0、实现效果

1、概述

2、模糊度分类

1、运动模糊

2、压缩模糊

3、高斯模糊

3、清晰度量化指标

Brenner

能量梯度函数(Energy of Gradient)

编辑

Roberts

Laplace

SMD（灰度方差）函数

SMD2 （灰度方差乘积）函数

4、图像清晰度评价实现

5、总结与评价

参考资料：

0、实现效果

能够通过一张标准图，对同一组相机拍摄的照片进行清晰度评价。

1、概述

图像清晰度是用来指导调焦机构找到正焦位置的评价函数。理想的清晰度评价曲线类似于泊松分布，请看下图：

p点对应于正焦位置，P1 和P2 为正焦位置焦前和焦后采集到图像的清晰度评价结果。

正焦的图像比模糊的离焦图像边缘要更加的锐利清晰，相应的边缘像素灰度值变化大，因而会有更大的梯度值，从数学的角度来看图像，它是二维的离散矩阵，利用梯度函数可获取图像的灰度信息，来判别图像的清晰度，在离散信中梯度表现为差分形式。

2、模糊度分类

1、运动模糊

运动模糊是在捕获图像时，快门在打开时间内成像系统和拍摄对象的短暂相对运动，造成成像在某个方向上形成的模糊。

2、压缩模糊

压缩模糊是图像在进行有损压缩丢失部分信息。

3、高斯模糊

高斯模糊是人为引入的一种模糊，使用高斯低通滤波器对原始图像进行滤波得到的。

3、清晰度量化指标

Brenner

Brenner梯度函数是最简单的梯度评价函数，它只是简单的计算相邻两个像素灰度差的平方，该函数定义如下：
$D(f)=\sum_{y} \sum_{x}\left | f(x+2,y)-f(x,y)\right |^{2}$

f(x,y) 表示图像f对应像素点(x,y)的灰度值，D(f)为图像清晰度计算结果。

python实现：

def brenner(img):''':param img:narray 二维灰度图像:return: int 图像越清晰越大'''shapes = np.shape(img)output = 0for x in range(0, shapes[0]-2):for y in range(0, shapes[1]):output+=(int(img[x+2,y])-int(img[x,y]))**2return output

能量梯度函数(Energy of Gradient)

将 x 方向和 y 方向的相邻像素的灰度值之差的平方和作为每个像素点的梯度值，对所有像素梯度值累加作为清晰度评价函数值，表达式如下所示：

$D(f)=\sum_{x} \sum_{y}\left \{[f(x+1,y)-f(x,y)]^{2}+[f(x,y+1)-f(x,y)]^{2}\right \}$

python实现：

def EOG(img):''':param img:narray 二维灰度图像:return: int 图像越清晰越大'''shapes = np.shape(img)output = 0for x in range(0, shapes[0]-1):for y in range(0, shapes[1]-1):output+=((int(img[x+1,y])-int(img[x,y]))**2+(int(img[x,y+1])-int(img[x,y]))**2)return output

Roberts

Roberts函数与能量梯度函数相似，它是利用对角方向像素点灰度值之差。将4个相邻像素点的灰度值交叉相减的平方和作为每个像素点的梯度值，对所有像素梯度值累加作为清晰度评价函数值，表达式如下式所示：

$D(f)=\sum_{x} \sum_{y}\left \{[f(x+1,y+1)-f(x,y)]^{2}+[f(x+1,y)-f(x,y+1)]^{2}\right \}$

python实现：

def Roberts(img):''':param img:narray 二维灰度图像:return: int 图像越清晰越大'''shapes = np.shape(img)output = 0for x in range(0, shapes[0]-1):for y in range(0, shapes[1]-1):output+=((int(img[x+1,y+1])-int(img[x,y]))**2+(int(img[x+1,y])-int(img[x,y+1]))**2)return output

Laplace

采用Laplace算子与图像各个像素点的灰度值进行卷积得到一个梯度矩阵记为 $G(x,y)$ ，取各像素点梯度的平方和作为评价函数，如下式所示：

$D(f)=\sum_{x} \sum_{y}\textit{G}^{2}(x,y)$

$\textit{G}(x,y)=f(x,y)\otimes L$

$L=\begin{bmatrix} 0& 1 & 1\\ 1 & -4&1 \\ 0 & 1& 0 \end{bmatrix}$

python实现：

def Laplacian(img):''':param img:narray 二维灰度图像:return: int 图像越清晰越大'''return cv2.Laplacian(img,cv2.CV_64F).var()

由于之前推导过，你可以查看此文，这是我以前所写的一篇博客:(2条消息) 图像处理：边缘检测原理_夏天是冰红茶的博客-CSDN博客

SMD（灰度方差）函数

当完全聚焦时，图像最清晰，图像中的高频分量也最多，故可将灰度变化作为聚焦评价的依据，灰度方差法的公式如下：

$D(f)=\sum_{y} \sum_{x}(\left |f(x,y)-f(x,y-1) \right |+\left |f(x+1,y)-f(x,y) \right |)$

python实现：

def SMD(img):''':param img:narray 二维灰度图像:return: int 图像越清晰越大'''shape = np.shape(img)output = 0for x in range(1, shape[0]-1):for y in range(0, shape[1]):output+=math.fabs(int(img[x,y])-int(img[x,y-1]))output+=math.fabs(int(img[x,y]-int(img[x+1,y])))return output

SMD2 （灰度方差乘积）函数

SDM函数具有较好的计算性能，但其缺点也很明显，即在焦点附近灵敏度不高，即该函数在极值点附近过于平坦，从而导致聚焦精度难以提高。在《一种快速高灵敏度聚焦评价函数》中李郁峰等人在论文中提出了一种新的评价函数，称之为灰度方差乘积法，即对每一个像素领域两个灰度差相乘后再逐个像素累加，该函数定义如下：

