图像的模糊检测方法

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

试验环境

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：

def lapulase(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 not os.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：

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

def ImageToMatrix(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')/255.0

    new_data = np.reshape(data,(height,width))
    return new_data

def Brenner(img):
    x, y = img.shape
    D = 0
    for i in range(x-2):
        for j in range(y-2):
            D += (img[i+2, j] - img[i, j])**2
    return D

def TestBrener():
    dir = "D:/document/ZKBH/bug/face/"
    imgList = getAllImg(dir)

    for i in range(len(imgList)):
        frame = ImageToMatrix(dir , imgList[i])
        score = Brenner(frame)
        print(str(imgList[i]) + " is " + str(score))





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

def ImageToMatrix(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')/255.0

    new_data = np.reshape(data,(height,width))
    return new_data

def Brenner(img):
    x, y = img.shape
    D = 0
    for i in range(x-2):
        for j in range(y-2):
            D += (img[i+2, j] - img[i, j])**2
    return D

def TestBrener():
    dir = "D:/document/ZKBH/bug/face/"
    imgList = getAllImg(dir)

    for i in range(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，再次不再赘述，。

参考文献

1.

2.

3. （）（***）

4. （****）

5.

6. （****）

7.

8.

9.

10.

11.

12. （****）

13.

14.

15.

16. ？

17. )

18.

19.

20.

===========以下还没有仔细看===========

21.

22.

23.

24. ?(***)

25.

26.

27.

28.

29.

30.