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。
源代码相关下载地址：http://iask.sina.com.cn/u/ish?uid=1171839324（如果不可见，表示还未通过审核，请稍后重试）。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
