使用高斯滤波以及拉普拉斯算子实现人脸模糊检测_qq249356520的博客-CSDN博客
python版:
import cv2
imagePath ='./data/y10.jpg'
image = cv2.imread(imagePath)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
print('y1 blur:',cv2.Laplacian(gray, cv2.CV_64F).var())
imagePath ='./data/y20.png'
image = cv2.imread(imagePath)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
print('y2 blur:',cv2.Laplacian(gray, cv2.CV_64F).var())
2017年:
对采集到的人脸图像进行如下处理:
1.高斯模糊去噪,
2.转换灰度图,
3.在此图像上利用拉普拉斯算子滤波,
4.直方图归一化映射到0-255,
5.求均值,
检测方法:若该均值大于给定阈值,则认为是清晰照片,否则,是模糊照片。
实验结果表明:
正常人脸图片经处理后均值在500以上,而模糊人脸只有几十到两三百,很难使用拉普拉斯算子提取到有效边缘。
(数值可能不对,读者可亲测)
缺陷 :只对运动模糊人脸有效,且图片未经美图处理
代码如下:
//模糊检测,如果原图像是模糊图像,返回0,否则返回1
bool blurDetect(Mat srcImage, double &blurPer){
Mat srcBlur, gray1, gray2, gray3, dstImage;
double thre = 300; //控制阈值
//pyrDown(srcImage, dstImage, Size(srcImage.cols/2, srcImage.rows/2));
GaussianBlur(srcImage, srcBlur, Size(3, 3), 0, 0, BORDER_DEFAULT); //高斯滤波
//imshow("sas", srcBlur);
//imshow("ssas", srcImage);
convertScaleAbs(srcBlur, srcImage); //使用线性变换转换输入数组元素成8位无符号整型 归一化为0-255
if (srcImage.channels() != 1)
{
//进行灰度化
cvtColor(srcImage, gray1, CV_BGR2GRAY);
} else
{
gray1 = srcImage.clone();
}
Mat tmp_m1, tmp_sd1; //用来存储均值和方差
double m1 = 0, sd1 = 0;
//使用3x3的Laplacian算子卷积滤波
//imshow("Lap千", gray1);
//waitKey(0);
Laplacian(gray1, gray2, CV_16S, 3, 1, 0, BORDER_DEFAULT);
/*double minVal, maxVal;
minMaxLoc(gray2, &minVal, &maxVal);
double alpha = 255 / (maxVal - minVal), beta = -255 * minVal / (maxVal - minVal);*/
归到0~255
convertScaleAbs(gray2, gray3);
//imshow("Lap", gray3);
//计算均值和方差
meanStdDev(gray3, tmp_m1, tmp_sd1);
//imshow("Lap后", gray3);
//waitKey(0);
m1 = tmp_m1.at<double>(0, 0); //均值
sd1 = tmp_sd1.at<double>(0, 0); //标准差
//cout << "原图像:" << endl;
//cout << "均值: " << m1 << " , 方差: " << sd1*sd1 << endl;
blurPer = sd1*sd1; //方差
//waitKey(0);
if (blurPer < thre) return 0;
else return 1;
}
- 结果如下:
从上向下图片分别为:
其中前两张为模糊人脸
图片清晰度识别之改进ssim算法
以下内容转自:
图片清晰度识别之改进ssim算法_lieying的博客-CSDN博客
针对图片的清晰度识别,针对数据量比较大,对性能要求较高时,简单可靠的算法尤为重要,因此,经过对比,发现SSIM的算法可以在结合图片的结构,亮度,对比度三个条件下对图片进行分析。
step1:先将图片预处理裁剪
裁剪图片视情况而定,主要结合业务需求将图片的大小裁剪成相同的尺寸,便于比较,因为我处理的大部分是新闻图片,因此将图片裁剪成512*400,并将彩色图片处理灰度化;
import numpy as np
import math
import cv2
import urllib
def imgPreHandle(img,img_witdth,img_height,resize_width=512,resize_height=480):
"""
将图片缩放到同样的尺寸
:param img: 图片
:param img_witdth: 图片的宽度
:param img_height: 图片的宽度高度
:param resize_width: 图片裁剪的宽度
:param resize_height 图片裁剪的高度
:return:
"""
# x = img_witdth
# y = img_height
x,y,z = img.shape
new_pic = img
