模糊图像检测-无参考图像的清晰度评价
转载自：https://zhuanlan.zhihu.com/p/97024018，本文只做个人记录学习使用，版权归原作者所有。
需求：在一堆图像中找到模糊图像，背景虚化（景深模式）的照片定义为清晰照片。
传统的图像清晰度评价算法：
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值，基与Tenengrad 梯度函数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，建议使用以下的Sobel算子模板来检测边缘：
python程序实现：
Laplacian 梯度函数
Laplacian 梯度函数与Tenengrad梯度函数基本一致，用Laplacian算子替代Sobel算子即可，该算子定义如下：
因此基于Laplacian 梯度函数的图像星清晰度的定义如下：
其中G(x,y)是像素点(x,y)处Laplacian算子的卷积。
python程序实现：
#Laplacian梯度函数计算
def Laplacian(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''return cv2.Laplacian(img,cv2.CV_64F).var()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：
python程序实现：
#SMD梯度函数计算
def SMD(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(1, shape[0]-1):for y in range(0, shape[1]):out+=math.fabs(int(img[x,y])-int(img[x,y-1]))out+=math.fabs(int(img[x,y]-int(img[x+1,y])))return outSMD2 （灰度方差乘积）函数
灰度差分评价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。在文章《一种快速高灵敏度聚焦评价函数》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：
python程序实现：
#SMD2梯度函数计算
def SMD2(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(0, shape[0]-1):for y in range(0, shape[1]-1):out+=math.fabs(int(img[x,y])-int(img[x+1,y]))*math.fabs(int(img[x,y]-int(img[x,y+1])))return outBrenner 梯度函数
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：
其中：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程序实现：
#brenner梯度函数计算
def brenner(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(0, shape[0]-2):for y in range(0, shape[1]):out+=(int(img[x+2,y])-int(img[x,y]))**2return out方差函数
因为清晰聚焦的图像有着比模糊图像更大的灰度差异，可以将方差函数作为评价函数：
其中：μ为整幅图像的平均灰度值，该函数对噪声比较敏感，图像画面越纯净，函数值越小。
python程序实现：
#方差函数计算
def variance(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''out = 0u = np.mean(img)shape = np.shape(img)for x in range(0,shape[0]):for y in range(0,shape[1]):out+=(img[x,y]-u)**2return out能量梯度函数
能量梯度函数更适合实时评价图像清晰度，该函数定义如下：
python程序实现：
#energy函数计算
def energy(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(0, shape[0]-1):for y in range(0, shape[1]-1):out+=((int(img[x+1,y])-int(img[x,y]))**2)*((int(img[x,y+1]-int(img[x,y])))**2)return outVollath函数
Vollath函数定义如下：
其中：μ为整幅图像的平均灰度值，M和N分别为图像宽和高。
python程序实现：
#Vollath函数计算
def Vollath(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)u = np.mean(img)out = -shape[0]*shape[1]*(u**2)for x in range(0, shape[0]-1):for y in range(0, shape[1]):out+=int(img[x,y])*int(img[x+1,y])return out熵函数
基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标，有信息论可知，一幅图像 f 的信息量是由该图像的信息熵 D(f) 来度量：
其中：Pi 是图像中灰度值为i的像素出现的概率，L为灰度级总数（通常取值256）。根据Shannon信息论，熵最大时信息量最多。将此原理应用到对焦过程，D(f)越大则图像越清晰。熵函数灵敏度不高，依据图像内容不同容易出现与真实情况相反的结果。
python程序实现：
#entropy函数计算
def entropy(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''out = 0count = np.shape(img)[0]*np.shape(img)[1]p = np.bincount(np.array(img).flatten())for i in range(0, len(p)):if p[i]!=0:out-=p[i]*math.log(p[i]/count)/countreturn out以上算法利用python实现，主要基于opencv，numpy, math库 ,以下是完整代码：
import cv2
import numpy as np
import math#brenner梯度函数计算
def brenner(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(0, shape[0]-2):for y in range(0, shape[1]):out+=(int(img[x+2,y])-int(img[x,y]))**2return out#Laplacian梯度函数计算
def Laplacian(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''return cv2.Laplacian(img,cv2.CV_64F).var()#SMD梯度函数计算
def SMD(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(1, shape[0]-1):for y in range(0, shape[1]):out+=math.fabs(int(img[x,y])-int(img[x,y-1]))out+=math.fabs(int(img[x,y]-int(img[x+1,y])))return out#SMD2梯度函数计算
