图像颜色丰富度评价 https://www.pyimagesearch.com/2017/06/05/computing-image-colorfulness-with-opencv-and-python/
- 首先我们要有一个色彩丰富度的标准。Hasler and Süsstrunk的研究将颜色丰富度划分为7级。
无(Not colorful) 稍微(Slightly colorful) 适度(Moderately colorful) 平均(Averagely colorful) 非常(Quite colorful) 高度(Highly colorful) 极端(Extremely colorful)
- [Hasler and Süsstrunk]https://infoscience.epfl.ch/record/33994/files/HaslerS03.pdf 找了20个人对84副图片按照1-7分进行打分。最后对这份调查数据进行分析，发现图片颜色丰富度的计算，最后的C就是图片颜色丰富度的指示变量（其中sigma和miu分别代表标准差和平均值）
- 失焦的主要表现就是画面模糊，衡量画面模糊的主要方法就是梯度的统计特征，通常梯度值越高，画面的边缘信息越丰富，图像越清晰。需要注意的是梯度信息与每一个视频本身的特点有关系，如果画面中本身的纹理就很少，即使不失焦，梯度统计信息也会很少，对监控设备失焦检测需要人工参与的标定过程，由人告诉计算机某个设备正常情况下的纹理信息是怎样的。
- 网上常用的一种方法是将RGB图像转变到CIE L*a*b*空间，其中L*表示图像亮度，a*表示图像红/绿分量，b*表示图像黄/蓝分量。通常存在色偏的图像，在a*和b*分量上的均值会偏离原点很远，方差也会偏小；通过计算图像在a*和b*分量上的均值和方差，就可评估图像是否存在色偏。计算CIE L*a*b*空间是一个比较繁琐的过程，好在OpenCV提供了现成的函数，因此整个过程也不复杂。
- 亮度检测与色偏检测相似，计算图片在灰度图上的均值和方差，当存在亮度异常时，均值会偏离均值点（可以假设为128），方差也会偏小；通过计算灰度图的均值和方差，就可评估图像是否存在过曝光或曝光不足。函数如下。