$D(f)=\sum_{y} \sum_{x}(\left |f(x,y)-f(x+1,y) \right |*\left |f(x,y)-f(x,y+1) \right |)$

python实现：

def SMD2(img):''':param img:narray 二维灰度图像:return: int 图像约清晰越大'''shape = np.shape(img)output = 0for x in range(0, shape[0]-1):for y in range(0, shape[1]-1):output+=math.fabs(int(img[x,y])-int(img[x+1,y]))*math.fabs(int(img[x,y]-int(img[x,y+1])))return output

4、图像清晰度评价实现

SWD2:

import cv2
import pyps.pyzjr.definition as din
import pyps.pyzjr.utility as ultimage=ult.read_resize_image("./compare/8881.jpg",space=True)
img = din.SMD2(image)
print(img)cv2.putText(image, f"definition:{img:.2f}", (10, 30),cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 3)
cv2.imshow("definition_Image", image)cv2.waitKey(0)

Brenner:

Laplacian:

5、总结与评价

很遗憾，本次的清晰度评价失败了，如果想要得到一个边界值几乎不可能实现，哪怕通过大量图像数据（模糊图像与清晰图像）也不能完成，因为这些清晰度量化指标函数都是通过求图像像素的梯度，换汤不换药，在不同场景不同模糊的条件下很难去进行比对。

参考资料：

图像清晰度评价函数 - 知乎 (zhihu.com)

模糊图像检测-无参考图像的清晰度评价 - 知乎 (zhihu.com)

(2条消息) 无参考图像的清晰度评价方法_凌风探梅的博客-CSDN博客

(2条消息) 图像处理：边缘检测原理_夏天是冰红茶的博客-CSDN博客

(2条消息) 11种图像清晰度评价函数附MATLAB代码_姜饼8的博客-CSDN博客_能量梯度函数

图像处理评价指标之模糊度、清晰度（待更新） - 知乎 (zhihu.com)

一种快速高灵敏度聚焦评价函数 - 中国知网 (cnki.net)

图像处理：图像清晰度评价相关推荐

基于强边缘有效性统计的图像清晰度评价
摘要图像清晰度评价是图像质量评价中的一个重要组成部分,对于自动对焦.图像压缩.视频封面提取等应用具有重要意义.目前图像清晰度评价可分为有参考图像清晰度评价和无参考图像清晰度评价[1]. 对于无参考清 ...
相机自动对焦 OpenCV 图像清晰度评价
原文:https://blog.csdn.net/dcrmg/article/details/53543341 OpenCV 图像清晰度评价(相机自动对焦) 版权声明:本文为博主原创文章,转载请注明出 ...
opencv系列-图像清晰度评价
opencv系列-图像清晰度评价 1,换了opencv3.4,用来测试 2,opencv好评呀图像清晰度评价算法有很多种,在空域中,主要思路是考察图像的领域对比度,即相邻像素间的灰度特征的梯度差:在 ...
OpenCV 图像清晰度评价算法（相机自动对焦）
相机的自动对焦要求相机根据拍摄环境和场景的变化,通过相机内部的微型驱动马达,自动调节相机镜头和CCD之间的距离,保证像平面正好投影到CCD的成像表面上.这时候物体的成像比较清晰,图像细节信息丰富. 相 ...
OpenCV 图像清晰度评价（相机自动对焦）
最近想实现相机自动对焦,也就是需要图像清晰度评价,在网上查找. 第一个不错文章是:无参考图像的清晰度评价方法 http://nkwavelet.blog.163.com/blog/static/227 ...
opencv java图片清晰度_OpenCV 图像清晰度评价（相机自动对焦）
相机的自动对焦要求相机根据拍摄环境和场景的变化,通过相机内部的微型驱动马达,自动调节相机镜头和CCD之间的距离,保证像平面正好投影到CCD的成像表面上.这时候物体的成像比较清晰,图像细节信息丰富. 相 ...
图像清晰度评价15种方法对比
在无参考图像的质量评价中,图像的清晰度是衡量图像质量优劣的重要指标,它能够较好的与人的主观感受相对应,图像的清晰度不高表现出图像的模糊.本文针对无参考图像质量评价应用,对目前几种较为常用的.具有代表性 ...
图像清晰度评价（C#）
** 图像清晰度评价(C#) ** 在空域中,图像领域对比度即为相邻像素间的灰度特征的像素差.在频域中,图像频域分量,对焦清晰的图像高频分量多,对焦模糊的图像低频分量多. 图像清晰评价通常使用三种算法 ...
无参考图像清晰度评价
转自: http://nkwavelet.blog.163.com/blog/static/227756038201461532247117 在无参考图像的质量评价中,图像的清晰度是衡量图像质量优劣的 ...

图像处理：图像清晰度评价

0、实现效果

1、概述

2、模糊度分类

1、运动模糊

2、压缩模糊

3、高斯模糊

3、清晰度量化指标

Brenner

能量梯度函数(Energy of Gradient)

$D(f)=\sum_{x} \sum_{y}\left \{[f(x+1,y)-f(x,y)]^{2}+[f(x,y+1)-f(x,y)]^{2}\right \}$

Roberts

Laplace

SMD（灰度方差）函数

SMD2 （灰度方差乘积）函数

4、图像清晰度评价实现

5、总结与评价

参考资料：

图像处理：图像清晰度评价相关推荐

最新文章

热门文章