Question

我有一个FPV（第一人称视角）接收器，显示了安装在无人机上的FPV摄像机的接收帧。发射器工作时，接收器显示摄像机视图。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（有时带有更多白色像素，有时带有更多黑色像素）。我想以高效的方式在Python中使用OpenCV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。

随附了噪声帧的示例：

另一个噪声帧示例：

有效框架（可以是任何东西）：

Answer 1

鉴于以下假设：您的有效视频帧至少具有一定数量的颜色信息，并且您的噪点帧或多或少是黑白的，使用{{3 }}。

使用将图像转换为HSV色彩空间，请参见HSV color space。
计算饱和度通道的直方图，请参见cv2.cvtColor。
计算具有最小饱和度的像素百分比，例如至少0.05。
如果该百分比超过阈值，例如0.5，则所有像素中至少有百分之五十的饱和度至少为0.05，因此该帧似乎是有效的帧。（如果需要，请调整阈值。）

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))

可视化输出（按照问题出现的顺序）：

cv2.calcHist

然后，主要输出：

False
False
True

除去整个可视化内容，is_valid调用在我的机器上每个图像所需的时间少于0.01秒。不确定在录制时使用哪种硬件，但是也许这种方法也适用于具有足够帧频的某些“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，但这比提出的方法花费了更多的时间。奇怪。

希望有帮助！

检测噪声帧

1 个答案: