视频处理的思路是先将视频分解成一帧一帧的图像,对每一帧进行处理,处理好后再将帧合并为视频。会用到的模块包括OpenCV、FFmpeg等。
OpenCV:强大的计算机视觉库,可以进行图片和视频处理
FFmpeg:视频处理软件,在官网下载安装包安装,代码要在命令行输入。
利用FFmpeg的命令:
ffmpeg -i ./Python2021/video/cut1.mp4 -r 24 -f image2 ./Python2021/pic2/image%d.jpg
可以将一个MP4格式的视频分解为24帧/秒的图像,保存在本地文件夹中。
利用OpenCV同样可以达到该目的:
import os
import cv2
import subprocess
os.chdir(r"C:\Users\95378\Python2021")
v_path="ghz.mp4"
image_save="./pic" # 这里保存图像的文件夹需要在本地手动新建
cap=cv2.VideoCapture(v_path) # 读取本地视频
frame_count=cap.get(cv2.CAP_PROP_FRAME_COUNT) # 帧数
for i in range(int(frame_count)):
_,frame=cap.read() # 按帧读取视频,frame为每一帧的图像
frame=cv2.cvtColor(frame,cv2.cv2.COLOR_BGR2GRAY) # 图像转换为OpenCV格式
cv2.imwrite("./pic/image{}.jpg".format(i),frame) #写入本地文件夹
FFmpeg还可以对视频进行裁剪。下面的命令是将视频的第0到60秒裁剪出来,保存到本地。需要注意的是要写清楚文件的位置(绝对路径或相对路径)。
ffmpeg -ss 0 -t 60 -i C:\Users\95378\Python2021\video\hj.mp4 -codec copy C:\Users\95378\Python2021\video\cut2.mp4
对于视频分镜的基本思路是比较每一帧镜头画面的相似度。如果画面的相似度高,说明属于同一个镜头,如果相似度很低,就说明到了下一个镜头。
比较镜头相似度的方法,老师提供了均值哈希和比较RGB三色通道直方图两种。以下是均值哈希算法:
import cv2
import numpy as np
import matplotlib.pyplot as plt
import os
print(os.getcwd())
# 均值哈希算法
def aHash(img):
# 缩放为8*8
plt.imshow(img)
plt.axis('off')
plt.show()
img = cv2.resize(img,(8,8))
plt.imshow(img)
plt.axis('off')
plt.show()
#转换为灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #cv2中图片颜色加载顺序为BGR,正常为RGB,所以图像颜色显示会不准确
#s为像素和初值为0,hash_str为hash初值为''
s = 0
hash_str = ''
#遍历累加求像素和
for i in range(8):
for j in range(8):
s = s + gray[i,j]
#求平均灰度
avg = s/64
# 灰度大于平均值为1,相反为0,生成图片的hash值
for i in range(8):
for j in range(8):
if gray[i,j]>avg:
hash_str = hash_str+'1'
else:
hash_str = hash_str+'0'
return hash_str
# hash值对比
def cmpHash(hash1, hash2):
n = 0
print(hash1)
print(hash2)
# hash长度不同则返回-1,代表传参出错
if len(hash1)!=len(hash2):
return -1
# 遍历判断
for i in range(len(hash1)):
# 不相等则n计数+1,n最终为相似度
if hash1[i] != hash2[i]:
n = n + 1
return n
# 通过hash值比较相似性
for i in range(549):
img1 = cv2.imread('./pic/image{}.jpg'.format(i))
img2 = cv2.imread('./pic/image{}.jpg'.format(i+1))
hash1 = aHash(img1)
hash2 = aHash(img2)
n = cmpHash(hash1, hash2)
if (n>20):
print('均值哈希算法相似度:', n/64)
cv2.imwrite("./shot/image{}.jpg".format(i+1),img2)
哈希算法得到的结果:
可以看到基本实现了需求,但是分镜有一定的重复。
RGB三色通道方法的原理是,将视频分离为RGB三个通道,画出图像的直方图,然后计算直方图的重合度。
import cv2
import numpy as np
import matplotlib.pyplot as plt
import os
print(os.getcwd())
# 通过比较RGB每个通道的直方图计算相似度
def classify_hist_with_split(image1, image2, size=(256, 256)):
# 将图像resize后,分离为RGB三个通道,再计算每个通道的相似值
image1 = cv2.resize(image1, size)
image2 = cv2.resize(image2, size)
plt.imshow(image1)
plt.show()
plt.axis('off')
plt.imshow(image2)
plt.show()
plt.axis('off') # 把两张图分别显示出来
sub_image1 = cv2.split(image1)
sub_image2 = cv2.split(image2) # 把单通道取出来
print(type(sub_image1))
sub_data = 0
for im1, im2 in zip(sub_image1, sub_image2): # 打包可迭代的参数
sub_data += calculate(im1, im2)
sub_data = sub_data / 3
return sub_data
# 计算单通道的直方图的相似值
def calculate(image1, image2):
hist1 = cv2.calcHist([image1], [0], None, [256], [0.0, 255.0]) # 通道0,1,2 对应B,G,R
hist2 = cv2.calcHist([image2], [0], None, [256], [0.0, 255.0])
plt.plot(hist1, color="r") # 画出直方图
plt.plot(hist2, color="g")
plt.show()
# 计算直方图的重合度
degree = 0
for i in range(len(hist1)):
if hist1[i] != hist2[i]:
degree = degree + (1 - abs(hist1[i] - hist2[i]) / max(hist1[i], hist2[i]))
else:
degree = degree + 1 #统计相似
degree = degree / len(hist1)
return degree
# 通过直方图相似性比较分镜并检验参数
for i in range(1442):
img1 = cv2.imread('./pic2/image{}.jpg'.format(i))
img2 = cv2.imread('./pic2/image{}.jpg'.format(i+1))
n = calculate(img1, img2) # 完全一样是1,完全不一样是0
if (n<0.6):
print('三直方图算法相似度:', n)
cv2.imwrite("./shot2/image{}.jpg".format(i+1),img2)
这里的直方图重合度,1是完全相同,0是完全不同。但具体较为准确的分镜参数需要尝试。以下是用不同的参数尝试分镜的运行结果:
镜头数 | 参数 | 分镜结果 | |
视频一 | 23 | 0.5 | 10 |
23 | 0.6 | 23 | |
23 | 0.7 | 27 | |
视频二 | 25 | 0.5 | 13 |
25 | 0.6 | 20 | |
25 | 0.7 | 32 |
根据实验结果可知,参数为n<0.6,分镜结果较为准确。