基于OpenMV的圖像質(zhì)量監(jiān)控與失真檢測系統(tǒng)

摘 "要： 針對圖像質(zhì)量監(jiān)控過程中出現(xiàn)的失真等問題，提出一種基于OpenMV的圖像質(zhì)量監(jiān)控與失真檢測系統(tǒng)。該系統(tǒng)以STM32單片機作為主控板，搭載OpenMV作為圖像采集設備，通過優(yōu)化OpenMV IDE軟件的函數(shù)庫檢測方法，對圖像數(shù)據(jù)進行失真檢測，在保證精度達標的情況下提高了檢測速度。該系統(tǒng)能夠識別視頻監(jiān)控畫面中雪花噪聲、亮度異常、圖像偏色、圖像模糊和黑屏等失真類型，并在檢測出失真后進行示警。實驗結(jié)果表明，該系統(tǒng)圖像失真類型檢測示警平均成功率達到了85%以上，展現(xiàn)出了良好的準確性和實用性。能夠適應不同環(huán)境和場景的監(jiān)控需要。

關(guān)鍵詞： 質(zhì)量監(jiān)控； OpenMV； 雪花噪聲； 亮度異常； 圖像偏色； 圖像模糊； 黑屏

中圖分類號： TN948.6?34 " " " " " " " " " " " " 文獻標識碼： A " " " " " " " " " " " "文章編號： 1004?373X（2024）21?0051?08

Image quality monitoring and distortion detection system based on OpenMV

ZHANG Xuegang1， WANG Tao2， 3， SHANG Guoqing1

（1. Qinghai Minzu University， Xining 810007， China; 2. National Demonstration Center for Experimental Communication Engineering Education， Qinghai Minzu University， Xining 810007， China; 3. Key Laboratory of Communication Engineering， Qinghai Minzu University， Xining 810007， China）

Abstract： An image quality monitoring and distortion detection system based on open machine vision toolkit （OpenMV） is proposed to get rid of the distortion in the process of image quality monitoring. The SCM STM32 is used as the main control board. The OpenMV is incorporated for image capture. An optimized function library detection method within the IDE software on OpenMV is employed to identify image distortions， which enhances detection speed while maintaining accuracy standards. The system exhibits proficiency in recognizing various distortion types， including snow noise， luminance anomalies， color deviations， blurring， and black screen within video surveillance feeds， triggering an alarm upon detection. The experimental results reveal that the proposed system has a remarkable average success rate of 85% in identifying image distortions， underscoring its high accuracy and practical utility， so it can adapt to the monitoring needs of different environments and scenes.

Keywords： image quality monitoring; OpenMV; snow noise; brightness abnormality; image color deviation; image blurring; black screen

0 "引 "言

當前，智能監(jiān)控系統(tǒng)發(fā)展迅速，在視頻監(jiān)控系統(tǒng)對圖像進行采集、壓縮、傳輸和儲存過程中，圖像不可避免地會出現(xiàn)失真問題[1]，例如圖像模糊、偏色、亮度異常、雪花噪聲、信號缺失等失真類型，因此對視頻圖像進行質(zhì)量檢測研究就顯得至關(guān)重要。

目前監(jiān)控圖像質(zhì)量領域的研究現(xiàn)狀可以總結(jié)為兩個方面：首先是包括去噪、增強與分析對比度、方差、清晰度、飽和度等指標進行圖像質(zhì)量評估的傳統(tǒng)圖像處理技術(shù)；其次是利用卷積神經(jīng)網(wǎng)絡（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN）等技術(shù)學習不同場景下的圖像特征，從而評估圖像質(zhì)量的深度學習方法[2]。這兩種方法都在國內(nèi)外得到了研究與應用，不同國家的研究重點可能略有不同，但整體趨勢是朝著智能化、準確性的方向發(fā)展。傳統(tǒng)圖像處理技術(shù)在圖像失真檢測領域應用廣泛。在圖像模糊檢測中通過將圖像分塊進行邊緣檢測[3]，統(tǒng)計每個子圖像的模糊概率，分析判斷是否模糊，也可以通過灰度值方差來判斷其是否模糊[4]；在亮度異常檢測時可以通過HSV色彩空間的V通道進行檢測[5]，也可以通過比較灰度圖的均值和方差判斷圖像是否亮度異常[6]；通過計算黑色像素點占據(jù)整幅畫面像素比例可判斷黑屏[7]，或者通過建立HSV圖像，提取H通道值建立直方圖分析判斷是否黑屏[5]；偏色異常檢測常見方式有白平衡法、灰度世界法以及在LAB色彩空間中建立A?B二維直方圖，通過偏色因子判斷是否存在偏色異常[8]等方法；雪花噪聲可以通過計算圖像信噪比[9]或者灰度值方差來分析其是否存在雪花噪聲[4]，除此之外，雪花噪聲嚴重的圖像其偏色因子也較大，可以通過偏色因子檢測雪花噪聲失真，上述失真檢測方式都屬于傳統(tǒng)圖像處理技術(shù)的范疇。

