如何用Python检测存在渐变过渡的空白图像？

这个问题我之前做类似项目时也碰到过！用标准差确实搞不定那种渐变的“伪空白”图——毕竟这类图虽然没有效内容，但像素值是缓慢变化的，标准差自然上去了。结合手机拍摄的场景（大多是镜头被遮挡导致的均匀渐变），给你几个实用的Python方案：

渐变图几乎没有明显的边缘，而正常有内容的图像边缘像素占比会高很多。用Canny检测边缘后，统计非零像素的比例，低于阈值就判定为空白：

import cv2
import numpy as np

def is_blank_image_edge(image, edge_threshold=0.001):
    # 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # Canny边缘检测（阈值可根据实际场景调整）
    edges = cv2.Canny(gray, 50, 150)
    # 计算边缘像素占总像素的比例
    edge_ratio = np.count_nonzero(edges) / (gray.shape[0] * gray.shape[1])
    # 比例低于阈值则判定为空白图像
    return edge_ratio < edge_threshold

# 测试示例
image = cv2.imread("gradient_blank.jpg")
print(is_blank_image_edge(image))

渐变图的直方图是连续的窄峰，像素分布非常集中，而正常图像的直方图分布更分散。可以用信息熵来量化这种集中度——熵越低，图像越“单调”：

from skimage import measure
import cv2

def is_blank_image_entropy(image, entropy_threshold=3):
    # 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算图像信息熵
    entropy = measure.shannon_entropy(gray)
    # 熵低于阈值则判定为空白图像
    return entropy < entropy_threshold

# 测试示例
image = cv2.imread("gradient_blank.jpg")
print(is_blank_image_entropy(image))

如果不想依赖skimage，也可以自己计算直方图的方差来判断集中度：

import cv2
import numpy as np

def is_blank_image_hist(image, hist_var_threshold=500):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算灰度直方图
    hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
    # 归一化直方图
    hist_norm = hist / np.sum(hist)
    # 计算直方图的均值和方差
    bin_centers = np.arange(256)
    hist_mean = np.sum(bin_centers * hist_norm)
    hist_var = np.sum(((bin_centers - hist_mean) ** 2) * hist_norm)
    # 方差低于阈值则判定为空白图像
    return hist_var < hist_var_threshold

LBP（局部二值模式）能捕捉局部像素的变化，空白/渐变图的局部几乎没有差异，所以LBP特征的均值会很低：

from skimage import feature
import cv2

def is_blank_image_lbp(image, lbp_threshold=0.1):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 提取LBP特征（8个邻域，半径1）
    lbp = feature.local_binary_pattern(gray, 8, 1, method="uniform")
    # 归一化后计算均值
    lbp_mean = np.mean(lbp) / np.max(lbp)
    # 均值低于阈值则判定为空白图像
    return lbp_mean < lbp_threshold

# 测试示例
image = cv2.imread("gradient_blank.jpg")
print(is_blank_image_lbp(image))

• 多特征融合：比如同时用边缘占比+信息熵，两个条件都满足才判定为空白，能大幅提升准确率；
• 自适应阈值：不同手机拍摄的图分辨率、光线不同，可以根据图像的尺寸、亮度动态调整阈值（比如暗图降低熵的阈值）；
• 排除极小图像：如果用户上传的图尺寸过小，可直接判定为无效（需结合业务需求）。

内容的提问来源于stack exchange，提问作者LucyDrops