 128 - db)) * histB[y] / (w * h)
import math
result = math.sqrt(da*da+db*db)/math.sqrt(msqA*msqA+msqB*msqB)
print("d/m = %s"%result)

参考链接：清晰度检测：https://blog.csdn.net/qq_42238397/article/details/81745600
亮度检测：https://blog.csdn.net/qq_40790959/article/details/106107574
色偏检测：
https://blog.csdn.net/sparrowwf/article/details/86595162
https://blog.csdn.net/fightingforcv/article/details/52724848

基于python+opencv的图片质量检测(清晰度+亮度+色偏)相关推荐

基于Python+OpenCV车道线检测(直道和弯道)
基于Python+OpenCV车道线检测(直道和弯道) 基于Python+OpenCV车道线检测(直道和弯道)
基于python+opencv的人脸检测+
人脸检测分为两种:一种是基于知识的,一种是基于深度学习的.深度不会学习人脸识别属于目标检测,主要涉及两个方面: ①先对检测的物体进行概率统计,从而知道待检测对象的一些特征,建立其目标的检测模型 ②用 ...
毕业设计 - 题目：基于机器视觉opencv的手势检测手势识别算法 - 深度学习卷积神经网络 opencv python
文章目录 1 简介 2 传统机器视觉的手势检测 2.1 轮廓检测法 2.2 算法结果 2.3 整体代码实现 2.3.1 算法流程 3 深度学习方法做手势识别 3.1 经典的卷积神经网络 3.2 YOL ...
基于python+OpenCV的车牌号码识别
基于python+OpenCV的车牌号码识别车牌识别行业已具备一定的市场规模,在电子警察.公路卡口.停车场.商业管理.汽修服务等领域已取得了部分应用.一个典型的车辆牌照识别系统一般包括以下4个部分: ...
基于python opencv人脸识别的签到系统
基于python opencv人脸识别的签到系统前言先看下效果实现的功能开始准备页面的构建功能实现代码部分总结前言一个基于opencv人脸识别和TensorFlow进行模型训练的人 ...
python+opencv车道线检测（简易实现）
python+opencv车道线检测(简易实现) 技术栈:python+opencv 实现思路: canny边缘检测获取图中的边缘信息: 霍夫变换寻找图中直线: 绘制梯形感兴趣区域获得车前范围: 得到 ...
管道无损检测python_基于PYTHON的多通道漏磁检测系统设计
基于 PYTHON 的多通道漏磁检测系统设计 * 李广凯 , 周庆祥 , 肖君武 [摘要] 针对钢管漏磁检测中存在单通道探头检测效率低,缺陷定量困难,仪器不便携带等难题,根据漏磁检测原理设计了一套 ...
【开源分享】基于Python+OpenCV+PyQt5车牌识别(GUI界面)
亲测无错:基于Python+OpenCV+PyQt5车牌识别(GUI界面)绝对可以用的!!!!! 基于Python+OpenCV+PyQt5车牌识别(GUI界面) 参考文档
OpenCV基于Python霍夫圆检测—基于梯度的霍夫圆检测
基于梯度的霍夫圆检测 1. 回顾与目标 2. 基于梯度的霍夫圆检测 2.1 问题分析 2.2 基于梯度的霍夫圆检测步骤 3. 基于梯度的霍夫圆检测函数HoughCircles 3.1 函数HoughC ...

基于python+opencv的图片质量检测(清晰度+亮度+色偏)

基于python+opencv的图片质量检测(清晰度+亮度+色偏)相关推荐

最新文章

热门文章