实时视频图像的清晰度检测算法研究教案
清晰度评测算法
根据模糊效应带来的图像边缘宽度增加、边缘峰值减小等现象评价视频清晰度。
BLUR为视频质量的评价结果，值越大表示视频清晰度越高，反之，模糊效应越大。
算法概述如下：(1)获取经H.265解码后的视频的YUV(4:2:0)存储格式，读取该YUV视频的每帧图像，提取其中的Y分量。
(2)采用canny边缘检测算子扫描每帧视频图像，得到图像边缘总长度L。
(3)扫描每帧图像的梯度图像，计算宽度信息(如水平方向和垂直方向的边缘个数、边缘宽度及边缘最大值)。
(4)得到水平方向和垂直方向的边缘宽度信息后，依据下式计算平均宽度H avg：其中，是水平方向的边缘宽度；是水平方向边缘个数；是垂直方向的边缘宽度；是垂直方向边缘个数；是梯度强度项；P是像素灰度最大值。
(5)根据以上分析，得出视频清晰度评价模型：其中，FNO为视频帧数。
而在安卓平台上，想要得到图像边缘总长度L。
我们将采用android-opencv来解决这个问题。
步骤大致如下1.将YUV的每帧图像转换为Mat类型，以便我们进行opencv操作。
2.创建一个单通道的Mat图用来存放灰度图。
3．利用opencv的Imgproc.cvtColor与Imgproc.Canny实现彩色图到灰度图的转换。
4.上述步骤得到的是单通道并且经过边缘提取过的灰度图片mGray。
这时候如果直接用Utils.matToBitmap(FourChannelMat,bmpOut);是不能展示bmpOut的，因为bmpOut是一个ARGB四通道的图片，而我们的mGray是一个单通道的图片，所以结果是无法展示。
所以我们必须创建一个4通道的mGray，所以我们需要通过openCV的merge方法，将多个通道融合为一起。
得到最后的灰度图。
5.逐行扫描统计像素点数目。
X实时成像清晰度与分辨率
X射线实时成像检测系统的清晰度与分辨率X射线实时成像作为一种新无损检测技术，同传统照相法相比，X 射线实时成像的检测原理变化很大。
传统照相法是将穿过工件的X射线在胶片上感光，根据胶片的灰白程度判定零件内部质量，得到的图像是静态的不可调的；而X射线实时成像系统是将穿过零件的X射线图像增强器、摄像系统以及计算机转换成一幅数字图像，这种图像是动态可调的，电压、电流、焦点等参数实时可调，同时计算机可对动态图像进行积分降噪，对比度与清晰度增强等处理，以得到最佳的静态图像。
为从理论上加深对X射线实时成像问题的认识，现就检测图像清晰度和分辨率进行探讨。
1 图像清晰度的重要性X射线实时成像检测技术的图像质量特性常用灵敏度、清晰度和灰度来描述。
灵敏度是对细小缺陷检测能力的表征，射线胶片照相检测通常以参比样灵敏度作为底片质量的主要特性。
胶片曝光实质是一定能量的光量子在一定曝光时间内的连续积累（积分过程），底片黑度可通过调节曝光量和显影技术得到控制；由于胶片乳剂颗粒（相对于荧屏检测图像中的像素而言）非常细微，对射线照相灵敏度的改善通常具有先天性的有利条件，通过控制射线源尺寸和透照距离，能够获得较高清晰度的底片。
在射线实时成像检测中，图像质量除控制参比样品灵敏度以处，还要着重控制清晰度，这是因为图像的载体——显示器荧屏的像素（相对于胶片的乳剂颗粒而言）较大，这种后天不足对图像清晰度有较大的影响，因此对图像清晰度的控制显得尤为重要。
检测实践证明，图像参比样品灵敏度能较好地反映分散型圆形缺陷的检测灵敏度，但对线性缺陷的检测反应不太灵敏，因为线性缺陷在很大程度上取决于图像的清晰度，也取决于图像分辨率。
在射线实时成像检测技术中，对比灵敏度和分辨率是荧屏图像质量的两大要素。
图像对比灵敏度的控制方法与射线胶片照相相比，要细致深入得多，因此，在实时成像检测技术中，对图像清晰度及分辨率问题应予更多的关注。
图像灰度主要取决于图像采集的微分过程，可以通过控制射线能量、计算机图像采集技术以及图像处理技术获得较理想的图像灰度。
图像目标检测课程设计
图像目标检测课程设计一、教学目标本课程旨在让学生掌握图像目标检测的基本概念、原理和常用算法。
