算子ID：daft.las.functions.video.video_sharpness.VideoSharpness

描述 #

视频清晰度计算处理器，支持多种清晰度评估方法和抽帧策略。

核心功能 #

• 视频抽帧：
  • 基于FPS的抽帧策略，可自定义每秒抽帧数量
  • 限制最大抽帧数量，防止处理长视频时陷入无限循环
  • 支持ffmpeg和cv2双重抽帧方案，提高稳定性
• 多种清晰度评估方法：
  • 拉普拉斯方差法（laplacian） - 基于二阶导数的边缘检测，计算简单快速
  • Tenengrad法（tenengrad） - 基于Sobel梯度的边缘强度，对噪声敏感
  • Brenner法（brenner） - 基于相邻像素灰度差的简单计算，速度最快
  • FFT高频能量法（fft_highfreq） - 基于频域分析的清晰度评估，对模糊更敏感
• 多池化功能：
  • 返回所有池化方法的结果（均值、中位数、最大值、最小值、标准差）
  • 自动处理NaN值和异常情况
• 多格式输入支持：
  • URL地址
  • 二进制流

格式支持： #

• 输入：MP4、AVI、MOV 等主流视频格式

算子参数 #

输入 #

输出 #

包含所有池化方法的清晰度结果的结构体数组，每个元素包含：

• mean: 清晰度均值
• median: 清晰度中位数
• max: 清晰度最大值
• min: 清晰度最小值
• std: 清晰度标准差

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 Daft（适用于分布式）运行算子进行视频清晰度计算。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.udf import las_udf
from daft.las.functions.video.video_sharpness import VideoSharpness

if __name__ == "__main__":
    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S",
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    # 使用环境变量构建 URL
    tos_dir_url = os.getenv("TOS_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    samples = {
        "video_path": [
            f"https://{tos_dir_url}/public/shared_video_dataset/sample.mp4"
        ]
    }

    ds = daft.from_pydict(samples)

    sharpness_calculator = las_udf(
        VideoSharpness,
        construct_args={
            "fps": 2.0,
            "method": "laplacian",
            "max_frames": 100,
        },
        num_gpus=1,
        concurrency=1,
        batch_size=1,
    )

    # 使用 Daft 进行分布式处理
    ds = ds.with_column("video_sharpness", sharpness_calculator(col("video_path")))

    ds.show()
    # ╭────────────────────────────────┬──────────────────────────────────╮
    # │ video_path                     ┆ video_sharpness                  │
    # │ ---                            ┆ ---                              │
    # │ Utf8                           ┆ Struct[mean: Float64, median: F… │
    # ╞════════════════════════════════╪══════════════════════════════════╡
    # │ https://las-cn-beijing-publi-… ┆ {mean: 1234.56, median: 1200.00… │
    # ╰────────────────────────────────┴──────────────────────────────────╯