# -*-coding=UTF-8-*-
"""
在无参考图下,检测图片质量的方法
"""
import os
import cv2
import numpy as np
from skimage import filters
class BlurDetection:
def __init__(self, strDir):
print("图片检测对象已经创建...")
self.strDir = strDir
def _getAllImg(self, strType='jpg'):
"""
根据目录读取所有的图片
:param strType: 图片的类型
:return: 图片列表
"""
names = []
for root, dirs, files in os.walk(self.strDir): # 此处有bug 如果调试的数据还放在这里,将会递归的遍历所有文件
for file in files:
# if os.path.splitext(file)[1]=='jpg':
names.append(str(file))
return names
def _imageToMatrix(self, image):
"""
根据名称读取图片对象转化矩阵
:param strName:
:return: 返回矩阵
"""
imgMat = np.matrix(image)
return imgMat
def _blurDetection(self, imgName):
# step 1 图像的预处理
img2gray, reImg = self.preImgOps(imgName)
imgMat=self._imageToMatrix(img2gray)/255.0
x, y = imgMat.shape
score = 0
for i in range(x - 2):
for j in range(y - 2):
score += (imgMat[i + 2, j] - imgMat[i, j]) ** 2
# step3: 绘制图片并保存 不应该写在这里 抽象出来 这是共有的部分
score=score/10
newImg = self._drawImgFonts(reImg, str(score))
newDir = self.strDir + "/_blurDetection_/"
if not os.path.exists(newDir):
os.makedirs(newDir)
newPath = newDir + imgName
cv2.imwrite(newPath, newImg) # 保存图片
cv2.imshow(imgName, newImg)
cv2.waitKey(0)
return score
def _SMDDetection(self, imgName):
# step 1 图像的预处理
img2gray, reImg = self.preImgOps(imgName)
f=self._imageToMatrix(img2gray)/255.0
x, y = f.shape
score = 0
for i in range(x - 1):
for j in range(y - 1):
score += np.abs(f[i+1,j]-f[i,j])+np.abs(f[i,j]-f[i+1,j])
# strp3: 绘制图片并保存 不应该写在这里 抽象出来 这是共有的部分
score=score/100
newImg = self._drawImgFonts(reImg, str(score))
newDir = self.strDir + "/_SMDDetection_/"
if not os.path.exists(newDir):
os.makedirs(newDir)
newPath = newDir + imgName
cv2.imwrite(newPath, newImg) # 保存图片
cv2.imshow(imgName, newImg)
cv2.waitKey(0)
return score
def _SMD2Detection(self, imgName):
"""
灰度方差乘积
:param imgName:
:return:
"""
# step 1 图像的预处理
img2gray, reImg = self.preImgOps(imgName)
f=self._imageToMatrix(img2gray)/255.0
x, y = f.shape
score = 0
for i in range(x - 1):
for j in range(y - 1):
score += np.abs(f[i+1,j]-f[i,j])*np.abs(f[i,j]-f[i,j+1])
# strp3: 绘制图片并保存 不应该写在这里 抽象出来 这是共有的部分
score=score
newImg = self._drawImgFonts(reImg, str(score))
newDir = self.strDir + "/_SMD2Detection_/"
if not os.path.exists(newDir):
os.makedirs(newDir)
newPath = newDir + imgName
cv2.imwrite(newPath, newImg) # 保存图片
cv2.imshow(imgName, newImg)
cv2.waitKey(0)
return score
def _Variance(self, imgName):
"""
灰度方差乘积
:param imgName:
:return:
"""
# step 1 图像的预处理
img2gray, reImg = self.preImgOps(imgName)
f = self._imageToMatrix(img2gray)
# strp3: 绘制图片并保存 不应该写在这里 抽象出来 这是共有的部分
score = np.var(f)
newImg = self._drawImgFonts(reImg, str(score))
newDir = self.strDir + "/_Variance_/"
if not os.path.exists(newDir):
os.makedirs(newDir)
newPath = newDir + imgName
cv2.imwrite(newPath, newImg) # 保存图片
cv2.imshow(imgName, newImg)
cv2.waitKey(0)
return score
def _Vollath(self,imgName):
"""
灰度方差乘积
:param imgName:
:return:
"""
# step 1 图像的预处理
img2gray, reImg = self.preImgOps(imgName)
f = self._imageToMatrix(img2gray)
source=0
x,y=f.shape
for i in range(x-1):
for j in range(y):
source+=f[i,j]*f[i+1,j]
source=source-x*y*np.mean(f)
# strp3: 绘制图片并保存 不应该写在这里 抽象出来 这是共有的部分
newImg = self._drawImgFonts(reImg, str(source))
newDir = self.strDir + "/_Vollath_/"
if not os.path.exists(newDir):
os.makedirs(newDir)
newPath = newDir + imgName
cv2.imwrite(newPath, newImg) # 保存图片
cv2.imshow(imgName, newImg)
cv2.waitKey(0)
return source
def _Tenengrad(self,imgName):
"""
灰度方差乘积
:param imgName:
:return:
"""