針對視頻圖像質(zhì)量的檢測問題，本文利用OpenMV（Open Machine Vision Toolkit）[10]平臺獨特的IDE軟件和可插拔的硬件模塊，提出一種基于OpenMV的智能監(jiān)控系統(tǒng)，能夠適應不同環(huán)境和場景的監(jiān)控需要。首次將OpenMV引入監(jiān)控圖像失真檢測領域，在面臨全新挑戰(zhàn)的同時，也對監(jiān)控圖像失真檢測領域進行了創(chuàng)新。在檢測方法上，因為該設計主要應用于生活，在保證精度符合條件的情況下，調(diào)整算法提高了檢測速度。比如在雪花噪聲檢測中，可以通過偏色檢測采用的偏色因子來檢測雪花噪聲嚴重的圖像，以此提高檢測速度。

1 "硬件設計與實現(xiàn)

該設計以STM32F103C8T6為主控芯片，通過單片機上的兩個按鍵分別控制云臺上下，左右轉(zhuǎn)動攝像頭采集圖像，以LCD作為圖像顯示裝置，通過OpenMV模塊（采用模塊為OpenMV4 H7）進行圖像采集，并在圖像采集后對圖像信息比如圖像灰度值，L、A、B三通道值等進行分析。通過相應失真類型的算法對當前失真類型進行判斷，在發(fā)現(xiàn)圖像失真后，與單片機之間進行數(shù)據(jù)交互，傳輸信息給單片機，在單片機接收到OpenMV傳輸?shù)氖д嫘畔⒑笈袛嗍欠襁M行報警，若需要報警，則向蜂鳴器傳輸電平進行報警。硬件系統(tǒng)架構(gòu)圖如圖1所示。

2 "算法設計與實現(xiàn)

2.1 "模糊檢測

通過邊緣算子進行圖像邊緣模糊檢測[3]，需要統(tǒng)計每個子圖像的模糊概率，運算復雜，而通過圖像像素點的灰度值方差判斷圖像是否存在模糊失真，運算速度快，節(jié)約大量時間，計算過程也相對簡單，雖然犧牲了部分精度，但是提高了檢測速度，使其更適用于對模糊檢測精度要求不高的場景。

圖像模糊是因為圖像自身的邊緣銳度降低了，導致各個像素之間灰度值的變化不明顯，灰度值變化小使得像素之間區(qū)分度降低，因此圖像看上去變得十分模糊?；叶戎档淖兓潭瓤梢酝ㄟ^灰度值方差來表征，當圖像的灰度值方差超過某一特定閾值時，表明圖像具有較高的清晰度；相反，如果灰度值方差低于這一閾值，則意味著圖像呈現(xiàn)出較為模糊的狀態(tài)。圖像灰度值方差公式如下：

[g=1Nx?Nyx=1Nxy=1Nyf（x，y）] （1）

[s=1Nx?Nyx=1Nxy=1Nyf（x，y）-g2] （2）

式中：[g]為圖像像素灰度值的平均值；[s]為圖像像素灰度值的方差；[Nx]為圖像橫向像素點個數(shù)；[Ny]為圖像縱向像素點個數(shù)；[f（x，y）]為像素點[（x，y）]的灰度值，[x]、[y]分別為像素點的橫縱坐標。

由于采用的是OpenMV的IDE軟件進行算法部分的編程，而其自身并沒有直接計算像素灰度值方差的函數(shù)庫，因此可以先通過statistics函數(shù)中的stdev函數(shù)計算圖像在RGB565格式下灰度值的標準差，再通過標準差來計算圖像的灰度值方差，通過多次測試確定一個圖像模糊的灰度值方差的閾值，將獲取圖像的灰度值方差與該閾值比較確定圖像是否模糊，大于設定閾值則圖像清晰，反之，小于該閾值則判定圖像模糊。

