Python圖像處理之圖像清晰度評價

更新時間：2022年12月05日 10:57:40 作者：夏天是冰紅茶

圖像清晰度評價，顧名思義就是能夠通過一張標(biāo)準(zhǔn)圖，對同一組相機(jī)拍攝的照片進(jìn)行清晰度評價。本文將利用Python實現(xiàn)這一效果，需要的可以參考一下

0、實現(xiàn)效果

能夠通過一張標(biāo)準(zhǔn)圖，對同一組相機(jī)拍攝的照片進(jìn)行清晰度評價。

1、概述

圖像清晰度是用來指導(dǎo)調(diào)焦機(jī)構(gòu)找到正焦位置的評價函數(shù)。理想的清晰度評價曲線類似于泊松分布，請看下圖：

p點對應(yīng)于正焦位置，P1 和P2 為正焦位置焦前和焦后采集到圖像的清晰度評價結(jié)果。

正焦的圖像比模糊的離焦圖像邊緣要更加的銳利清晰，相應(yīng)的邊緣像素灰度值變化大，因而會有更大的梯度值，從數(shù)學(xué)的角度來看圖像，它是二維的離散矩陣，利用梯度函數(shù)可獲取圖像的灰度信息，來判別圖像的清晰度，在離散信中梯度表現(xiàn)為差分形式。

2、模糊度分類

1、運動模糊

運動模糊是在捕獲圖像時，快門在打開時間內(nèi)成像系統(tǒng)和拍攝對象的短暫相對運動，造成成像在某個方向上形成的模糊。

2、壓縮模糊

壓縮模糊是圖像在進(jìn)行有損壓縮丟失部分信息。

3、高斯模糊

高斯模糊是人為引入的一種模糊，使用高斯低通濾波器對原始圖像進(jìn)行濾波得到的。

3、清晰度量化指標(biāo)

Brenner

Brenner梯度函數(shù)是最簡單的梯度評價函數(shù)，它只是簡單的計算相鄰兩個像素灰度差的平方，該函數(shù)定義如下：

f(x,y) 表示圖像f對應(yīng)像素點(x,y)的灰度值，D(f)為圖像清晰度計算結(jié)果。

python實現(xiàn)：

def brenner(img):
    '''
    :param img:narray 二維灰度圖像
    :return: int 圖像越清晰越大
    '''
    shapes = np.shape(img)
    output = 0
    for x in range(0, shapes[0]-2):
        for y in range(0, shapes[1]):
            output+=(int(img[x+2,y])-int(img[x,y]))**2
    return output

能量梯度函數(shù)(Energy of Gradient)

將 x 方向和 y 方向的相鄰像素的灰度值之差的平方和作為每個像素點的梯度值，對所有像素梯度值累加作為清晰度評價函數(shù)值，表達(dá)式如下所示：

python實現(xiàn)：

def EOG(img):
    '''
    :param img:narray 二維灰度圖像
    :return: int 圖像越清晰越大
    '''
    shapes = np.shape(img)
    output = 0
    for 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函數(shù)與能量梯度函數(shù)相似，它是利用對角方向像素點灰度值之差。將4個相鄰像素點的灰度值交叉相減的平方和作為每個像素點的梯度值，對所有像素梯度值累加作為清晰度評價函數(shù)值，表達(dá)式如下式所示：

python實現(xiàn)：

def Roberts(img):
    '''
    :param img:narray 二維灰度圖像
    :return: int 圖像越清晰越大
    '''
    shapes = np.shape(img)
    output = 0
    for 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算子與圖像各個像素點的灰度值進(jìn)行卷積得到一個梯度矩陣記為，取各像素點梯度的平方和作為評價函數(shù)，如下式所示：

python實現(xiàn)：

def Laplacian(img):
    '''
    :param img:narray 二維灰度圖像
    :return: int 圖像越清晰越大
    '''
    return cv2.Laplacian(img,cv2.CV_64F).var()

由于之前推導(dǎo)過，你可以查看此文，這是我以前所寫的一篇博客:圖像處理：邊緣檢測原理

SMD（灰度方差）函數(shù)

當(dāng)完全聚焦時，圖像最清晰，圖像中的高頻分量也最多，故可將灰度變化作為聚焦評價的依據(jù)，灰度方差法的公式如下：

python實現(xiàn)：

def SMD(img):
    '''
    :param img:narray 二維灰度圖像
    :return: int 圖像越清晰越大
    '''
    shape = np.shape(img)
    output = 0
    for 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 （灰度方差乘積）函數(shù)

SDM函數(shù)具有較好的計算性能，但其缺點也很明顯，即在焦點附近靈敏度不高，即該函數(shù)在極值點附近過于平坦，從而導(dǎo)致聚焦精度難以提高。在《一種快速高靈敏度聚焦評價函數(shù)》中李郁峰等人在論文中提出了一種新的評價函數(shù)，稱之為灰度方差乘積法，即對每一個像素領(lǐng)域兩個灰度差相乘后再逐個像素累加，該函數(shù)定義如下：

python實現(xiàn)：

def SMD2(img):
    '''
    :param img:narray 二維灰度圖像
    :return: int 圖像約清晰越大
    '''
    shape = np.shape(img)
    output = 0
    for 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、圖像清晰度評價實現(xiàn)

SWD2:

import cv2
import pyps.pyzjr.definition as din
import pyps.pyzjr.utility as ult
 
 
image=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)