if ((x>=resize_height) & (y>=resize_width))|((x<resize_height) & (y<resize_width)):
new_pic = img
elif (x<resize_height) & (y>=resize_width) :
new_pic = img[:, int((y/2)-(resize_width/2)):int((y/2) + (resize_width/2))]
elif (x>=resize_height) & (y<resize_width):
new_pic = img[int((x/2)-(resize_height/2)):int((x/2) + (resize_height/2)), :]
elif (x >= resize_height) & (y < resize_width):
new_pic = img[int((x / 2) - (resize_height / 2)):int((x / 2) + (resize_height / 2)), :]
new_picture = cv2.resize(new_pic, (resize_height, resize_width))
if len(new_picture.shape) == 3:
gray = rgb2gray(new_picture)
else:
gray = new_picture
return gray
step2: 对图像进行分块处理
首先对图片进行分块处理,视情况而定,这里将整个图片均匀分为9块大小,每块为11*11的大小,对每块图片采用ssimFunction函数处理,计算SSIM,与传统的ssim不同的是,我增加了一步利用函数entropyFunc计算信息熵的过程。
(1)在ssimFunction函数中先对每一小块图片进行高斯处理,然后分别对原图和高斯模糊后图片进行sobel边缘提取。
(2)计算每一小块的SSIM和信息熵大小
(3)通过对所有小块,按照信息熵进行片排名,然后取Top(这里取top=10)SSIM做均值。最后1-均值即为清晰度得分。
def img_ssimRecog(img, len_s = 11):
"""
图片处理
:param img: 图片
:param len_s: 图片每个小块尺寸
:return:
"""
X_org, Y_org = img.shape
res_list = []
for i in range(0, int(X_org), int(X_org / len_s)+3):
for j in range(0, int(Y_org), int(Y_org / len_s)+3):
res_list.append(ssimFunction(img[i:i + len_s, j:j + len_s]))
res_list = np.array(res_list)
res_list_sort = res_list[np.lexsort(-res_list.T)]
res_list = res_list_sort[:, :1]
res = np.mean(res_list[:10])
if res < 0.0:
res = 0.0
return 1 - res
其中信息熵的求解函数entropyFunc如下所示:
def entropyFunc(img):
"""
熵函数
:param img: 图片
:return:
"""
res = 0
tmp = [0] * 256
img_list = []
for i in range(len(img)):
img_list.extend(map(int, img[i]))
img_list_set = set(img_list)
for i in img_list_set:
tmp[i] = float(img_list.count(i))/ 256
for i in range(len(tmp)):
if (tmp[i] == 0):
res = res
else:
res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0)))
return res
求解ssim的函数如下所示:
def ssimFunction(img):
"""
ssim 算法
:param img: 图片
:return:
"""
x, y = img.shape
resEntropy = entropyFunc(img)
TR = cv2.GaussianBlur(img, (5,5),3)
G = cv2.Sobel(img,cv2.CV_16S,2,2)/5
Gr = cv2.Sobel(TR,cv2.CV_16S,2,2)/5
Ux = np.mean(G)
Uy = np.mean(Gr)
Vx = np.var(G)
Vy = np.var(Gr)
Vxy = (1 / (x * y - 1)) * np.sum((G - Ux) * (Gr - Uy))
R = 255
K1 = 0.03
K2 = 0.01
c1 = (K1 * R) ** 2
c2 = (K2 * R) ** 2
# -SSIM
A1 = 2 * Ux * Uy + c1
A2 = 2 * Vxy + c2
B1 = Ux ** 2 + Uy ** 2 + c1
B2 = Vx + Vy + c2
SSIM = (A1 * A2) / (B1 * B2)
return SSIM, resEntropy
效果如下所示:
参考文献:
1、https://blog.csdn.net/ecnu18918079120/article/details/60149864
2、https://blog.csdn.net/chaipp0607/article/details/70158835