【光电智造】算法|OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测

今日光电

翻译自【OpenCV Fast Fourier Transform (FFT) for blur detection in images and video streams】，原文链接：

本文仅作学习分享。

(相关资料图)

原始模糊检测方法：

模糊检测，顾名思义，是检测图像是否模糊的算法。

模糊检测可能的应用包括：

图像质量的自动分级

帮助专业摄影师在100到1000张的照片拍摄过程中自动丢弃模糊/低质量的照片

将OCR应用于实时视频流，但仅对非模糊帧应用昂贵的OCR计算

这里的关键要点是，为在理想条件下捕获的图像编写计算机视觉代码总是比较容易的。

与其尝试处理质量非常差的图像的边缘情况，不如检测并丢弃质量差的图像(比如有明显模糊的图像)。

这种模糊检测程序既可以自动丢弃质量差的图像，也可以简单地告诉终端用户：”嘿，老兄，再试一次，让我们在这里捕捉一个更好的画面”。

请记住，计算机视觉应用程序应该是智能的，因此有了“人工智能”这个术语——有时候，“智能”可以只是检测输入数据的质量是否太差，而不是试图弄懂它。

什么是快速傅立叶变换(FFT)?

快速傅里叶变换是计算离散傅里叶变换的一种方便的数学算法。它用于将信号从一个域转换为另一个域。

首先使用本教程的“下载”部分下载源代码和示例图像。一旦你解压缩文件，你将有一个目录组织如下：

我们的模糊检测器实现需要matplotlib和NumPy。我们将使用内建在NumPy中的快速傅里叶变换算法作为我们方法的基础；

第4行定义detect_blur_fft函数，接受四个参数：

图片image：我们对模糊检测输入图像

大小size：以图像中心点为中心的半径的大小，我们将使FFT偏移为零

阈值thresh：用于确定图像是否被认为是模糊的，将与震级的平均值(稍后详细说明)进行比较的一个值

标识符vis：一个布尔值，指示是否使用matplotlib可视化/绘制原始输入图像和大小图像

给定输入图像，首先获取它的尺寸(第7行)并计算中心(x, y)坐标(第8行)。

接下来，我们将使用NumPy的快速傅里叶变换(FFT)算法实现来计算离散傅里叶变换(DFT):

现在我们的detect_blur_fft 辅助函数已经实现，让我们通过创建一个Python驱动程序脚本来使用它，该脚本从磁盘加载一个输入图像，然后对其应用FFT模糊检测。

第2-6行进行导入，特别的是，我们需要导入我们在上一节中实现的detect_blur_fft函数。

从这里，我们解析四个命令行参数：

--image：用于模糊检测的输入图像的路径。

--thresh：我们的模糊检测器计算阈值。

--vis：我们的标志符，指示是否将输入图像的幅度值图像可视化。

--test：为了测试，我们可以逐步模糊输入图像，并对每个示例进行基于fft的模糊检测;此标志指示我们是否将执行此测试。

--image、--thresh和--vis参数分别对应于我们在上一节实现的detect_blur_fft函数的image、thresh和vis参数。

让我们继续，加载我们的输入图像，执行快速傅里叶变换模糊检测：

这里你可以看到我在锡安国家公园的地铁徒步旅行的输入图像-图像被正确地标记为不模糊。

让我们试试另一张图片，这是我家的狗，Jemma：

这幅图像有明显的模糊，因此被标记为模糊。

在这里，您可以看到我们的图像很快变得模糊和不可读，正如输出所示，我们的OpenCV FFT模糊检测器正确地将这些图像标记为模糊。

下面是一个可视化的快速傅里叶变换幅度值，图像变得越来越模糊：

----与智者为伍为创新赋能----

联系邮箱：uestcwxd@126.com

QQ：493826566

关键词：