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.