我有一个FPV(第一人称视角)接收器,显示了从安装在无人机上的FPV摄像机接收的帧。发射器工作时,接收器会显示摄像机视图。否则,如果连接断开或变送器不工作,则会显示噪声帧。
噪声帧具有随机模式(有时具有更多白色像素,有时甚至具有更多黑色像素)。我想在Python中使用OpenCV高效地检测那些噪声帧。我知道OpenCV有一个称为cv2.fastNlMeansDenoisingColored()
的方法。但是在这种情况下,我要检测噪声帧而不是每个帧中的噪声。
附上噪音框样本:
另一个噪声帧示例:
一个有效的帧(可能是任何东西):
假设您的有效视频帧至少具有一定数量的颜色信息,并且您的噪声帧或多或少是黑白的,则可以使用HSV color space中的饱和通道进行简单处理。
cv2.cvtColor
。cv2.cvtColor
。cv2.calcHist
。cv2.calcHist
,则所有像素中至少有百分之五十的饱和度至少为0.05
,因此此帧似乎是有效帧。 (如果需要,请调整阈值。)0.5
可视化输出(按照问题出现的顺序:]
0.05
import cv2
from matplotlib import pyplot as plt
import numpy as np
from skimage import io # Only needed for web grabbing images, use cv2.imread for local images
def is_valid(image):
# Convert image to HSV color space
image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# Calculate histogram of saturation channel
s = cv2.calcHist([image], [1], None, [256], [0, 256])
# Calculate percentage of pixels with saturation >= p
p = 0.05
s_perc = np.sum(s[int(p * 255):-1]) / np.prod(image.shape[0:2])
##### Just for visualization and debug; remove in final
plt.plot(s)
plt.plot([p * 255, p * 255], [0, np.max(s)], 'r')
plt.text(p * 255 + 5, 0.9 * np.max(s), str(s_perc))
plt.show()
##### Just for visualization and debug; remove in final
# Percentage threshold; above: valid image, below: noise
s_thr = 0.5
return s_perc > s_thr
# Read example images; convert to grayscale
noise1 = cv2.cvtColor(io.imread('https://i.stack.imgur.com/Xz9l0.png'), cv2.COLOR_RGB2BGR)
noise2 = cv2.cvtColor(io.imread('https://i.stack.imgur.com/9ZPAj.jpg'), cv2.COLOR_RGB2BGR)
valid = cv2.cvtColor(io.imread('https://i.stack.imgur.com/0FNPQ.jpg'), cv2.COLOR_RGB2BGR)
for img in [noise1, noise2, valid]:
print(is_valid(img))
并且,主要输出:
[删除整个可视化内容,调用在我的机器上每个图像需要少于0.01秒。不确定在进行录制时使用哪种硬件,但是也许这种方法也适用于某些具有足够帧频的“实时”处理。]
[最后一句话:我试图摆脱OpenCV直方图,并直接使用NumPy计算百分比,但是比提出的方法要花更多的时间。奇怪。
希望有帮助!