通过本课程的学习，学生将能够：1.描述图像目标检测的定义、作用和应用场景；2.解释图像目标检测的基本原理和方法；3.运用常用的图像目标检测算法进行实际操作；4.分析图像目标检测的结果并对其进行评估。
二、教学内容本课程的教学内容主要包括以下几个部分：1.图像目标检测的基本概念：包括图像目标检测的定义、作用和应用场景等内容；2.图像目标检测的原理：包括图像预处理、特征提取、目标分类等基本原理；3.常用的图像目标检测算法：包括基于颜色、纹理、形状等特征的目标检测算法；4.图像目标检测的评价方法：包括准确率、召回率、F1值等评价指标。
三、教学方法为了提高学生的学习兴趣和主动性，本课程将采用多种教学方法，包括：1.讲授法：通过讲解图像目标检测的基本概念、原理和算法，使学生能够理解和掌握相关知识；2.案例分析法：通过分析具体的图像目标检测案例，使学生能够将理论知识应用到实际问题中；3.实验法：通过上机实验，使学生能够亲手操作并验证图像目标检测算法的结果。
四、教学资源为了支持教学内容和教学方法的实施，丰富学生的学习体验，我们将准备以下教学资源：1.教材：选择一本与图像目标检测相关的教材，作为学生学习的主要参考资料；2.参考书：提供一些与图像目标检测相关的参考书籍，供学生进一步深入研究；3.多媒体资料：制作一些与图像目标检测相关的多媒体课件和视频资料，帮助学生更好地理解课程内容；4.实验设备：准备一些计算机和相关的实验设备，供学生进行上机实验。
五、教学评估本课程的评估方式将包括以下几个方面：1.平时表现：通过学生在课堂上的参与度、提问回答、小组讨论等表现进行评估；2.作业：布置相关的图像目标检测作业，评估学生的理解和应用能力；3.考试：进行期末考试，评估学生对图像目标检测知识的掌握程度。
六、教学安排本课程的教学安排如下：1.教学进度：按照教学大纲进行，确保每个知识点都能得到充分的讲解和讨论；2.教学时间：安排在每周的某一天，确保学生能够按时上课；3.教学地点：选择一个适合上课的教室，确保教学环境良好。
视频图像质量评估算法的研究与应用
视频图像质量评估算法的研究与应用随着互联网和数字媒体的发展，视频图像的质量评估越来越受到重视。
视频图像质量是指对视频图像的主要视觉特征，如清晰度、亮度、对比度和色彩等进行客观和主观评价的过程。
准确评估视频图像质量对于视频的采集、传输和显示具有重要意义，因此，研究和应用视频图像质量评估算法变得至关重要。
一、视频图像质量评估算法的研究进展1. 主观评价方法主观评价方法是通过人的视觉感知对视频图像的质量进行评估。
这种方法需要大量的被试者参与实验，通过对他们的问卷调查和主观评价结果统计来对视频图像质量进行评估。
虽然主观评价方法具有较高的准确性，但其过程复杂、耗时且受到被试者主观因素的影响。
2. 客观评价方法客观评价方法通过计算机算法对视频图像的特征进行分析来评估视频图像质量。
这种方法不受人为主观因素的影响，能够快速、可靠地评估视频图像的质量。
其中，基于图像处理的客观评价方法是应用最广泛的方法之一。
它通过对视频图像的特征提取、边缘检测、对比度调整等处理来分析和评估视频图像的质量。
二、视频图像质量评估算法的应用领域1. 视频采集和传输视频采集和传输是指在摄像机或其他设备上采集视频，并通过网络传输到目标终端。
在这个过程中，视频图像质量评估算法可以帮助实时监测视频质量，及时发现并解决传输过程中的问题，确保视频图像的清晰度和稳定性。
2. 视频编辑和后期制作视频编辑和后期制作是指在视频制作过程中对拍摄的素材进行剪辑、特效添加等处理，最终形成一个完整的视频作品。
视频图像质量评估算法可以帮助编辑人员评估和选择素材的质量，从而提高视频制作过程的效率和质量。
3. 视频播放和显示视频播放和显示是指将制作好的视频通过播放设备在屏幕上呈现给观众。
视频图像质量评估算法可以帮助播放设备进行实时的图像质量监测和优化，从而提供更好的观看体验。
4. 视频监控和安防视频监控和安防是指通过视频摄像头等设备对特定区域进行实时监控和录像，以保障安全和管理。
