如何用OpenCV判断智能CCTV摄像头视频帧是否处于夜视模式？

• 分析色彩通道相似度
  夜视模式下的画面通常呈现偏绿或近似单色的效果，即便保留RGB三通道，三个通道的像素值会高度接近。可以通过计算通道间的像素差异均值来判断：

  1. 将OpenCV默认读取的BGR格式转为RGB。
  2. 拆分R、G、B三个通道矩阵。
  3. 统计通道间像素差值的平均值，夜视模式下该值会远低于正常模式。
     示例代码：

  import cv2
  import numpy as np
  
  def check_night_vision(frame):
      rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
      r, g, b = cv2.split(rgb_frame)
      # 计算通道差值的平均绝对值
      rg_diff_avg = np.mean(np.abs(r - g))
      gb_diff_avg = np.mean(np.abs(g - b))
      # 阈值需根据实际样本调整，示例阈值仅供参考
      return rg_diff_avg < 6 and gb_diff_avg < 6
  

• 检测红外补光特征
  夜视模式依赖红外补光，画面会呈现特定的亮度分布：

  1. 将图像转为灰度图，统计整体亮度均值，夜视帧的亮度通常偏低且分布更均匀。
  2. 通过阈值分割提取高亮区域，红外补光会产生大面积均匀高亮，统计高亮区域占比可辅助判断。
     示例代码：

  def check_night_vision_ir(frame):
      gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
      avg_brightness = np.mean(gray_frame)
      # 提取高亮区域（像素值阈值根据实际调整）
      _, bright_mask = cv2.threshold(gray_frame, 210, 255, cv2.THRESH_BINARY)
      bright_ratio = np.sum(bright_mask)/255 / (gray_frame.shape[0] * gray_frame.shape[1])
      # 结合亮度和高亮占比判断
      return avg_brightness < 90 and bright_ratio > 0.04
  

• 训练轻量分类模型
  若有足够的正常/夜视样本，可训练简单分类器提升准确率：

  1. 提取图像的颜色直方图、HOG等特征。
  2. 使用OpenCV的SVM模块或轻量深度学习模型（如MobileNet）训练分类模型，实现精准判断。

注意：所有阈值需结合你的摄像头实际输出样本调整，建议先采集一批正常和夜视帧，统计特征值范围后再设定合适阈值。

内容的提问来源于stack exchange，提问作者Jco