2.2 "亮度異常檢測

通過灰度值均值和方差判斷亮度異常存在計算復雜的問題，并且在檢測純色圖像（比如純灰色圖像）時誤差較大，因此選擇HSV空間的V通道值來判斷是否亮度異常。

一般將圖像亮度過高的現(xiàn)象稱為圖像亮度異常，通過建立圖像的HSV模型（H表示圖像色調(diào)，S表示圖像飽和度，V表示圖像明度），再計算整幅圖像所有像素點V通道值的均值可以判斷圖像的亮度，當亮度大于某個設定閾值時則判斷圖像發(fā)生亮度異常，反之，則圖像亮度正常。RGB圖像轉(zhuǎn)換為HSV圖像公式如下：

[R'=R255] （3）

[G'=G255] （4）

[B'=B255] （5）

[Cmax=max（R'，G'，B'）] （6）

[V=Cmax] （7）

式中：[R]代表紅色通道值；[G]代表綠色通道值；[B]代表藍色通道值；[R']、[G']、[B']分別為[R]、[G]、[B]三通道值量化后的值；[Cmax]為[R]、[G]、[B]三通道量化后的最大值；[V]表示像素亮度值。

由于OpenMV的IDE軟件并沒有HSV圖像模式，也并沒有相應的函數(shù)庫，并且檢測圖像失真部分的程序采用的是RGB565的圖像格式，因此該設計通過img函數(shù)中的get_pixel函數(shù)獲取各個像素點的[R]、[G]、[B]三個通道的值，再通過以上公式計算圖像亮度，通過多次測試確定一個閾值，通過該閾值確定獲取圖像是否存在亮度異常失真。

2.3 "黑屏檢測

如果通過HSV色彩空間的H通道建立直方圖，判斷圖像是否黑屏，計算量較大的同時運算也復雜，因此選擇確定黑色像素點占比的方式檢測黑屏。

如果圖像存在黑屏現(xiàn)象，則圖像的黑色像素點個數(shù)一定占據(jù)了整幅圖像絕大部分區(qū)域，通過檢測圖像是否存在一定比例的黑色像素點可以判斷監(jiān)控獲取的圖像是否黑屏。在OpenMV的IDE軟件中，可以使用img.find_blobs函數(shù)通過循環(huán)的方式去遍歷整幅圖像的像素，來尋找一種特定顏色的像素點個數(shù)，而特定顏色的像素點可以通過設定該顏色L、A、B三通道的值來確定，通過該方式就可以判斷黑色像素點個數(shù)占整幅圖像的比例，以此確定圖像是否發(fā)生黑屏現(xiàn)象，但該種方式也存在缺陷，如果存在一個黑色像素點占據(jù)了大部分圖像比例，則容易存在誤判。

2.4 "偏色異常檢測

灰度世界法假定[R]、[G]、[B]三個通道均值相等呈灰色的前提下，統(tǒng)計三個通道的亮度均值，再將其轉(zhuǎn)換成LAB圖像，計算他們距中性點的色度距離，以此判斷是否存在偏色失真現(xiàn)象。該方法在單一顏色或者是在亮度較暗的地方難以判斷偏色并且計算復雜，因此選擇偏色因子來判斷偏色。

圖像是否存在偏色與其圖像色調(diào)的分布情況存在著一定關(guān)系，可以通過觀察圖像的L、A、B顏色空間來判斷是否存在偏色異常。一般來說，可以通過觀察A、B兩通道的直方圖來判斷圖像是否偏色，如果色調(diào)分布為單一的峰值或者是分布比較密集，并且色調(diào)平均值又大時，則可以判斷圖像存在偏色，色調(diào)平均值越大，則圖像的偏色程度越大，反之，則偏色程度越小。因此，可以引入偏色因子[11][K]來表征圖像偏色程度的大小，公式如下：

[DA=x=1Xy=1YAX?Y] （8）

[DB=x=1Xy=1YBX?Y] （9）

[D=D2A+D2B] （10）

[MA=x=1Xy=1Y（A-DA）2X?Y] （11）

[MB=x=1Xy=1Y（B-DB）2X?Y] （12）

[M=M2A+M2B] （13）

[K=DM] （14）

式中：[A]為像素點A通道值；[B]為像素點B通道值；[X]為橫向像素點個數(shù)；[Y]為縱向像素點個數(shù)；[DA]為圖像所有像素A通道平均值；[DB]為圖像所有像素B通道平均值；[D]為平均色度；[MA]、[MB]分別為A、B兩通道方差值；（[DA]，[DB]）為等效圓中心坐標；[M]為色度等效圓半徑；[K]為偏色因子，[K]越大，偏色程度越大，當[K]小于設定閾值時圖像則可近似認為其不存在偏色現(xiàn)象。

