在本教程中，您將學習如何使用OpenCV和快速傅里葉變換(FFT)在圖像和實時視流中執行模糊檢測。 今天的教程是我上一篇關于OpenCV模糊檢測的博客文章的擴展

（https://www.pyimagesearch.com/2015/09/07/blur-detection-with-opencv/）。

原始模糊檢測方法：

依賴于計算圖像Laplacian算子的方差

可以僅用一行代碼實現

使用起來非常簡單

缺點是，Laplacian方法需要大量手動調整用于定義圖像是否模糊的”閾值“。如果你能控制你的光線條件，環境和圖像捕捉過程，這個方法工作得很好，但如果不是，那你很可能得到雜亂不堪的效果。 我們今天要講的方法依賴于計算圖像的快速傅里葉變換。它仍然需要一些手動調整，但正如我們將發現的，FFT模糊檢測器比Laplacian方差更加可靠與穩定。 在本教程結束時，你將擁有一個可以應用于圖像和視頻流，且功能齊全的FFT模糊檢測器。 OpenCV快速傅里葉變換(FFT)模糊檢測 在本教程的第一部分，我們將簡要討論：

什么是模糊檢測

為什么我們想檢測圖像/視頻流中的模糊

快速傅里葉變換如何讓我們檢測模糊

什么是模糊檢測，什么時候我們需要檢測模糊?

圖1：如何使用OpenCV和快速傅里葉變換(FFT)算法自動檢測照片是否模糊?(圖片來源：https://www.cs.unm.edu/~brayer/vision/fourier.html)

模糊檢測，顧名思義，是檢測圖像是否模糊的算法。

模糊檢測可能的應用包括：

圖像質量的自動分級

幫助專業攝影師在100到1000張的照片拍攝過程中自動丟棄模糊/低質量的照片

將OCR應用于實時視頻流，但僅對非模糊幀應用昂貴的OCR計算

這里的關鍵要點是，為在理想條件下捕獲的圖像編寫計算機視覺代碼總是比較容易的。

與其嘗試處理質量非常差的圖像的邊緣情況，不如檢測并丟棄質量差的圖像(比如有明顯模糊的圖像)。

這種模糊檢測程序既可以自動丟棄質量差的圖像，也可以簡單地告訴終端用戶：”嘿，老兄，再試一次，讓我們在這里捕捉一個更好的畫面”。

請記住，計算機視覺應用程序應該是智能的，因此有了“人工智能”這個術語——有時候，“智能”可以只是檢測輸入數據的質量是否太差，而不是試圖弄懂它。

什么是快速傅立葉變換(FFT)?

圖2:在本教程中，我們將使用OpenCV和NumPy的組合在圖像和視流中進行基于快速傅立葉變換(FFT)的模糊檢測。

快速傅里葉變換是計算離散傅里葉變換的一種方便的數學算法。它用于將信號從一個域轉換為另一個域。

FFT在許多學科中都很有用，包括音樂、數學、科學和工程。例如，電氣工程師，特別是那些與無線、電源和音頻信號打交道的工程師，需要FFT計算來將時間序列信號轉換到頻域，因為有些計算在頻域更容易進行。相反，使用FFT可以將頻域信號轉換回時域。 在計算機視覺方面，我們通常認為FFT是一種圖像處理工具，它可以將圖片在兩個圖像域內轉換：

傅里葉(即頻率)域

空間域

此外，FFT同時用實分量和虛分量來表示圖像。 通過分析這些值，我們可以執行圖像處理程序，如模糊，邊緣檢測，閾值，紋理分析，以及模糊檢測。 回顧快速傅里葉變換的數學細節超出了這篇博客文章的范圍，所以如果你有興趣學習更多關于它的知識，我建議你閱讀這篇關于FFT及其與圖像處理的關系的文章。

https://homepages.inf.ed.ac.uk/rbf/HIPR2/fourier.htm

對于有學術傾向的讀者，可以看看Aaron Bobick在佐治亞理工學院計算機視覺課程上的精彩幻燈片。

https://www.cc.gatech.edu/~afb/classes/CS4495-Fall2014/slides/CS4495-Frequency.pdf

最后，維基百科關于傅里葉變換的頁面更詳細地介紹了數學，包括它在非圖像處理任務中的應用。 項目結構

首先使用本教程的“下載”部分下載源代碼和示例圖像。一旦你解壓縮文件，你將有一個目錄組織如下：

$ tree --dirsfirst.├── images│ ├── adrian_01.png│ ├── adrian_02.png│ ├── jemma.png│ └── resume.png├── pyimagesearch│ ├── __init__.py│ └── blur_detector.py├── blur_detector_image.py└── blur_detector_video.py2 directories, 8 files我們基于FFT的模糊檢測算法位于blur_detector.py文件中的pyimagesearch模塊中。內部實現了一個函數detect_blur_fft。 我們在兩個Python驅動程序腳本中使用detect_blur_fft方法:

blur_detector_image:對靜態圖像進行模糊檢測。我在images/目錄中為我們提供了一些測試圖像，您也應該在自己的圖像(模糊的和不模糊的)上嘗試這種算法。

blur_detector_video。在視頻流中實現實時模糊檢測。

使用OpenCV實現我們的FFT模糊檢測器 現在我們準備用OpenCV實現我們的快速傅里葉變換模糊檢測器。 我們將要介紹的方法是基于Liu等人在2008年CVPR出版物《圖像部分模糊檢測和分類》中實現的。

http://www.cse.cuhk.edu.hk/leojia/all_final_papers/blur_detect_cvpr08.pdf

在我們的目錄結構中打開blur_detector.py文件，插入以下代碼:

# import the necessary packagesimport matplotlib.pyplot as pltimport numpy as npdef detect_blur_fft(image, size=60, thresh=10, vis=False): # grab the dimensions of the image and use the dimensions to # derive the center (x, y)-coordinates (h, w) = image.shape (cX, cY) = (int(w / 2.0), int(h / 2.0))

我們的模糊檢測器實現需要matplotlib和NumPy。我們將使用內建在NumPy中的快速傅里葉變換算法作為我們方法的基礎；

第4行定義detect_blur_fft函數，接受四個參數：

圖片image：我們對模糊檢測輸入圖像

大小size：以圖像中心點為中心的半徑的大小，我們將使FFT偏移為零

閾值thresh：用于確定圖像是否被認為是模糊的，將與震級的平均值(稍后詳細說明)進行比較的一個值

標識符vis：一個布爾值，指示是否使用matplotlib可視化/繪制原始輸入圖像和大小圖像

給定輸入圖像，首先獲取它的尺寸(第7行)并計算中心(x, y)坐標(第8行)。

接下來，我們將使用NumPy的快速傅里葉變換(FFT)算法實現來計算離散傅里葉變換(DFT):

# compute the FFT to find the frequency transform, then shift # the zero frequency component (i.e., DC component located at # the top-left corner) to the center where it will be more # easy to analyze fft = np.fft.fft2(image) fftShift = np.fft.fftshift(fft)在這里，我們使用NumPy的內置算法計算FFT(第5行)。 然后我們將結果的零頻率分量(直流分量)移到中心以便于分析(第6行)。 現在我們已經有了圖像的FFT，如果設置了vis標志，讓我們可視化一下結果:

