Python+Opencv检测模糊图片

爱被打了一巴掌 2021-12-01 13:20 946阅读 1赞

### 目录 ###

*   *  一、场景需求解读
     *  二、模糊图片检测方案简介
     *  三、模糊图片检测原理简介
     *  四、算法实现步骤
     *  五、算法代码实现
     *  六、算法效果展示与分析
     *  参考资料
     *  注意事项

## 一、场景需求解读 ##

现实场景中，我们经常会使用不同的设备区拍摄一些照片，常用的一些设备包括手机、相机等，但是在拍摄的过程中可能会受到一些因素的影响，最终导致拍摄出来的照片比较模糊。对于这些图片而言，我们经常利用人眼进行观察，这样比较费时费力，本文针对这个问题提出了一种全自动的方法来检测模糊的图片，这样可以极大的节约用户的时间。下图展示了一个案例，其中包含几张模糊的图片和清晰的图片。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center]

## 二、模糊图片检测方案简介 ##

**方案一**：

*  首先对输入的图片进行快速傅里叶变换操作；
 *  然后检测图片中高频分量和低频分量的分布情况；
 *  接着根据图片中包含的高频分量的多少进行合适的判断，如果图片中含有较少的高频分量，则表明该图片是模糊图片，否则是清晰图片。

**方案二:** 根据[该文章][Link 1]的思路来进行检测。**即根据Laplacian变换的方差值进行判断。**

通过对比这两个方案，我们可以发现方案二更快、更方便。

## 三、模糊图片检测原理简介 ##

整个算法的原理和拉普拉斯算子本身的定义有关，该算子主要用来测量图像的二阶导数。它强调了包含快速强度变化的图像区域。拉普拉斯算子经常被用来做边缘检测。这里存在着一个假设，即如果一个图像中包含着高方差，那么在图像中会有较大范围的响应，包括边缘和非边缘，这代表着一张正常图像。但是如果该图像的方差很低，那么响应的范围很小，这表明图像中的边缘很小。众所周知的是当图像越模糊时，包含的边缘信息就会越少。

## 四、算法实现步骤 ##

**步骤1**\-读取输入图片；  
**步骤2**\-输入图片灰度化；  
**步骤3**\-与特定的Laplacian核进行卷积；  
**步骤4**\-计算响应的方差值；  
**步骤5**\-如果当前的方差值<threshold，则该图片为模糊图片，否则不是模糊图片。

## 五、算法代码实现 ##

# coding=utf-8
    # 导入相应的python包
    from imutils import paths
    import argparse
    import cv2
    
    def variance_of_laplacian(image):
    	'''
        计算图像的laplacian响应的方差值
        '''
    	return cv2.Laplacian(image, cv2.CV_64F).var()
    
    if __name__ == '__main__':
        # 设置参数
        ap = argparse.ArgumentParser()
        ap.add_argument("-i", "--images", required=True, help="设置输入图片的路径")
        ap.add_argument("-t", "--threshold", type=float, default=100.0, help="设置模糊阈值")
        args = vars(ap.parse_args())
    
        # 遍历每一张图片
        for imagePath in paths.list_images(args["images"]):
            # 读取图片
            image = cv2.imread(imagePath)
            # 将图片转换为灰度图片
            gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
            # 计算灰度图片的方差
            fm = variance_of_laplacian(gray)
            text = "Not Blurry"
    
            # 设置输出的文字
            if fm < args["threshold"]:
                text = "Blurry"
    
            # 显示结果
            cv2.putText(image, "{}: {:.2f}".format(text, fm), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 3)
            cv2.imshow("Image", image)
            key = cv2.waitKey(0)

**运行方法：python detece\_blur\_imgae.py -i 图片路径 （这里的图片路径需要修改成你自己的路径）**

## 六、算法效果展示与分析 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 1]  
  上图展示了该算法的检测结果，通过观察上图我们可以获得一些信息，即该算法能够准确的检测出模糊图片，并在图片的左上角区域内输出结果并展示相应的方差值。尽管该算法的思路和实现都比较简单，但是它简单高效。

## 参考资料 ##

\[1\] [参考链接][Link 2]

## 注意事项 ##

\[1\] 该博客是本人原创博客，如果您对该博客感兴趣，想要转载该博客，请与我联系（qq邮箱：1575262785@qq.com）,我会在第一时间回复大家，谢谢大家的关注.  
\[2\] 由于个人能力有限，该博客可能存在很多的问题，希望大家能够提出改进意见。  
\[3\] 如果您在阅读本博客时遇到不理解的地方，希望您可以联系我，我会及时的回复您，和您交流想法和意见，谢谢。  
\[4\] 本文测试的图片可以通过该链接进行下载。[网盘链接][Link 3]\- 提取码：tnzs 。  
\[5\] **本人业余时间承接各种本科毕设设计和各种小项目，包括图像处理（数据挖掘、机器学习、深度学习等）、matlab仿真、python算法及仿真等，有需要的请加QQ：1575262785详聊，备注“项目”！！！**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center]: /images/20211201/356ef75efa924f6090e0452ae0fb1aae.png
[Link 1]: http://optica.csic.es/papers/icpr2k.pdf
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20211201/677c654e98334aefad91617efa5deedf.png
[Link 2]: https://www.pyimagesearch.com/2015/09/07/blur-detection-with-opencv/
[Link 3]: https://pan.baidu.com/s/1zUT1T05rWDNGT0LJwjgMPg