监控系统如何实现高精度的视频像识别与分析
监控系统如何实现高精度的视频像识别与分析随着科技的不断进步，监控系统在社会安全和管理中起着越来越重要的作用。
其中，视频像识别与分析是监控系统中的一个关键技术，它可以通过对监控视频进行实时处理和分析，从而实现对各种行为、物体和事件的准确识别和分析。
本文将探讨监控系统如何实现高精度的视频像识别与分析。
一、高精度的视频像识别实现高精度的视频像识别是监控系统的核心目标之一。
为了达到这一目标，需要采用先进的算法和技术，包括图像处理、模式识别、机器学习等。
以下是实现高精度视频像识别的几个关键步骤：1. 图像预处理：首先，对监控视频进行图像预处理，包括去噪、增强和图像分割等操作，以提高后续处理的准确性和效果。
2. 物体检测：通过使用先进的物体检测算法，如基于深度学习的物体检测算法，可以在监控视频中准确地检测出各种物体，如人、车、动物等。
3. 行为识别：根据监控视频中物体的动作和行为特征，结合机器学习和模式识别技术，可以对不同的行为进行准确识别，如行走、奔跑、打架等。
4. 人脸识别：对于人类行为识别的应用场景，人脸识别是一个重要的技术。
通过使用先进的人脸识别算法，可以在监控视频中准确地识别出人物的身份。
以上步骤的组合和优化，可以实现高精度的视频像识别，在实际应用中帮助人们更准确地分析和判断各种监控视频中的信息和事件。
二、视频像分析的技术手段除了视频像识别，视频像分析也是监控系统中不可或缺的一部分。
通过对视频中的像素进行分析，可以获取各种有用的信息和数据。
以下是几种常见的视频像分析技术手段：1. 运动分析：通过对视频中物体的运动轨迹进行分析，可以提取出运动目标的速度、方向等信息，从而判断物体的行为或进行目标跟踪。
2. 目标检测和跟踪：利用目标检测算法和跟踪算法，可以在视频中自动检测和跟踪感兴趣的目标，如人、车等。
这在安防监控中尤为重要。
3. 区域分析：通过将监控区域划分为不同的区域，可以对不同区域的变化进行分析，包括人流量、车流量等信息的统计和分析。
使用计算机视觉实现实时图像测量的方法和技巧
使用计算机视觉实现实时图像测量的方法和技巧计算机视觉是一种模仿人类视觉和感知的技术，它利用计算机对图像和视频进行处理和分析。
随着计算机视觉的快速发展与普及，实时图像测量成为其中一个重要的应用领域。
在本文中，我们将介绍使用计算机视觉实现实时图像测量的方法和技巧。
首先，实时图像测量的基础是计算机视觉中的图像获取和处理。
图像获取是通过摄像头或其他设备获取现实世界中的图像。
图像处理是对获取的图像进行预处理，以提取出我们想要关注的特征或信息。
在实时图像测量中，我们通常需要对图像进行滤波、增强、去噪等预处理操作，以提高后续测量算法的准确性和稳定性。
其次，实时图像测量的核心是目标检测和测量算法。
目标检测是在图像中寻找特定的目标或物体。
常见的目标检测算法包括边缘检测、颜色分割、基于特征的分类等。
这些算法可以根据具体的实时图像测量任务选择和调整。
例如，对于距离测量，我们可以使用基于边缘检测的方法，通过计算目标边缘在图像中的大小和位置，从而推导出目标与相机的距离。
对于面积测量，我们可以使用基于颜色分割的方法，通过提取目标区域的像素数目来计算其面积。
此外，实时图像测量还需要考虑图像的稳定性和实时性。
为了保证图像测量的准确性，我们需要考虑图像的姿态、光照条件、噪声等因素对测量结果的影响。
这可以通过使用图像配准、自适应阈值等技术来解决。
为了保证实时性，我们需要选择高效的算法和优化计算流程。
例如，可以使用快速算法（如快速傅里叶变换、快速模板匹配等）来加速图像处理和计算。
除了基本的图像获取、处理和测量算法，实时图像测量还可以结合其他相关技术。
例如，可以利用深度学习技术来进一步提高测量的准确性和鲁棒性。
深度学习可以通过训练模型来学习和提取图像特征，从而实现更准确的目标检测和测量。
此外，实时图像测量还可以与物体跟踪、三维重建等技术结合，实现更丰富和复杂的应用。