# check to see if we are visualizing our output if vis: # compute the magnitude spectrum of the transform magnitude = 20 * np.log(np.abs(fftShift)) # display the original input image (fig, ax) = plt.subplots(1, 2, ) ax[0].imshow(image, cmap="gray") ax[0].set_title("Input") ax[0].set_xticks([]) ax[0].set_yticks([]) # display the magnitude image ax[1].imshow(magnitude, cmap="gray") ax[1].set_title("Magnitude Spectrum") ax[1].set_xticks([]) ax[1].set_yticks([]) # show our plots plt.show()出于調試和好奇的目的，您可能希望通過設置vis=True來繪制輸入圖像的FFT幅度譜。 如果你選擇這樣做，首先我們計算變換的振幅譜(第4行)。 然后，我們將原始輸入圖像繪制在幅度譜圖像旁邊(第6-16行)，并顯示結果(第19行)。 現在我們有了可視化振幅譜的方法，讓我們來確定輸入圖像是否模糊：

# zero-out the center of the FFT shift (i.e., remove low # frequencies), apply the inverse shift such that the DC # component once again becomes the top-left, and then apply # the inverse FFT fftShift[cY - size:cY + size, cX - size:cX + size] = 0 fftShift = np.fft.ifftshift(fftShift) recon = np.fft.ifft2(fftShift)在這里,我們：

設置我們的FFT移動為0(即，去除低頻率)第5行

應用反向位移將DC組件放回左上角(第6行)

應用逆FFT(第7行)

到此，我們還有三個步驟來確定我們的圖像是否模糊:

# compute the magnitude spectrum of the reconstructed image, # then compute the mean of the magnitude values magnitude = 20 * np.log(np.abs(recon)) mean = np.mean(magnitude) # the image will be considered "blurry" if the mean value of the # magnitudes is less than the threshold value return (mean, mean <= thresh其余步驟包括：

在我們已經將中心DC值歸零之后，再次計算重建圖像的幅度值(第3行)。

計算幅度值的平均值(第4行)。

返回一個2元組的平均值以及一個指示輸入圖像是否模糊的布爾值(第8行)。查看代碼，我們可以看到，通過比較平均值和閾值，我們已經確定了模糊布爾值(判斷圖像是否模糊)。

我們實現了一個基于fft的模糊檢測算法。但還沒有完成。在下一節中，我們將對靜態圖像應用我們的算法，以確保它按照我們的期望執行。

用FFT檢測圖像中的模糊

現在我們的detect_blur_fft 輔助函數已經實現，讓我們通過創建一個Python驅動程序腳本來使用它，該腳本從磁盤加載一個輸入圖像，然后對其應用FFT模糊檢測。

打開一個新文件，命名為detect_blur_image.py，并插入以下代碼：

# import the necessary packagesfrom pyimagesearch.blur_detector import detect_blur_fftimport numpy as npimport argparseimport imutilsimport cv2# construct the argument parser and parse the argumentsap = argparse.ArgumentParser()ap.add_argument("-i", "--image", type=str, required=True, help="path input image that we'll detect blur in")ap.add_argument("-t", "--thresh", type=int, default=20, help="threshold for our blur detector to fire")ap.add_argument("-v", "--vis", type=int, default=-1, help="whether or not we are visualizing intermediary steps")ap.add_argument("-d", "--test", type=int, default=-1, help="whether or not we should progressively blur the image")args = vars(ap.parse_args())

第2-6行進行導入，特別的是，我們需要導入我們在上一節中實現的detect_blur_fft函數。

從這里，我們解析四個命令行參數：

--image：用于模糊檢測的輸入圖像的路徑。

--thresh：我們的模糊檢測器計算閾值。

--vis：我們的標志符，指示是否將輸入圖像的幅度值圖像可視化。

--test：為了測試，我們可以逐步模糊輸入圖像，并對每個示例進行基于fft的模糊檢測;此標志指示我們是否將執行此測試。

--image、--thresh和--vis參數分別對應于我們在上一節實現的detect_blur_fft函數的image、thresh和vis參數。

讓我們繼續，加載我們的輸入圖像，執行快速傅里葉變換模糊檢測：

# load the input image from disk, resize it, and convert it to# grayscaleorig = cv2.imread(args["image"])orig = imutils.resize(orig, width=500)gray = cv2.cvtColor(orig, cv2.COLOR_BGR2GRAY)# apply our blur detector using the FFT(mean, blurry) = detect_blur_fft(gray, size=60, thresh=args["thresh"], vis=args["vis"] > 0)進行FFT模糊檢測，我們：