由于OpenMV的IDE軟件可以直接通過其函數(shù)庫中的statistics函數(shù)獲取LAB色彩空間的L、A、B三通道的平均值，因此通過計算偏色因子的方式判斷是否存在偏色異常可以很大程度上簡化計算過程，雖然該方式仍然存在著一定誤差，但能較大程度上判斷圖像偏色的可能性。

2.5 "雪花噪聲檢測

通過信噪比檢測圖像是否存在雪花噪聲，計算復雜度?；叶戎捣讲羁赏ㄟ^OpenMV的IDE軟件中的函數(shù)直接讀取，使用灰度值方差檢測雪花噪聲雖然簡便，但對于雪花噪聲嚴重的圖像，像素點多呈黑、白、灰三色，整體畫面會存在偏色現(xiàn)象，采用偏色因子進行判斷，在檢測偏色失真的同時檢測雪花噪聲，不僅減小了程序規(guī)模，而且提升了檢測速度。相較于使用單獨檢測方式檢測雪花噪聲，使用偏色因子同時檢測偏色失真和雪花噪聲失真，速度快了3 s左右。

3 "失真檢測實驗

本次測試實驗中，采用通過失真處理后的失真圖像來模擬視頻監(jiān)控系統(tǒng)產(chǎn)生的失真圖像。其中偏色異常、雪花噪聲、圖像模糊失真檢測實驗所涉及的原圖像均來自網(wǎng)絡，失真圖像是通過網(wǎng)絡工具對原圖進行圖像處理所得。

3.1 "圖像模糊失真檢測實驗

圖2a）～圖2c）三幅圖為原圖的清晰圖像，圖3a）～圖3c）三幅圖依次為圖2a）～圖2c）三幅圖經(jīng)過模糊處理后所得圖像。在連接OpenMV后將圖像對準攝像頭，重復獲取當前圖像灰度值方差，取得大量數(shù)據(jù)。圖像灰度值方差通常存在臨界值，當圖像模糊時圖像灰度值方差會低于該臨界值，該值即為圖像模糊失真檢測的判定閾值。對分割后圖像所獲得的灰度值方差數(shù)據(jù)進行分析發(fā)現(xiàn)，圖2a）～圖2c）的灰度值方差均值為76.74、120.26、93.04，圖3a）～圖3c）均為經(jīng)過模糊處理后的圖像，其灰度值方差均值為21.12、30.28、16.06。在該設計中將閾值暫定為32（該值可根據(jù)用戶需求以及環(huán)境影響自主設定），灰度值方差在32以下時判定為圖像模糊。如表1、表2所示，提供了原圖與模糊處理后圖像的其中9組灰度值方差數(shù)據(jù)作為具體示例。

在室內(nèi)亮光充足環(huán)境下對圖3a）～圖3c）三幅圖像進行15次報警測試，所得結(jié)果如表3所示。其中圖3a）的15次實驗檢測成功率為93.3%，圖3b）成功率為100%，圖3c）成功率也為100%。

3.2 "亮度異常失真檢測實驗

連接OpenMV后分別在光照充足的實驗室和較暗的寢室內(nèi)進行拍攝，上電后不斷重復取當前畫面亮度均值。通過手機的手電筒照射的方式給予攝像頭額外光照，在手機距離攝像頭不同距離下采取相同數(shù)據(jù)采集方式進行測試，在不同距離下分別獲取多組數(shù)據(jù)作為亮度異常圖像數(shù)據(jù)。如圖4三幅圖像所示，為室內(nèi)光照充足拍攝圖，圖5為外部光源距離攝像頭不同距離拍攝的圖像，光源與攝像頭的距離按圖5a）～圖5c）的順序依次減小。通過對訓練數(shù)據(jù)的分析，觀察發(fā)現(xiàn)圖4亮度正常的圖像，亮度均值分別為0.71、0.38、0.58，而如圖5中，在不同距離有光源照射的圖像，其亮度均值分別為0.82、0.90、0.90，該報警實驗閾值暫定為0.82。表4、表5提供了無外部光源照射和有外部光源照射圖像的其中9組亮度均值數(shù)據(jù)，作為具體示例。