综上所述，使用计算机视觉实现实时图像测量涉及图像获取、处理和测量算法等多个方面。
基于视频图像处理的实时行为检测
基于视频图像处理的实时行为检测近年来，随着计算机和摄像头技术的不断发展，基于视频图像处理的实时行为检测已经成为一个备受关注的研究方向。
实时行为检测是基于计算机视觉的一种新型技术，它利用计算机技术将场景中的视频图像进行分析和处理，实现对人类行为的实时监控和检测，为社会治安、交通管理、工业生产等领域提供了更多的可能性。
基于视频图像处理的实时行为检测技术可以应用于很多场景，比如公共场所、室内家居和工业生产等，它的实现需要经过以下几个步骤：1. 视频图像采集和预处理：采用一定的摄像头进行视频图像采集，对采集到的图像进行预处理，提高图像质量和准确度。
2. 行为特征提取：使用一定的算法对视频图像中的行为进行特征提取，如人体姿态、关键点位置、人体运动轨迹等。
3. 行为识别和分类：将提取到的行为特征进行分析和比对，确定行为的类型和目的，如走路、奔跑、打电话、拿包等。
4. 实时告警和处理：基于分析结果进行判断，对异常或危险行为进行实时告警和处理，如向安保人员发出警报信号、触发摄像头拍照、自动切换视频监控等。
当前，基于视频图像处理的实时行为检测已经逐渐成为人工智能、物联网、大数据等领域的重要应用，它的研究和应用前景十分广阔。
以下是目前国内外主要应用场景和研究进展的介绍。
一、应用场景1. 公共安全监控：基于视频图像处理的实时行为检测技术可以用于公共场所的安全监控，比如机场、车站、教育场所、商场、酒店等。
它能够对人类行为进行实时监测，及早发现异常行为，避免危险事件的发生。
2. 交通控制管理：基于视频图像处理的实时行为检测技术可以用于交通场景中的车辆和行人识别、行动轨迹分析、交通拥堵监测等方面。
它能够提供实时的交通信息和智能化的交通控制策略，使交通运输更加安全、便捷和高效。
3. 工业生产监测：基于视频图像处理的实时行为检测技术可以用于工厂车间、生产线等场景的监测，既可以实时监测生产过程，又可以识别生产过程中的异常和故障，及时发现和修复问题，提高工业生产效率和质量。
视频图像侦查课程设计
视频图像侦查课程设计一、课程目标知识目标：1. 学生能够理解视频图像侦查的基本概念、原理和应用场景。
2. 学生能够掌握视频图像采集、预处理、特征提取和识别的基本方法。
3. 学生能够了解视频图像侦查技术在我国公安领域的现状和发展趋势。
技能目标：1. 学生能够运用所学知识，对实际案件中的视频图像进行有效侦查和分析。
2. 学生能够熟练使用视频图像处理软件，完成图像增强、复原和特征提取等操作。
3. 学生能够独立设计并实施简单的视频图像侦查实验，具备一定的实践操作能力。
情感态度价值观目标：1. 培养学生对视频图像侦查领域的兴趣，激发其探索精神和创新意识。
2. 增强学生的法治观念，使其认识到视频图像侦查在维护社会治安、保障人民生命财产安全中的重要作用。
3. 引导学生树立正确的价值观，尊重他人隐私，遵守道德规范，合理使用视频图像侦查技术。
课程性质：本课程为理论与实践相结合的课程，注重培养学生的实际操作能力和创新思维。
学生特点：高二年级学生，具备一定的物理、数学和计算机基础，对新鲜事物充满好奇心，具备一定的自主学习能力。
教学要求：结合学生特点和课程性质，注重启发式教学，将理论知识与实际案例相结合，提高学生的实践操作能力和综合素质。
在教学过程中，关注学生的情感态度价值观培养，使其在掌握技能的同时，树立正确的价值观。
通过分解课程目标为具体的学习成果，为后续教学设计和评估提供依据。
