📚 课程目录第2章基于灰度直方图的图像质量评估

2. 基于灰度直方图的图像质量评估

任务说明

在工业OCR流水线中，图像质量直接决定识别成功率。本案例实现一个基于灰度直方图的图像质量评估工具，输入任意灰度图像，输出其灰度直方图数据、亮度均值、标准差对比度，并依据阈值给出“适合OCR/对比度过低/亮度过暗/亮度过亮”的质量判定，用于在采集端筛选出适合OCR的清晰图像。

核心实现

import numpy as np
import cv2
from collections import Counter

def compute_histogram(gray_img):
    """计算灰度直方图，返回256个bin的计数列表"""
    hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])
    return hist.flatten().astype(int)

def assess_image_quality(gray_img, low_contrast_thresh=30, dark_thresh=80, bright_thresh=200):
    """
    基于灰度直方图评估图像质量
    返回: (hist, metrics_dict, quality_label)
    """
    hist = compute_histogram(gray_img)
    total_pixels = gray_img.size

    # 亮度均值
    mean_val = float(np.mean(gray_img))
    # 标准差对比度
    std_val = float(np.std(gray_img))

    # 直方图有效灰度范围（覆盖99%像素）
    sorted_vals = np.argsort(hist)[::-1]
    cumsum = np.cumsum(np.sort(hist)[::-1])
    cutoff = total_pixels * 0.99
    n_bins_cover = int(np.searchsorted(cumsum, cutoff) + 1)
    used_levels = sorted_vals[:n_bins_cover]
    gray_range = int(np.max(used_levels) - np.min(used_levels))

    # 质量判定
    if std_val < low_contrast_thresh:
        label = "对比度过低-不适合OCR"
    elif mean_val < dark_thresh:
        label = "亮度过暗-不适合OCR"
    elif mean_val > bright_thresh:
        label = "亮度过亮-不适合OCR"
    else:
        label = "适合OCR"

    metrics = {
        "mean": round(mean_val, 2),
        "std": round(std_val, 2),
        "gray_range": gray_range,
        "total_pixels": total_pixels
    }
    return hist, metrics, label

def load_and_assess(image_path):
    """加载图像并评估，返回直方图、指标和判定结果"""
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    if img is None:
        raise ValueError(f"无法读取图像: {image_path}")
    hist, metrics, label = assess_image_quality(img)
    return hist, metrics, label

# 示例：对单张图像执行评估
if __name__ == "__main__":
    # 使用一张示例图像（请替换为实际路径）
    hist, metrics, label = load_and_assess("sample_ocr_image.png")
    print("质量指标:", metrics)
    print("判定结果:", label)
    # 直方图前10个灰度级的像素计数
    print("直方图前10个bin:", hist[:10].tolist())

关键逻辑说明

代码通过OpenCV读取灰度图，计算256级灰度直方图。亮度用像素均值衡量，对比度用标准差和有效灰度范围双重表征。判定规则为：标准差低于30视为对比度过低；均值低于80视为过暗；均值高于200视为过亮；其余情况判定为适合OCR。阈值可根据实际产线光照条件调整。

落地与验证

依赖安装：

pip install opencv-python numpy

运行方式：将代码保存为quality_assess.py，准备一张包含文字的实际拍摄图像（如产品标签照片），替换代码中的sample_ocr_image.png为实际路径后执行：

python quality_assess.py

验证方法：准备三张测试图——一张正常光照下的清晰文字图、一张过暗图、一张模糊低对比图。分别运行程序，观察输出：

清晰图应输出“适合OCR”，且std值通常大于30，mean在80~200之间；
过暗图mean应小于80，输出“亮度过暗”；
模糊图std应小于30，输出“对比度过低”。

判定标准：程序输出的质量标签与人工目视判断一致，且直方图数据与图像实际灰度分布相符，即验证通过。