加載輸入圖像--image，并將其轉換為灰度(第3-5行)

使用detect_blur_fft函數應用我們的FFT模糊檢測器(第7和8行)

接下來，我們將注釋并顯示我們的圖像：

# draw on the image, indicating whether or not it is blurryimage = np.dstack([gray] * 3)color = (0, 0, 255) if blurry else (0, 255, 0)text = "Blurry ({:.4f})" if blurry else "Not Blurry ({:.4f})"text = text.format(mean)cv2.putText(image, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)print("[INFO] {}".format(text))# show the output imagecv2.imshow("Output", image)cv2.waitKey(0)在這里,我們：

向我們的單通道灰度圖像添加兩個通道，將結果存儲在圖像中(第2行)

通過第32行將顏色設置為紅色(如果模糊)和綠色(如果不模糊)

在圖像的左上角繪制模糊的文本指示和平均值(第4-7行)，并在終端中打印相同的信息(第37行)

顯示輸出圖像，直到按下一個鍵為止(第11和12行)

至此，我們已經完成了確定輸入圖像是否模糊的目標。 我們可以就此打住。但是為了更嚴格地測試我們的算法，讓我們實現一個健壯的方法來測試我們的圖像在不同層次上的模糊：

# check to see if are going to test our FFT blurriness detector using# various sizes of a Gaussian kernelif args["test"] > 0: # loop over various blur radii for radius in range(1, 30, 2): # clone the original grayscale image image = gray.copy() # check to see if the kernel radius is greater than zero if radius > 0: # blur the input image by the supplied radius using a # Gaussian kernel image = cv2.GaussianBlur(image, (radius, radius), 0) # apply our blur detector using the FFT (mean, blurry) = detect_blur_fft(image, size=60, thresh=args["thresh"], vis=args["vis"] > 0) # draw on the image, indicating whether or not it is # blurry image = np.dstack([image] * 3) color = (0, 0, 255) if blurry else (0, 255, 0) text = "Blurry ({:.4f})" if blurry else "Not Blurry ({:.4f})" text = text.format(mean) cv2.putText(image, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2) print("[INFO] Kernel: {}, Result: {}".format(radius, text)) # show the image cv2.imshow("Test Image", image) cv2.waitKey(0)當設置了--test標志時，我們將進入從第3行開始的條件塊。第3-31行代碼完成了以下工作：

在逐漸增加的半徑范圍內對我們的灰度圖像應用高斯模糊

對每個人為模糊的圖像進行快速的基于傅里葉變換的模糊檢測

注釋并顯示結果

為了完成我們的測試特性，第5行開始在[0,30]范圍內的所有奇數半徑上進行循環。從這里開始，第13行應用OpenCV的GaussianBlur方法有意地在我們的圖像中引入模糊。 其他的都是一樣的，包括模糊檢測算法和注釋步驟。您可以通過在屏幕上按一個鍵來循環測試結果圖像，直到模糊半徑在該范圍內耗盡。 當然，我們測試例程的目的是讓我們能夠有效地感受和調整模糊閾值參數(—thresh)。

FFT模糊檢測在圖像結果 現在我們準備使用OpenCV和快速傅里葉變換來檢測圖像中的模糊。 首先，請確保使用本教程的“下載”部分下載源代碼和示例圖像。 然后打開終端，執行以下命令：

$ python blur_detector_image.py --image images/adrian_01.png[INFO] Not Blurry (42.4630)

圖3:結合快速傅里葉變換(FFT)算法，使用Python和OpenCV來確定照片是否模糊

這里你可以看到我在錫安國家公園的地鐵徒步旅行的輸入圖像-圖像被正確地標記為不模糊。

讓我們試試另一張圖片，這是我家的狗，Jemma：

$ python blur_detector_image.py --image images/jemma.png[INFO] Blurry (12.4738)

