关键字：blur detection

Function:图像的清晰度检测英文表达为 image blue detection; 以此为关键字可以找到很多有关清晰度检测的demo和算法。

图像的清晰度检测方法主要分为两种情况：

一种是根据已有的图像，来判断现在的图像是否模糊；

另一种是在无参考图像的情况下，判断图像是否模糊；

我们目前解决的问题属于 无参考图像的质量评价

根据参考文献[8,9]可以得知在无参考图像下的，比较好的方法有：Brenner梯度函数、Tenengrad梯度函数、Laplacian梯度函数等；相关代码实现在github

实验环境

Python3

OpenCV3.2

Window 10

算法描述

注意：在实际的操作中，还需要对图片进行预处理操作(检测出人脸区域、设置相同大小的图片、图片灰度化等等)

只有这样才不会受到图像大小以及除去人脸以外的因素的影响。

在此假设人脸区域已经识别

本文初步对以上几种方法进行了实现。

(1)拉普拉斯算子

这个方法最简便，根据参考文献[3]可以，opencv中提供了对laplace的封装方法，直接调用即可，得到拉普拉斯算子边缘检测的图片：

deflapulase(dir,name):""":param dir: 操作目录

:param name: 操作的文件名称

:return: 分数"""filePath=dir+name # img =filePath#Laplace梯度法

frame =cv2.imread(img)#cv2.imshow("原始图", frame);

resImg= cv2.resize(frame, (800, 900),interpolation=cv2.INTER_CUBIC)

img2gray= cv2.cvtColor(resImg, cv2.COLOR_BGR2GRAY) #将图片压缩为单通道的灰度图

#img_resize = cv2.resize(img2gray, (112, 112)) # 为方便与其他图片比较可以将图片resize到同一个大小

res =cv2.Laplacian(img2gray, cv2.CV_64F)

score=res.var()

font=cv2.FONT_HERSHEY_SIMPLEX

fontSize=5

#照片 添加的文字 /左上角坐标 字体 字体大小 颜色 字体粗细

cv2.putText(resImg, str(score), (0, 200), font, fontSize, (0, 255, 0),6)

newDir=dir+"/_Laplace_/"

if notos.path.exists(newDir):

os.makedirs(newDir)

newName=newDir+name

cv2.imwrite(newName, resImg)

cv2.imshow('image', resImg)

cv2.waitKey(0)#print("Laplacian score of given image is ", score)

#cv2.imshow(r"gray效果图", img2gray);

#cv2.imshow(r"laplace效果图", resImg);

return score

(2)Brenner 检测

Brenner梯度函数最简单的梯度评价函数指标，他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：

其中f(x,y)f(x,y)表示图像ff所对应的像素点(x,y)(x,y)的灰度值，D(f)D(f)为图像清晰度计算的结果。

代码实现：

###########################################

defImageToMatrix(dir,name):#读取图片

im = Image.open(dir+name)#显示图片

#im.show()

width,height =im.size

im= im.convert("L")

data=im.getdata()

data= np.matrix(data,dtype='float')/255.0new_data=np.reshape(data,(height,width))returnnew_datadefBrenner(img):

x, y=img.shape

D=0for i in range(x-2):for j in range(y-2):

D+= (img[i+2, j] - img[i, j])**2

returnDdefTestBrener():

dir= "D:/document/ZKBH/bug/face/"imgList=getAllImg(dir)for i inrange(len(imgList)):

frame=ImageToMatrix(dir , imgList[i])

score=Brenner(frame)print(str(imgList[i]) + "is" +str(score))###########################################

defImageToMatrix(dir,name):#读取图片

im = Image.open(dir+name)#显示图片

#im.show()

width,height =im.size

im= im.convert("L")

data=im.getdata()

data= np.matrix(data,dtype='float')/255.0new_data=np.reshape(data,(height,width))returnnew_datadefBrenner(img):

x, y=img.shape

D=0for i in range(x-2):for j in range(y-2):

D+= (img[i+2, j] - img[i, j])**2

returnDdefTestBrener():

dir= "D:/document/ZKBH/bug/face/"imgList=getAllImg(dir)for i inrange(len(imgList)):

frame=ImageToMatrix(dir , imgList[i])

score=Brenner(frame)print(str(imgList[i]) + "is" +str(score))################################

(3)Tenengrad梯度函数

Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度，基于Tenengrad的图像清晰度定义如下：

G(x，y)的形式如下：

其中，T是给定的边缘检测阈值，Gx和Gy分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积。(参见参考文档[12,17])其余的方式都是一个这种类似的方式计算的额，

还有很多其他的模糊检测方法，再此不再一一赘述，详情参见GitHub。

参考文献

===========以下还没有仔细看===========