基于改进SSIM算法的图像清晰度识别

转载：　https://www.heywhale.com/mw/project/5f2f9ac4af3980002cb4cb87
SSIM（structural similarity）　是一种用来衡量图片相似度的指标，也可用来判断图片压缩后的质量。
SSIM由亮度对比、对比度对比、结构对比三部分组成。

在改进SSIM中，作者使用信息熵的方法来对清晰度进行计算。该算法的流程为：
（1）在ssim Function函数中先对图片进行高斯处理，然后分别对原图和高斯模糊后图片进行sobel边缘提取。
（2）计算每一小块的SSIM和信息熵大小。
（3）通过对一个图像中裁剪的所有小块，按照信息熵进行片排名，然后取Top（这里取top=10）SSIM做均值。最后 1-均值即为清晰度得分。

1. SSIM算法流程

算法流程的代码如下所示：

import numpy as np
import math
import cv2
import urllib
import matplotlib.pyplot as pltdef img_ssimRecog(img, len_s = 11):"""图片处理:param img:  图片:param  len_s: 图片每个小块尺寸:return:"""X_org, Y_org = img.shaperes_list = []for i in range(0, int(X_org), int(X_org / len_s)+3):for j in range(0, int(Y_org), int(Y_org / len_s)+3):res_list.append(ssimFunction(img[i:i + len_s, j:j + len_s]))res_list = np.array(res_list)res_list_sort = res_list[np.lexsort(-res_list.T)]res_list = res_list_sort[:, :1]res = np.mean(res_list[:10])if res < 0.0:res = 0.0return 1 - res

2. SSIM算法实现

通过图像的均值、方差等计算SSIM函数。算法函数如下：

均值、方差计算函数如下：

亮度函数如下：

对比度函数如下：

结构函数如下：

SSIM算法函数：

def ssimFunction(img):"""ssim 算法:param img:  图片:return:"""x, y = img.shaperesEntropy = entropyFunc(img)TR = cv2.GaussianBlur(img, (5,5),3)G = cv2.Sobel(img,cv2.CV_16S,2,2)/5Gr = cv2.Sobel(TR,cv2.CV_16S,2,2)/5Ux = np.mean(G)Uy = np.mean(Gr)Vx = np.var(G)Vy = np.var(Gr)Vxy = (1 / (x * y - 1)) * np.sum((G - Ux) * (Gr - Uy))R = 255K1 = 0.03K2 = 0.01c1 = (K1 * R) ** 2c2 = (K2 * R) ** 2# -SSIMA1 = 2 * Ux * Uy + c1A2 = 2 * Vxy + c2B1 = Ux ** 2 + Uy ** 2 + c1B2 = Vx  + Vy  + c2SSIM = (A1 * A2) / (B1 * B2)return SSIM, resEntropy

3. 信息熵函数

代码如下：

def entropyFunc(img):"""熵函数:param img:  图片:return:"""res = 0tmp = [0] * 256img_list = []for i in range(len(img)):img_list.extend(map(int, img[i]))img_list_set = set(img_list)for i in img_list_set:tmp[i] = float(img_list.count(i))/ 256for i in range(len(tmp)):if (tmp[i] == 0):res = reselse:res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0)))return res

4. 图像测试流程

对图像进行改进SSIM算法的测试，分为三步骤：
step1：先将图片预处理裁剪
裁剪图片视情况而定，主要结合业务需求将图片的大小裁剪成相同的尺寸，便于比较，因为我处理的大部分是新闻图片，因此将图片裁剪成512400,并将彩色图片处理灰度化；
step2: 对图像进行分块处理
首先对图片进行分块处理，视情况而定，这里将整个图片均匀分为9块大小，每块为1111的大小，对每块图片采用ssimFunction函数处理，计算SSIM，与传统的ssim不同的是，我增加了一步利用函数entropyFunc计算信息熵的过程。
step3: 图像清晰度测试

step1、2 图像尺寸标准化处理:

def imgPreHandle(img,img_witdth,img_height,resize_width=512,resize_height=480):"""将图片缩放到同样的尺寸:param img:  图片:param img_witdth:    图片的宽度:param img_height:    图片的宽度高度:param resize_width:  图片裁剪的宽度:param resize_height   图片裁剪的高度:return:"""# x = img_witdth# y = img_heightx,y,z = img.shapenew_pic = imgif ((x>=resize_height) & (y>=resize_width))|((x<resize_height) & (y<resize_width)):new_pic = imgelif (x<resize_height) & (y>=resize_width) :new_pic = img[:, int((y/2)-(resize_width/2)):int((y/2) + (resize_width/2))]elif (x>=resize_height) & (y<resize_width):new_pic = img[int((x/2)-(resize_height/2)):int((x/2) + (resize_height/2)), :]elif (x >= resize_height) & (y < resize_width):new_pic = img[int((x / 2) - (resize_height / 2)):int((x / 2) + (resize_height / 2)), :]new_picture = cv2.resize(new_pic, (resize_height, resize_width))if len(new_picture.shape) == 3:gray = cv2.cvtColor(new_picture, cv2.COLOR_BGR2GRAY)else:gray = new_picturereturn gray

step3 主函数，对输入图像进行清晰度测试：

if __name__ == "__main__":img_path = r"./test/d.jpg"#img = cv2.imread(img_path)img = cv2.imdecode(np.fromfile(img_path, dtype=np.uint8),-1)w, h, _ = img.shape#gray = imgPreHandle(img, w, h)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)plt.figure(figsize=(20, 10))plt.subplot(1, 2, 1)plt.imshow(gray,cmap='Greys')# add similarty score of the imagestart = time.time()score = img_ssimRecog(gray, len_s = 11)print('end:',time.time()-start) text = str(round(score,3))src = gray.copy()plt.subplot(1, 2, 2)cv2.putText(src, text, (10, 50), cv2.FONT_HERSHEY_COMPLEX, 1, (10, 10, 10), 1)plt.imshow(src,cmap='Greys')plt.show()print('Score : {}'.format(score))

5. 测试结果

注： 130x110大小图像，win10下约50ms/次。

总结

从结果看来，对于模糊检测有一定效果，结合具体场景可自行调节图像大小和图像切片大小，具体阈值根据实际应用进行测试获取。