def SMD2(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(0, shape[0]-1):for y in range(0, shape[1]-1):out+=math.fabs(int(img[x,y])-int(img[x+1,y]))*math.fabs(int(img[x,y]-int(img[x,y+1])))return out#方差函数计算
def variance(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''out = 0u = np.mean(img)shape = np.shape(img)for x in range(0,shape[0]):for y in range(0,shape[1]):out+=(img[x,y]-u)**2return out#energy函数计算
def energy(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)out = 0for x in range(0, shape[0]-1):for y in range(0, shape[1]-1):out+=((int(img[x+1,y])-int(img[x,y]))**2)*((int(img[x,y+1]-int(img[x,y])))**2)return out#Vollath函数计算
def Vollath(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''shape = np.shape(img)u = np.mean(img)out = -shape[0]*shape[1]*(u**2)for x in range(0, shape[0]-1):for y in range(0, shape[1]):out+=int(img[x,y])*int(img[x+1,y])return out#entropy函数计算
def entropy(img):''':param img:narray 二维灰度图像:return: float 图像越清晰越大'''out = 0count = np.shape(img)[0]*np.shape(img)[1]p = np.bincount(np.array(img).flatten())for i in range(0, len(p)):if p[i]!=0:out-=p[i]*math.log(p[i]/count)/countreturn outdef main(img1, img2):print('Brenner',brenner(img1),brenner(img2))print('Laplacian',Laplacian(img1),Laplacian(img2))print('SMD',SMD(img1), SMD(img2))print('SMD2',SMD2(img1), SMD2(img2))print('Variance',variance(img1),variance(img2))print('Energy',energy(img1),energy(img2))print('Vollath',Vollath(img1),Vollath(img2))print('Entropy',entropy(img1),entropy(img2))if __name__ == '__main__':#读入原始图像img1 = cv2.imread('./data/MotionL100H0_15.jpg')img2 = cv2.imread('./data/MotionL100H0_13.jpg')#灰度化处理img1 = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)main(img1,img2)c++实现请参考：
无参考图像的清晰度评价方法及c++实现 - 代码先锋网www.codeleading.com
MATLAB实现请参考：
https://blog.csdn.net/kungfu_rabbit/article/details/90243838blog.csdn.net
Reblur 二次模糊
如果一幅图像已经模糊了，那么再对它进行一次模糊处理，高频分量变化不大；但如果原图是清楚的，对它进行一次模糊处理，则高频分量变化会非常大。因此可以通过对待评测图像进行一次高斯模糊处理，得到该图像的退化图像，然后再比较原图像和退化图像相邻像素值的变化情况，根据变化的大小确定清晰度值的高低，计算结果越小表明图像越清晰，反之越模糊。这种思路可称作基于二次模糊的清晰度算法，其算法简化流程如下图：
NRSS 梯度结构相似度
python实现：
#encoding=utf-8
import cv2
import numpy as np
from skimage.measure import compare_ssimdef gauseBlur(img):img_Guassian = cv2.GaussianBlur(img,(7,7),0)return img_Guassiandef loadImage(filepath):img = cv2.imread(filepath, 0) ## 读入灰度图return img
def showImage(img):cv2.imshow('image', img)cv2.waitKey(0)
def saveImage(path, img):cv2.imwrite(path, img)
def sobel(img):x = cv2.Sobel(img, cv2.CV_16S, 1, 0)y = cv2.Sobel(img, cv2.CV_16S, 0, 1)absX = cv2.convertScaleAbs(x) # 转回uint8absY = cv2.convertScaleAbs(y)dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)return dst
def getBlock(G,Gr):(h, w) = G.shapeG_blk_list = []Gr_blk_list = []sp = 6for i in range(sp):for j in range(sp):G_blk = G[int((i / sp) * h):int(((i + 1) / sp) * h), int((j / sp) * w):int(((j + 1) / sp) * w)]Gr_blk = Gr[int((i / sp) * h):int(((i + 1) / sp) * h), int((j / sp) * w):int(((j + 1) / sp) * w)]G_blk_list.append(G_blk)Gr_blk_list.append(Gr_blk)sum = 0for i in range(sp*sp):mssim = compare_ssim(G_blk_list[i], Gr_blk_list[i])sum = mssim + sumnrss = 1-sum/(sp*sp*1.0)print(nrss)
def NRSS(path):image = loadImage(path)#高斯滤波Ir = gauseBlur(image)G = sobel(image)Gr = sobel(Ir)blocksize = 8## 获取块信息getBlock(G, Gr)
if __name__ == "__main__":filepath = "F:\\testpic\\new\\blurtest\\clear\\3.jpg"NRSS(filepath)传统的图像模糊检测主要存在以下缺点：
1.模糊界限难以确定，需要定一个阈值去区分(根据应用场景确定)。
2.众多的算法那个算法更适合，需要去验证。
针对传统算法也有一些机器学习和深度学习的方法去解决：
机器学习方法：
- 使用拉普拉斯滤镜在输入图像中查找边缘
- 计算方差和已过滤图像像素值的最大值
- 高方差（和高最大值）表明边缘清晰可见，即图像清晰。低方差表明图像模糊。
- 基于Laplace的特征的图，我们注意到我们的两类（模糊和非模糊）是线性可分离的，然后利用SVM进行
