图像清晰度评价与实现方法
点击上方 “小白学视觉 ”，选择加" 星标 "或“ 置顶 ”
重磅干货，第一时间送达
图像清晰度是衡量图像质量的一个重要指标，对于相机来说，其一般工作在无参考图像的模式下，所以在拍照时需要进行对焦的控制。对焦不准确，图像就会变得比较模糊不清晰。相机对焦时通过一些清晰度评判指标，控制镜头与CCD的距离，使图像成像清晰。一般对焦时有一个调整的过程，图像从模糊到清晰，再到模糊，确定清晰度峰值，再最终到达最清晰的位置。
常见的图像清晰度评价一般都是基于梯度的方法，本文将介绍五种简单的评价指标，分别是Brenner梯度法、Tenegrad梯度法、laplace梯度法、方差法、能量梯度法。
Brenner梯度法：
计算相差两个单元的两个像素点的灰度差：
FBrenner=∑M∑N(f(x+2,y)−f(x,y))2 式中 (f(x+2,y)−f(x,y))2>Threshold 算法准确性取决于阈值的选取。Tenegrad梯度法：
采用sobel算子分别提取水平和竖直方向的梯度： FTenegrad=∑M∑N|G(x,y)| G(x,y)>Threshold G(x,y)=Gx(x,y)2+Gy(x,y)2
sobel算子模板如下：
Gx=14⎡⎣⎢−1−2−1000121⎤⎦⎥∗I
Gy=14⎡⎣⎢−101−202−101⎤⎦⎥∗I
Laplace梯度法：
laplace梯度函数与Tenegrad基本一致，只需要用Laplace算子替代sobel算子即可: L = 16 ⎡⎣⎢ 1414204141 ⎤⎦⎥ ∗ I
方差法：
聚焦清晰的图像比模糊图像有更大的灰度差异，可用方差函数作为评价: Fvariance = ∑ M ∑ N ( f ( x , y )− E 2)
式中E为整幅图像的平均灰度值，该函数对噪声敏感。
能量梯度法：能量梯度函数适合实时评价图像清晰度：
FBrenner=∑M∑N((f(x+1,y)−f(x,y))2+(f(x,y+1)−f(x,y))2)
实例代码:
//方差法
region_to_mean(ImageReduced, Image, ImageMean)
convert_image_type(ImageMean, ImageMean, 'real')
convert_image_type(Image, Image, 'real')
sub_image(Image, ImageMean, ImageSub, 1, 0)
mult_image(ImageSub, ImageSub, ImageResult, 1, 0)
intensity(ImageResult, ImageResult, Value, Deviation)
//拉普拉斯梯度函数
laplace(Image, ImageLaplace4, 'signed', 3, 'n_4')
laplace(Image, ImageLaplace8, 'signed', 3, 'n_8')
add_image(ImageLaplace4, ImageLaplace4, ImageResult1, 1, 0)
add_image(ImageLaplace4, ImageResult1, ImageResult1, 1, 0)
add_image(ImageLaplace8, ImageResult1, ImageResult1, 1, 0)
mult_image(ImageResult1, ImageResult1, ImageResult, 1, 0)
intensity(ImageResult, ImageResult, Value, Deviation)
//能量梯度函数
crop_part(Image, ImagePart00, 0, 0, Width-1, Height-1)
crop_part(Image, ImagePart01, 0, 1, Width-1, Height-1)
crop_part(Image, ImagePart10, 1, 0, Width-1, Height-1)
convert_image_type(ImagePart00, ImagePart00, 'real')
convert_image_type(ImagePart10, ImagePart10, 'real')
convert_image_type(ImagePart01, ImagePart01, 'real')
sub_image(ImagePart10, ImagePart00, ImageSub1, 1, 0)
mult_image(ImageSub1, ImageSub1, ImageResult1, 1, 0)
sub_image(ImagePart01, ImagePart00, ImageSub2, 1, 0)
mult_image(ImageSub2, ImageSub2, ImageResult2, 1, 0)
add_image(ImageResult1, ImageResult2, ImageResult, 1, 0)
intensity(ImageResult, ImageResult, Value, Deviation)
//Brenner梯度法
crop_part(Image, ImagePart00, 0, 0, Width, Height-2)
convert_image_type(ImagePart00, ImagePart00, 'real')
crop_part(Image, ImagePart20, 2, 0, Width, Height-2)
convert_image_type(ImagePart20, ImagePart20, 'real')
sub_image(ImagePart20, ImagePart00, ImageSub, 1, 0)
mult_image(ImageSub, ImageSub, ImageResult, 1, 0)
intensity(ImageResult, ImageResult, Value, Deviation)
//Tenegrad梯度法
sobel_amp(Image, EdgeAmplitude, 'sum_sqrt', 3)
min_max_gray(EdgeAmplitude, EdgeAmplitude, 0, Min, Max, Range)
threshold(EdgeAmplitude, Region1, 20, 255)
region_to_bin(Region1, BinImage, 1, 0, Width, Height)
mult_image(EdgeAmplitude, BinImage, ImageResult4, 1, 0)
mult_image(ImageResult4, ImageResult4, ImageResult, 1, 0)
intensity(ImageResult, ImageResult, Value, Deviation)
结果分析:
处理图像为一组对焦从模糊到清晰再到模糊的标定板图像，如下为其中三幅图像：
中间为最清晰的图像。
采用五种评价函数，对一百多幅图像进行计算，并将结果进行归一化，得到如图所示结果：
一个好的评价函数需要具有单峰性，无偏性，灵敏性，在本实例中，采用Laplace、能量梯度和Brenner梯度法较好，而方差法效果较差，Tenegrad梯度法反向了。
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：
扩展模块中文教程
，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲
，
即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分）， 请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~