圖4:基于Python、OpenCV和NumPy的快速傅里葉變換(FFT)模糊檢測算法已經自動判定Janie的這張圖像模糊。

這幅圖像有明顯的模糊，因此被標記為模糊。

為了了解當圖像變得越來越模糊時，FFT的平均幅度值是如何變化的，讓我們提供——test命令行參數：

$ python blur_detector_image.py --image images/adrian_02.png --test 1[INFO] Not Blurry (32.0934)[INFO] Kernel: 1, Result: Not Blurry (32.0934)[INFO] Kernel: 3, Result: Not Blurry (25.1770)[INFO] Kernel: 5, Result: Not Blurry (20.5668)[INFO] Kernel: 7, Result: Blurry (13.4830)[INFO] Kernel: 9, Result: Blurry (7.8893)[INFO] Kernel: 11, Result: Blurry (0.6506)[INFO] Kernel: 13, Result: Blurry (-5.3609)[INFO] Kernel: 15, Result: Blurry (-11.4612)[INFO] Kernel: 17, Result: Blurry (-17.0109)[INFO] Kernel: 19, Result: Blurry (-19.6464)[INFO] Kernel: 21, Result: Blurry (-20.4758)[INFO] Kernel: 23, Result: Blurry (-20.7365)[INFO] Kernel: 25, Result: Blurry (-20.9362)[INFO] Kernel: 27, Result: Blurry (-21.1911)[INFO] Kernel: 29, Result: Blurry (-21.3853)

圖5:使用Python模糊檢測器腳本的——測試例程，我們應用了一系列有意的模糊以及快速傅里葉變換(FFT)方法來確定圖像是否模糊。這個測試例程非常有用，因為它允許您調優模糊閾值參數。

在這里，你可以看到，當我們的圖像變得越來越模糊，FFT的平均幅度值下降。 我們的FFT模糊檢測方法也適用于非自然場景圖像。 例如，假設我們想要構建一個自動文檔掃描器應用程序——這樣的計算機視覺項目應該會自動拒絕模糊圖像。 然而，文檔圖像與自然場景圖像有很大的不同，從本質上來說，文檔圖像對模糊更加敏感。 任何類型的模糊都會嚴重影響OCR的精度。 因此，我們應該增加我們的——thresh值(我還將使用——vis參數，以便我們可以可視化FFT幅度值的變化)：

$ python blur_detector_image.py --image images/resume.png --thresh 27 --test 1 --vis 1[INFO] Not Blurry (34.6735)[INFO] Kernel: 1, Result: Not Blurry (34.6735)[INFO] Kernel: 3, Result: Not Blurry (29.2539)[INFO] Kernel: 5, Result: Blurry (26.2893)[INFO] Kernel: 7, Result: Blurry (21.7390)[INFO] Kernel: 9, Result: Blurry (18.3632)[INFO] Kernel: 11, Result: Blurry (12.7235)[INFO] Kernel: 13, Result: Blurry (9.1489)[INFO] Kernel: 15, Result: Blurry (2.3377)[INFO] Kernel: 17, Result: Blurry (-2.6372)[INFO] Kernel: 19, Result: Blurry (-9.1908)[INFO] Kernel: 21, Result: Blurry (-15.9808)[INFO] Kernel: 23, Result: Blurry (-20.6240)[INFO] Kernel: 25, Result: Blurry (-29.7478)[INFO] Kernel: 27, Result: Blurry (-29.0728)[INFO] Kernel: 29, Result: Blurry (-37.7561)