# step 1 图像的预处理
img2gray, reImg = self.preImgOps(imgName)
f = self._imageToMatrix(img2gray)
tmp = filters.sobel(f)
source=np.sum(tmp**2)
source=np.sqrt(source)
# strp3: 绘制图片并保存 不应该写在这里 抽象出来 这是共有的部分
newImg = self._drawImgFonts(reImg, str(source))
newDir = self.strDir + "/_Tenengrad_/"
if not os.path.exists(newDir):
os.makedirs(newDir)
newPath = newDir + imgName
cv2.imwrite(newPath, newImg) # 保存图片
cv2.imshow(imgName, newImg)
cv2.waitKey(0)
return source
def Test_Tenengrad(self):
imgList = self._getAllImg(self.strDir)
for i in range(len(imgList)):
score = self._Tenengrad(imgList[i])
print(str(imgList[i]) + " is " + str(score))
def Test_Vollath(self):
imgList = self._getAllImg(self.strDir)
for i in range(len(imgList)):
score = self._Variance(imgList[i])
print(str(imgList[i]) + " is " + str(score))
def TestVariance(self):
imgList = self._getAllImg(self.strDir)
for i in range(len(imgList)):
score = self._Variance(imgList[i])
print(str(imgList[i]) + " is " + str(score))
def TestSMD2(self):
imgList = self._getAllImg(self.strDir)
for i in range(len(imgList)):
score = self._SMD2Detection(imgList[i])
print(str(imgList[i]) + " is " + str(score))
return
def TestSMD(self):
imgList = self._getAllImg(self.strDir)
for i in range(len(imgList)):
score = self._SMDDetection(imgList[i])
print(str(imgList[i]) + " is " + str(score))
return
def TestBrener(self):
imgList = self._getAllImg(self.strDir)
for i in range(len(imgList)):
score = self._blurDetection(imgList[i])
print(str(imgList[i]) + " is " + str(score))
return
def preImgOps(self, imgName):
"""
图像的预处理操作
:param imgName: 图像的而明朝
:return: 灰度化和resize之后的图片对象
"""
strPath = self.strDir + imgName
img = cv2.imread(strPath) # 读取图片
cv2.moveWindow("", 1000, 100)
# cv2.imshow("原始图", img)
# 预处理操作
reImg = cv2.resize(img, (800, 900), interpolation=cv2.INTER_CUBIC) #
img2gray = cv2.cvtColor(reImg, cv2.COLOR_BGR2GRAY) # 将图片压缩为单通道的灰度图
return img2gray, reImg
def _drawImgFonts(self, img, strContent):
"""
绘制图像
:param img: cv下的图片对象
:param strContent: 书写的图片内容
:return:
"""
font = cv2.FONT_HERSHEY_SIMPLEX
fontSize = 5
# 照片 添加的文字 /左上角坐标 字体 字体大小 颜色 字体粗细
cv2.putText(img, strContent, (0, 200), font, fontSize, (0, 255, 0), 6)
return img
def _lapulaseDetection(self, imgName):
"""
:param strdir: 文件所在的目录
:param name: 文件名称
:return: 检测模糊后的分数
"""
# step1: 预处理
img2gray, reImg = self.preImgOps(imgName)
# step2: laplacian算子 获取评分
resLap = cv2.Laplacian(img2gray, cv2.CV_64F)
score = resLap.var()
print("Laplacian %s score of given image is %s", str(score))
# strp3: 绘制图片并保存 不应该写在这里 抽象出来 这是共有的部分
newImg = self._drawImgFonts(reImg, str(score))
newDir = self.strDir + "/_lapulaseDetection_/"
if not os.path.exists(newDir):
os.makedirs(newDir)
newPath = newDir + imgName
# 显示
cv2.imwrite(newPath, newImg) # 保存图片
cv2.imshow(imgName, newImg)
cv2.waitKey(0)
# step3: 返回分数
return score
def TestDect(self):
names = self._getAllImg()
for i in range(len(names)):
score = self._lapulaseDetection(names[i])
print(str(names[i]) + " is " + str(score))
return
if __name__ == "__main__":
BlurDetection = BlurDetection(strDir="D:/document/ZKBH/bug/face/")
BlurDetection.Test_Tenengrad () # TestSMD
来源 https://github.com/Leezhen2014/python--/blob/master/BlurDetection.py
在widerface数据集上测试, Test_Tenengrad的阈值选择为7能够得到一个较好的模糊度分类效果
不明白为什么要把图像resize到(800, 900)的尺度上再求梯度:
reImg = cv2.resize(img, (800, 900), interpolation=cv2.INTER_CUBIC) #
关于各种算子介绍的文章:
Roberts算子、Sobel算子和Laplacian算子的数学推导 | 致永远-For Aye
从实验结果上比对来看,sobel比laplacian更稳定一些,所以在工程上决定用sobel。
********************
个人公众号“AI技术评论”,欢迎关注