Python 作圖片清晰度識別

在一般狀況下，圖片是否清晰是個感性認識，同一個圖，有可能你以爲還過得去，而別人會以爲不清晰，缺少一個統一的標準。然而有一些算法能夠去量化圖片的清晰度，作到有章可循。

原理

若是以前瞭解過信號處理，就會知道最直接的方法是計算圖片的快速傅里葉變換，而後查看高低頻分佈。若是圖片有少許的高頻成分，那麼該圖片就能夠被認爲是模糊的。然而，區分高頻量多少的具體閾值倒是十分困難的，不恰當的閾值將會致使極差的結果。

咱們指望的是一個單一的浮點數就能夠表示圖片的清晰度。 Pech-Pacheco 在 2000 年模式識別國際會議提出將圖片中某一通道（通常用灰度值）經過拉普拉斯掩模作卷積運算，而後計算標準差，出來的值就能夠表明圖片清晰度。

這種方法湊效的緣由就在於拉普拉斯算子定義自己。它被用來測量圖片的二階導數，突出圖片中強度快速變化的區域，和 Sobel 以及 Scharr 算子十分類似。而且，和以上算子同樣，拉普拉斯算子也常常用於邊緣檢測。此外，此算法基於如下假設：若是圖片具備較高方差，那麼它就有較廣的頻響範圍，表明着正常，聚焦準確的圖片。可是若是圖片具備有較小方差，那麼它就有較窄的頻響範圍，意味着圖片中的邊緣數量不多。正如咱們所知道的，圖片越模糊，其邊緣就越少。

有了表明清晰度的值，剩下的工做就是設定相應的閥值，若是某圖片方差低於預先定義的閾值，那麼該圖片就能夠被認爲是模糊的，高於閾值，就不是模糊的。

實操

原理看起來比較複雜，涉及到不少信號啊圖片處理的相關知識，下面咱們來實操一下，直觀感覺下。

因爲人生苦短，以及我我的是朋友圈第一 Python 吹子，我選擇使用 Python 來實現，核心代碼簡單到使人髮指：

import cv2

def getImageVar(imgPath):
	image = cv2.imread(imgPath);
	img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
	imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var()

	return imageVar
複製代碼

真是人生苦短啊，核心代碼就三行，簡單解釋下。

import cv2 使用了一個著名的圖像處理庫 OpenCV，關於 OpenCV 的安裝這裏很少贅述，須要注意的是它依賴 numpy。

image = cv2.imread(imgPath) 使用 OpenCV 提供的方法讀取圖片。 img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 轉化爲灰度圖。以下圖：

原圖是這樣的：

cv2.Laplacian(img2gray, cv2.CV_64F) 對圖片用 3x3 拉普拉斯算子作卷積，這裏的 cv2.CV_64F 就是拉普拉斯算子。

原理部分說過，拉普拉斯算子常常用於邊緣檢測，因此這裏通過拉普拉斯算子以後，留下的都是檢測到的邊緣。上圖通過這步處理以後是這樣的：

能夠看到這裏圖片人物大體仍是比較清晰的。

cv2.Laplacian(img2gray, cv2.CV_64F).var() 計算出方差，並最後返回。

上面那張圖按這個計算出來時 3170 多，這個就是最後咱們用來判斷清晰度的值。

能夠再找一張看看：

原圖：

作灰度和通過拉普拉斯算子以後，能夠看到人物部分已經不是很清晰了。

最後算出來的方差只有 530

剩下的工做就是根據總體圖片質量肯定閥值了。

侷限性

經過上面的實操，咱們知道這個算法的技巧在於設置合適的閥值，閾值過低會致使正常圖片被誤斷爲模糊圖片，閾值過高會致使模糊圖片被誤判爲正常圖片。閥值依賴於你實際應用的業務場景，須要根據使用場景的不一樣作不一樣的定製。

真正的銀彈並不存在。除了須要定個閥值外，有些圖片可能會故意作個背景模糊或者背景虛化，這種圖片很容易被誤殺。

好比：

計算出來是這樣的，後面一大片都是黑的。

這個圖前景其實看着還行，可是背景有大片的虛化和模糊，這種狀況下比較容易被誤殺。

因此最好仍是在瞭解原理以後，根據實際場景來使用。

---

最後寫了個簡單的腳本，對傳入的圖片路徑的圖片進行計算，而後返回一個 json 字符串。

用法 python getRank.py --imgs=./1.jpg,./2.jpg

源碼：github.com/bob-chen/de…

碎碎念

記錄一些所思所想，寫寫科技與人文，寫寫生活狀態，寫寫讀書心得，主要是扯淡和感悟。 歡迎關注，交流。

微信公衆號：程序員的詩和遠方

公衆號ID : MonkeyCoder-Life