圖6:OpenCV快速傅里葉變換(FFT)用于圖像和視視頻中的模糊檢測，可以判斷簡歷等文檔是否模糊。

在這里，您可以看到我們的圖像很快變得模糊和不可讀，正如輸出所示，我們的OpenCV FFT模糊檢測器正確地將這些圖像標記為模糊。

下面是一個可視化的快速傅里葉變換幅度值，圖像變得越來越模糊：

圖7:當圖像變得越來越模糊時，我們可以看到幅度譜可視化的變化。本教程使用OpenCV和NumPy在圖像和視流中執行快速傅里葉變換(FFT)模糊檢測。

利用OpenCV和FFT檢測視頻中的模糊 到目前為止，我們已經對圖像應用了快速傅里葉變換模糊檢測器。 但是有可能將FFT模糊檢測應用到視頻流嗎? 整個過程也能實時完成嗎? 打開一個新文件，命名為blur_detector_video.py，并插入以下代碼：

# import the necessary packagesfrom imutils.video import VideoStreamfrom pyimagesearch.blur_detector import detect_blur_fftimport argparseimport imutilsimport timeimport cv2# construct the argument parser and parse the argumentsap = argparse.ArgumentParser()ap.add_argument("-t", "--thresh", type=int, default=10, help="threshold for our blur detector to fire")args = vars(ap.parse_args())我們從導入開始，特別是我們的VideoStream類和detect_blur_fft函數。 對于這個Python腳本，我們只有一個命令行參數：FFT模糊檢測的閾值(——thresh)。 從這里，我們準備初始化我們的視頻流，并開始循環從我們的攝像頭的幀：

# initialize the video stream and allow the camera sensor to warm upprint("[INFO] starting video stream...")vs = VideoStream(src=0).start()time.sleep(2.0)# loop over the frames from the video streamwhile True: # grab the frame from the threaded video stream and resize it # to have a maximum width of 400 pixels frame = vs.read() frame = imutils.resize(frame, width=500) # convert the frame to grayscale and detect blur in it gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) (mean, blurry) = detect_blur_fft(gray, size=60, thresh=args["thresh"], vis=False)第3行和第4行初始化了我們的攝像頭圖像流，并允許相機有時間預熱。 從這里開始，我們在第7行開始幀處理循環。在內部，我們抓取一幀并將其轉換為灰度(第10-14行)，就像在我們的單一圖像模糊檢測腳本。 然后，第15和16行應用我們的快速傅里葉變換模糊檢測算法，同時傳遞我們的灰色框架和——thresh命令行參數。我們不會把幅度譜的表示形象化，所以vis=False。 接下來，我們將處理這個特定幀的結果：

# draw on the frame, indicating whether or not it is blurry color = (0, 0, 255) if blurry else (0, 255, 0) text = "Blurry ({:.4f})" if blurry else "Not Blurry ({:.4f})" text = text.format(mean) cv2.putText(frame, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2) # show the output frame cv2.imshow("Frame", frame) key = cv2.waitKey(1) & 0xFF # if the `q` key was pressed, break from the loop if key == ord("q"): break# do a bit of cleanupcv2.destroyAllWindows()vs.stop()最后一個代碼塊此時看起來應該非常熟悉，因為這是我們第三次看到這些代碼行了。我們在這里：

注釋模糊(紅色文本)或不模糊(綠色文本)以及平均值(第2-6行)

顯示結果(第9行)

如果按下q鍵就退出(第10-14行)，并執行家務清理(第17和18行)

快速傅里葉變換視頻模糊檢測結果 我們現在準備看看我們的OpenCV FFT模糊檢測器是否可以應用于實時視頻流。 請確保使用本教程的“下載”部分下載源代碼。 然后打開終端，執行以下命令：

$ python blur_detector_video.py[INFO] starting video stream...

當我移動我的筆記本電腦，運動模糊被引入幀。 如果我們要實現一個計算機視覺系統來自動提取關鍵、重要的幀，或者創建一個自動的視頻OCR系統，我們會想要丟棄這些模糊的幀——使用我們的OpenCV FFT模糊檢測器，我們可以做到這一點!