如表6所示，是在室內(nèi)亮光充足環(huán)境下，光源與攝像頭3種不同距離下照射，進行15次報警測試所得的結(jié)果。其中圖5a）檢測15次有13次出現(xiàn)了異常，圖5b）檢測15次中有2次未檢測成功，成功率為86.7%，圖5c）檢測成功率為100%。實驗發(fā)現(xiàn)：當外部光源距離攝像頭6 cm以內(nèi)時，亮度均值一般超過0.85；當外部光源距離攝像頭15 cm以外后，圖像的亮度均值與當前圖像無附加光源的亮度均值相近。因此圖5a）可以判定為亮度正常圖像。

3.3 "黑屏失真檢測實驗

通過遍歷黑色像素點個數(shù)可判斷是否發(fā)生黑屏，黑色像素的閾值可用LAB色彩空間表示。由于OpenMV遍歷特定顏色像素點的函數(shù)需要采用LAB閾值，因此該設計通過LAB色彩空間來設定黑色像素點閾值。與圖像模糊的訓練集測試方式相似，通過使用書以及紙張遮擋攝像頭使其黑屏后，進行多次測量得出了大量數(shù)據(jù)。圖6為遮擋不充分的圖像，圖7為完全遮擋無明顯亮光透入的圖像。通過對訓練數(shù)據(jù)分析，發(fā)現(xiàn)圖6a）～圖6c）三幅圖因為有亮度影響，黑色像素點的L、A、B三通道值較大。圖7a）～圖7f）六幅圖像L通道數(shù)值在2～4之間波動，A通道數(shù)值在1～6之間波動，B通道數(shù)值同樣在0～4之間波動，本文設計將黑色像素點L、A、B閾值區(qū)間分別設置為（0，6）、（0，8）、（0，6），當處于該區(qū)間時，認為其為黑色像素點。由于LCD像素大小為128×160，考慮到圖像部分黑屏的情況以及圖像可能存在部分黑色像素等誤差，所以該設計將檢測像素數(shù)量的閾值大致設為12 000，當檢測到12 000個像素在設定閾值內(nèi)時檢測為黑屏。如表7、表8所示，提供了不完全遮擋黑屏圖和完全遮擋黑屏圖的其中9組LAB三通道值數(shù)據(jù)作為具體示例。

如表9所示，是在室內(nèi)亮光充足環(huán)境下，遮擋攝像頭使其黑屏的情況下進行的15次報警測試所得的結(jié)果，15次均報警，成功率為100%。

3.4 "偏色失真檢測實驗

圖8為無偏色的原圖，圖9為不同顏色的偏色圖像。其中圖9a）、圖9f）為圖8a）的偏紅色和偏黃色圖，圖9d）、圖9e）為圖8c）的偏紅色和偏黃色圖，圖9c）為圖8b）的偏紅色圖，圖9b）為偏紫色的人像圖。與圖像模糊設立訓練集時采取的圖像數(shù)據(jù)采集方式相同，對圖8和圖9中圖像的A、B通道值重復進行數(shù)據(jù)采集，根據(jù)偏色因子計算公式計算偏色因子。通過對計算出的偏色因子數(shù)據(jù)進行分析，發(fā)現(xiàn)圖8中的三幅無偏色圖像的偏色因子[K]分別為0.071、0.096、0.088，而圖9a）～圖9f）偏色因子分別為0.41、0.21、0.35、0.23、0.21、0.22?；谝陨戏治觯撛O計將偏色因子[K]的閾值暫定為0.20，當圖像的偏色因子[K]大于0.20時認為其發(fā)生偏色異常。如表10、表11所示，提供了原圖與偏色圖其中9組偏色因子數(shù)據(jù)作為具體示例。

如表12所示，是在室內(nèi)亮光充足環(huán)境下對圖9a）、圖9b）、圖9e）三幅圖像進行15次報警測試所得的結(jié)果。其中，圖9a）的15次實驗成功率為100%，圖9b）成功率為80%，圖9e）成功率為93.3%。

3.5 "雪花噪聲失真檢測實驗

如圖10所示為兩幅雪花噪聲較為嚴重的圖像，偏色因子檢測方式同偏色失真檢測相同。通過實驗數(shù)據(jù)分析發(fā)現(xiàn)，圖10a）的偏色因子在0.60附近波動，圖10b）偏色因子在0.26附近波動，兩幅圖像偏色因子均大于偏色失真檢測的偏色因子臨界閾值，因此該設計將雪花噪聲的閾值暫定為0.20，當偏色因子大于0.20時，判定為雪花噪聲。如表13所示，提供了其中9組數(shù)據(jù)作為具體示例。