实现代码：
#计算laplace算子
import numpy as np
from scipy.ndimage import variance
from skimage import io
from skimage.color import rgb2gray
from skimage.filters import laplace
from skimage.transform import resize# Load image
path = f'test_data/0001.jpg'
img = io.imread(path)# Resize image
img = resize(img, (400, 600))# Grayscale image
img = rgb2gray(img)# Edge detection
edge_laplace = laplace(img, ksize=3)# Print output
print(f"Variance: {variance(edge_laplace)}")
print(f"Maximum : {np.amax(edge_laplace)}")
#利用SVM进行分类
import numpy as npfrom sklearn import preprocessing, svm# start with the results from the previous script
sharp_laplaces = [ (variance(edge_laplace_sharp_1), np.amax(edge_laplace_sharp_1)), ... ]
blurry_laplaces = [ (variance(edge_laplace_blurry_1), np.amax(edge_laplace_blurry_1)), ... ]# set class labels (non-blurry / blurry) and prepare features
y = np.concatenate((np.ones((25, )), np.zeros((25, ))), axis=0)
laplaces = np.concatenate((np.array(sharp_laplaces), np.array(blurry_laplaces)), axis=0)# scale features
laplaces = preprocessing.scale(laplaces)# train the classifier (support vector machine)
clf = svm.SVC(kernel='linear', C=100000)
clf.fit(laplaces, y)# print parameters
print(f'Weights: {clf.coef_[0]}')
print(f'Intercept: {clf.intercept_}')# make sample predictions
clf.predict([[0.00040431, 0.1602369]]) # result: 0 (blurred)
clf.predict([[0.00530690, 0.7531759]]) # result: 1 (sharp)深度学习方法：
针对模糊非模糊进行简单的二分类
数据集：
CERTH Image Blur Dataset - MKLabmklab.iti.gr
方法参考：
priyabagaria/Image-Blur-Detectiongithub.com
模糊区域检测，利用奇异值分解（SVD）：
https://github.com/fled/blur_detectiongithub.com
参考：
[1].https://blog.csdn.net/Real_Myth/article/details/50827940
[2].https://medium.com/snapaddy-tech-blog/mobile-image-blur-detection-with-machine-learning-c0b703eab7de
[3].https://github.com/Leezhen2014/python--/blob/master/BlurDetection.py
发布于 2019-12-13
模糊图像检测-无参考图像的清晰度评价相关推荐
- 无参考图像的清晰度评价方法 (图像清晰度的评价指标)
无参考图像的清晰度评价方法 from: http://nkwavelet.blog.163.com/blog/static/227756038201461532247117 在无参考图像的质量评价中, ...
- 无参考图像的清晰度评价方法
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 ...
- 【CV系列】无参考图像的清晰度评价方法，附NRSS的matlab实现
Date: 2018/3/11 参考:https://blog.csdn.net/real_myth/article/details/50827940 https://blog.csdn.net/wx ...
- 无参考图像的质量评价
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 ...
- 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 ...
- 无参考图像评价指标NIQE——自然图像质量
无参考图像评价指标NIQE--自然图像质量评价器 NIQE(Natural Image Quality Evaluator) 为何引入NIQE NIQE的背景 NIQE算法的具体过程 代码实现 NIQ ...
- 无参考图像单张视频图像噪声检测C++ opencv
参考博客:https://blog.csdn.net/watermelon1123/article/details/78093724 该博客介绍了两种无参考空间域图像噪点检测方法,并且给出两种算法的原 ...
- matlab无参考图像质量评价,无参考屏幕内容图像质量评价
1 引言 1.1 研究背景及意义 随着计算机和移动互联网技术的快速发展, 多屏互动[.视频游戏[.远程教育等多客户端通信系统也得到了飞速的发展.在这类系统中, 各类终端之间可以相互通信, 以实现屏幕内 ...
- 图像处理：图像清晰度评价
目录 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 ...
最新文章
- 数据结构 算法与应用C 语言描述第六章,数据结构算法与应用-C语言描述002.pdf
- Mysql-InnoDB 锁学习
- 算法-------寻找旋转排序数组中的最小值
- Linux文件IO深入剖析
- 成功解决Future Warning: The sklearn.neighbors.dist_metrics module is deprecated in version 0.22 and wil
- python range函数怎么表示无限_Python for循环与range函数的使用详解
- async中series的实现 javascript构件
- linux 下的csp 模块,linux kernel 中MIGRATE_TYPES的理解
- python websocket异步高并发_python – WebSocket聊天异步示例崩溃
- navicat 连接mysql is not allowed to connect to this mysql server
- sed 多行替换，多行模式处理字符串；一次替换
- Access2016学习2
- Java项目：SSM高校教职工差旅报销管理系统
- 通俗解释什么是NFT，NFT到底是什么
- 离线强化学习(Offline RL)系列1：离线强化学习原理入门
- 缓解过拟合(overfitting)的方法
- 011 dilate（膨胀）、erode（腐蚀）
- 刘同-《谁的青春不迷茫》
- 【C++】CGAL学习笔记
- 斐讯k3搭建nginx+php+MariaDB(mysql )的教程