二、教学内容1. 视频图像侦查基本概念与原理- 视频图像侦查的定义、作用和分类- 视频图像的获取、存储和传输原理2. 视频图像预处理技术- 图像增强、复原和去噪方法- 图像分割与目标提取技术3. 视频图像特征提取与识别- 常用特征提取算法：HOG、SIFT、SURF等- 识别算法：模板匹配、支持向量机、深度学习等4. 视频图像侦查应用案例- 公安实战案例解析- 视频图像侦查技术在其他领域的应用5. 视频图像侦查实验- 实验一：视频图像预处理- 实验二：特征提取与识别- 实验三：综合案例分析6. 视频图像侦查技术的发展趋势与伦理道德- 技术发展趋势：人工智能、大数据等- 伦理道德：隐私保护、信息安全等教学内容安排与进度：第一周：视频图像侦查基本概念与原理第二周：视频图像预处理技术第三周：视频图像特征提取与识别第四周：视频图像侦查应用案例第五周：视频图像侦查实验（实验一、实验二）第六周：视频图像侦查实验（实验三）第七周：视频图像侦查技术的发展趋势与伦理道德教学内容与教材关联性：本教学内容紧密结合教材《视频图像侦查技术》的章节内容，涵盖基本理论、实践操作、发展趋势等多个方面，旨在帮助学生全面掌握视频图像侦查相关知识。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实时视频图像的清晰度检测算法研究
2010-12-18 17:11:42 来源:微型机与应用
关键字：实时视频图像背景提取Sobel算子清晰度检测
实时视频图像的质量分析已成为众多应用领域性能好坏的关键因素之一，因此实时视频图像的清晰度检测变得尤为重要。
目前针对实时视频图像清晰度检测的研究较少，图像清晰度检测算法的研究对象主要针对静止的图像。
现有的图像清晰度检测算法大致分为空域和频域两类。
在空域中多采用基于梯度的算法，如拉普拉斯(Laplace)算法、差分平方和(SPSMD)算法、Sobel算子等。
此类算法计算简洁、快速、抗噪性能好、可靠性较高。
在频域中多采用图像的FFT变换(或其他变换)，如功率谱(Power-spectra)算法等[1-2]。
此类算法的检测效果好，但计算复杂度高、计算时间长，不适合应用在基于软件实现的实时检测系统中。
当前对实时视频图像的一种重要应用是对运动目标的检测，常用的目标检测方法有帧差法、背景减法、光流法及运动能量法[3]，其中最简单而又快捷的方法是背景差法。
其基本思想是通过对输入图像与背景图像进行比较来分割运动目标，关键环节是背景图像的提取。
目前常用的背景提取方法有多帧图像平均法、灰度统计法、中值滤波法、基于帧差的选择方法、单高斯建模等。
参考文献[4]中对以上算法做了充分的研究。
本文是针对实时视频图像的清晰度检测，基于实时视频图像背景基本保持不变的环境。
通过比较上述算法，针对实时视频图像的特点，提出一种基于背景提取与Sobel算子相结合的实时视频图像的清晰度检测算法。
1 实时视频图像的清晰度检测算法原理
当视频播放画面超过24帧/s时，根据视觉暂留原理，人眼无法辨别每幅单独的静态画面，看上去是平滑连续的视觉效果。
视频中的事物通常分为静止和运动两类，连续多帧画面中保持静止的物体可视为静止的背景，连续多帧画面中位置变化的物体可视为运动的前景。
因此，实时视频图像中的每帧图像都可以划分为静止的背景和运动的前景两类区域。
由于视频序列图像中运动的前景区域随机变化，引起图像像素点梯度值的随机改变，使得实时视频图像的清晰度检测较难实现。
因此，本文的算法是利用实时视频图像中静止的背景区域检测视频序列图像的清晰度，即由背景提取和清晰度检测两部分组成。
1.1 实时视频图像的背景提取
由参考文献[5]可知，视频序列中帧图像的静止背景区域由灰度值变化较小的像素点构成，每个像素点都有一个对应的像素值，这个值在一段时间内保持不变；运动的前景区域由灰度值变化较大的像素点构成，各像素点在不同的帧图像中的位置改变，形成运动轨迹。
背景提取的目标就是根据实时视频图像中像素值的上述特点，找出图像中背景像素点的值。
采用多帧图像累加平均的方法来获取图像的背景，从统计学角度，运动物体可视为随机噪声，而均值可以降噪，采用多帧图像累加取均值可消除运动物体，获得静止的背景图片。
背景图像的计算公式为：
式中，f(x，y)为图像灰度，g x和g y可以用卷积模板来实现，如图1所示。
传统的边缘检测中，Sobel算子利用如图1的水平和垂直两个方向的模板，但实际情况中的梯度方向是未知的，因此利用两个方向计算出来的结果存在一定的误差。