在室內(nèi)亮光充足環(huán)境下對圖10a）、圖10b）兩幅圖像進行15次報警測試所得的結(jié)果如表14所示。其中，圖10a）的15次實驗成功13次，成功率為86.7%，圖10b）的15次實驗成功14次，成功率為93.3%。

通過對以上五種失真類型進行檢測后，對檢測準確率求均值發(fā)現(xiàn)平均檢測準確率達到了85%以上。

4 "結(jié) "語

本文設計雖然在部分失真檢測的精度方面有所犧牲，但是帶來了檢測速度的提升。例如在偏色失真檢測中，采用偏色因子同時檢測偏色失真和雪花噪聲，不用通過單獨的檢測算法檢測雪花噪聲，在檢測時節(jié)省了部分時間。OpenMV較好的可移動性和靈活性，使其可以根據(jù)用戶需求和具體應用環(huán)境調(diào)整閾值。在進行閾值檢測時因為訓練集樣本數(shù)的限制，使閾值存在較大誤差，未來的工作可以通過增大訓練集和改進算法，進一步探索如何在不同場景下優(yōu)化精度和速度之間的平衡，并擴展這種設計的應用范圍，以滿足更廣泛的需求。

注：本文通訊作者為王濤。

參考文獻

[1] 呂婧妍.城市級視頻監(jiān)控質(zhì)量評估系統(tǒng)設計與實現(xiàn)[D].南京：南京郵電大學，2022.

[2] 梁棟.圖像失真檢測與質(zhì)量評價方法及其應用[D].西安：西安電子科技大學，2021.

[3] 涂麟子，蔣朝根.基于再模糊理論的模糊圖像檢測方法[J].現(xiàn)代計算機，2023，29（12）：32?36.

[4] 成傳勝.監(jiān)控視頻質(zhì)量實時檢測系統(tǒng)的設計與實現(xiàn)[D].杭州：浙江工業(yè)大學，2014.

[5] 方芳.基于智能監(jiān)控系統(tǒng)的視頻圖像質(zhì)量檢測的研究與實現(xiàn)[D].南京：南京郵電大學，2013.

[6] 羅奕凱.鐵路貨車裝載狀態(tài)圖像質(zhì)量客觀評價方法研究[J].鐵道貨運，2023，41（11）：47?53.

[7] 劉迪，李建海，王晶，等.一種基于嵌入式單片機視頻監(jiān)控裝置的設計與研究[J].船電技術(shù)，2021，41（7）：61?64.

[8] 鄭晨.基于多路實時流的視頻圖像質(zhì)量檢測的研究與實現(xiàn)[D].南京：南京郵電大學，2014.

[9] 干上游，浦國祥.基于單片機二維CCD圖像檢測算法研究和實際應用[J].儀表技術(shù)，2013（9）：29?31.

[10] 李加定，繆文南.基于OpenMV的智能送藥小車的設計[J].電子設計工程，2024，32（2）：162?166.

[11] 李懷瑞.攝像頭視頻質(zhì)量檢測系統(tǒng)的設計與實現(xiàn)[D].北京：北京郵電大學，2022.

[12] 姬貫新，周利莉.智能視頻監(jiān)控系統(tǒng)中的干擾檢測及分類[J].數(shù)據(jù)采集與處理，2013，28（2）：231?238.

[13] 邱銘杰.監(jiān)控視頻圖像質(zhì)量診斷方法研究及實現(xiàn)[D].上海：華東理工大學，2014.

[14] 劉濟銘.局部模糊圖像的模糊檢測與分割算法研究[D].西安：西安理工大學，2020.

[15] 楊釩.淺談智能視頻質(zhì)量診斷技術(shù)未來的發(fā)展趨勢[J].中國安防，2021（10）：79?82.

[16] 賴盛英，謝鑫鑫，樊偉征，等.基于OpenMV圖像識別的自主迷宮尋寶小車[J].現(xiàn)代電子技術(shù)，2024，47（5）：70?74.

作者簡介：張學剛（2001—），男，四川人，碩士研究生，研究方向為基于邊坡災害的微小形變預測。

王 "濤（1976—），男，河南人，教授，研究方向為智能化監(jiān)測預警、無線通信調(diào)制解調(diào)、信道估計。