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。