为了提高梯度计算精度，将模板的数量增加到4个，如图2所示，即0°、45°、90°、135° 4个方向。
虽然继续增加模板的数量可以进一步提高计算精度，但考虑到计算效率，模板数量不宜过多。
2 算法描述
本算法大致分为三步：
(1)截取一段实时视频图像，获取初始背景图像。
(2)利用当前实时视频图像更新初始背景，获得待检测的背景图像。
(3)根据Sobel算子计算背景图像的边缘梯度值之和，根据阈值判断背景图像的清晰度，得到实时视频图像的清晰度评价值。
算法描述如下：
从实时视频图像中截取一段时长为1 min的视频图像，每5 s进行1次采样，共得到12帧图像。
为减少计算量，将采样得到的12帧图像由RGB空间转换到灰度空间。
对图像中每个像素点的灰度值f(x，y)累加求平均，得到实时视频图像的初始背景图像。
计算公式为：
式中，n为边缘点的个数。
将value与清晰的实时视频图像背景的清晰度检测范围值(经大量的实时视频图像实验得到)比较，若value∈T(α1，α2)，则实时视频图像是清晰的；若value T(α1，α2)，则实时视频图像是模糊的。
3 实验结果与分析
目前，大部分的摄像系统都是基于RGB颜色空间，每个像素点在RGB空间中是一个三维矢量。
为了减少计算量，使用灰度图像序列，即将彩色视频序列转换成灰度视频序列，基于灰度视频图像完成提取背景及实时视频图像的清晰度检测。
实验程序在PC机上运行，编程软件是Matlab R2007b，采用的是24位RGB视频序列，30帧/s，每帧图片的分辨率是320×240。
从实时视频图像中提取背景图像后，本文分别采用Sobel算子、平方梯度法和快速检测法三种算法对图像的清晰度进行检测。
实验拍摄的视频图如图3所示。
视频中杯子为移动的物体，杯子由视野的右侧移动到视野的左侧，背景物体基本保持不变。
图3中的图片1和图片2分别是从实验视频中截取的图片，杯子的位置不断改变，图片3为清晰的实时视频图像的背景图像，其像素梯度值作为判断视频序列图像清晰度的参考阈值，如表1所示。
图3中的图征4~9分别是从6段不同的实时视频图像中提取的背景图片。
6段视频序列图像的清晰度逐渐减弱，其背景图像也越来越模糊。
基于上述背景图，本文采用了三种算法：Sobel算子清晰度检测、平方梯度算法和快速检测法。
其中Sobel算子清晰度检测如文中所述，平方梯度算法将微分值平方，计算公式为：
式中，图像大小为M×N，f(x，y)表示(x，y)处的灰度值[6]。
快速检测法是先求图像的灰度均值，分别计算灰度值大于和小于图像灰度均值的像素点的均值H和L，然后利用评价因子F=(H-L)/(H+L)来检测实时视频图像的清晰度。
三种算法对实时视频图像的清晰度检测结果如表1所示。
清晰度评价值经过归一化处理，便于算法准确度性能的比较。
由表1可知，Sobel算子清晰度检测和平方梯度算法的清晰度评价值的变化趋势与幅度和肉眼观测到的事实基本相符，视频序列图像越模糊，清晰度评价值越小，即实时视频图像1、2、3的清晰度评价值在评价范围内，实时视频图像是清晰的，实时视频图像4、5、6的清晰度评价值在评价范围之外，实时视频图像是模糊的。
快
速检测算法对清晰度的敏感度低，视频很模糊时，评价值仍然较大，不能很好地衡量清晰度的变化幅度。
表2比较了三种算法的时间性能，可知Sobel算子清晰度检测算法与快速算法计算时间较为接近，平方梯度算法计算时间最长。
综上所述，平方梯度算法评价效果较好，但实时性较差；快速算子计算速率高，但对模糊的灵敏度低；Sobel算子的评价效果好，实时性也符合系统的要求。
为了对实时视频图像的清晰度进行实时检测，针对实时视频图像的特点，本文提出了采用背景提取和Sobel算子相结合的清晰度检测算法，该算法在帧图像清晰度检测时计算效率高，能够自动实时地完成实时视频图像的清晰度检测。
但目前此算法仅适用于实时视频图像中背景基本不变或微小变化的场景。
如果背景图像变化幅度较大，需要调整判断视频清晰度的评价范围作为新的评价标准，这也是后续工作的研究重点，以使该算法在更多的场景中应用。