有没有办法检测图像是否模糊?


Answers:


133

是的。计算快速傅立叶变换并分析结果。傅立叶变换会告诉您图像中存在哪些频率。如果高频量少,则图像模糊。

定义术语“低”和“高”取决于您。

编辑

正如评论所说,如果你想表示一个浮点blurryness给定的图像,你必须制定出一个合适的度量。

nikie的答案提供了这样一个指标。将图像与拉普拉斯内核进行卷积:

   1
1 -4  1
   1

并在输出上使用可靠的最大度量,以获取可用于阈值化的数字。在计算拉普拉斯算子之前,请尝试避免对图像进行过多的平滑处理,因为您只会发现经过平滑处理的图像确实是模糊的:-)。


9
唯一的问题“低”和“高”也取决于场景。+1
肯尼

4
除非您的图像是周期性的,否则通常会在图像的边界处出现尖锐的边缘,从而导致非常高的频率
Niki

2
您通常会虚拟扩展图像以避免这种效果。您还可以使用小窗口来计算本地fft。
西蒙·贝格

6
只有非常重要的一点是,您必须(至少大致地)知道预期的预模糊图像(频率)内容是什么。这是正确的,因为频谱将是原始图像的频谱乘以模糊滤波器的频谱。因此,如果原始图像已经占主导地位的低频,您如何分辨它是否模糊?
克里斯·A

1
如果您拍摄空白图表的照片,则无法判断图像是否模糊。我认为OP需要一些绝对的清晰度测量。预模糊的图像可能根本不存在。您需要花点时间才能得出正确的指标,但是fft可以帮助解决此问题。从这个角度来看,尼克的答案比我的要好。
西蒙·贝格

158

估计图像清晰度的另一种非常简单的方法是使用拉普拉斯(或LoG)滤镜并简单地选择最大值。如果您希望获得噪声(例如,选择第N个最高的对比度而不是最高的对比度),则使用99.9%的分位数等更好的方法可能会更好。对比度(例如直方图均衡化)。

我已经在Mathematica中实现了Simon的建议以及这一建议,并在一些测试图像上进行了尝试:

测试图像

第一个测试使用具有变化的内核大小的高斯滤波器对测试图像进​​行模糊处理,然后计算模糊图像的FFT并取90%最高频率的平均值:

testFft[img_] := Table[
  (
   blurred = GaussianFilter[img, r];
   fft = Fourier[ImageData[blurred]];
   {w, h} = Dimensions[fft];
   windowSize = Round[w/2.1];
   Mean[Flatten[(Abs[
       fft[[w/2 - windowSize ;; w/2 + windowSize, 
         h/2 - windowSize ;; h/2 + windowSize]]])]]
   ), {r, 0, 10, 0.5}]

结果为对数图:

fft结果

5条线代表5张测试图像,X轴代表高斯滤波器半径。曲线图正在减小,因此FFT是衡量清晰度的好方法。

这是“最高LoG”模糊度估算器的代码:它仅应用LoG滤镜并返回滤镜结果中最亮的像素:

testLaplacian[img_] := Table[
  (
   blurred = GaussianFilter[img, r];
   Max[Flatten[ImageData[LaplacianGaussianFilter[blurred, 1]]]];
   ), {r, 0, 10, 0.5}]

结果为对数图:

拉普拉斯结果

未模糊图像的扩展在此更好(2.5 vs 3.3),主要是因为此方法仅使用图像中最强的对比度,而FFT本质上是整个图像的均值。这些功能的下降速度也更快,因此设置“模糊”阈值可能会更容易。


1
如果我在测量局部模糊该怎么办?即,照片具有模糊和锐利的区域。我想要一张可以估算每个像素模糊水平的地图。
罗伊2012年

4
@Drazick:我不确定这是否可能。例如,看一下Lena图像:尽管区域很清晰,但仍有很多区域没有对比度(例如Lena的皮肤)。我想不出一种方法来判断这样的平滑区域是否“模糊”,或将其与散焦区域区分开。您应该将其作为一个单独的问题提出(也许在DSP.SE上)。也许其他人有更好的主意。
Niki

1
它适合运动模糊吗?或仅用于高斯模糊?
mrgloom

@pparescasellas您愿意分享您的实现。我很好奇看到他们。
chappjc 2014年

@JohnBoe我想你想问的是pparescasellas
chappjc

79

在使用自动聚焦镜头进行一些工作时,我遇到了这套非常有用的算法,用于检测图像聚焦。它是在MATLAB中实现的,但是大多数功能都非常容易通过filter2D移植到OpenCV 。

基本上,这是许多焦点测量算法的调查实现。如果您想阅读原始论文,请在代码中提供对算法作者的引用。Pertuz等人在2012年发表的论文。对焦点量度运算符从焦点到形状(SFF)的分析可以很好地回顾所有这些量度及其性能(包括应用于SFF的速度和准确性)。

编辑:添加了MATLAB代码以防万一链接消失。

function FM = fmeasure(Image, Measure, ROI)
%This function measures the relative degree of focus of 
%an image. It may be invoked as:
%
%   FM = fmeasure(Image, Method, ROI)
%
%Where 
%   Image,  is a grayscale image and FM is the computed
%           focus value.
%   Method, is the focus measure algorithm as a string.
%           see 'operators.txt' for a list of focus 
%           measure methods. 
%   ROI,    Image ROI as a rectangle [xo yo width heigth].
%           if an empty argument is passed, the whole
%           image is processed.
%
%  Said Pertuz
%  Abr/2010


if ~isempty(ROI)
    Image = imcrop(Image, ROI);
end

WSize = 15; % Size of local window (only some operators)

switch upper(Measure)
    case 'ACMO' % Absolute Central Moment (Shirvaikar2004)
        if ~isinteger(Image), Image = im2uint8(Image);
        end
        FM = AcMomentum(Image);

    case 'BREN' % Brenner's (Santos97)
        [M N] = size(Image);
        DH = Image;
        DV = Image;
        DH(1:M-2,:) = diff(Image,2,1);
        DV(:,1:N-2) = diff(Image,2,2);
        FM = max(DH, DV);        
        FM = FM.^2;
        FM = mean2(FM);

    case 'CONT' % Image contrast (Nanda2001)
        ImContrast = inline('sum(abs(x(:)-x(5)))');
        FM = nlfilter(Image, [3 3], ImContrast);
        FM = mean2(FM);

    case 'CURV' % Image Curvature (Helmli2001)
        if ~isinteger(Image), Image = im2uint8(Image);
        end
        M1 = [-1 0 1;-1 0 1;-1 0 1];
        M2 = [1 0 1;1 0 1;1 0 1];
        P0 = imfilter(Image, M1, 'replicate', 'conv')/6;
        P1 = imfilter(Image, M1', 'replicate', 'conv')/6;
        P2 = 3*imfilter(Image, M2, 'replicate', 'conv')/10 ...
            -imfilter(Image, M2', 'replicate', 'conv')/5;
        P3 = -imfilter(Image, M2, 'replicate', 'conv')/5 ...
            +3*imfilter(Image, M2, 'replicate', 'conv')/10;
        FM = abs(P0) + abs(P1) + abs(P2) + abs(P3);
        FM = mean2(FM);

    case 'DCTE' % DCT energy ratio (Shen2006)
        FM = nlfilter(Image, [8 8], @DctRatio);
        FM = mean2(FM);

    case 'DCTR' % DCT reduced energy ratio (Lee2009)
        FM = nlfilter(Image, [8 8], @ReRatio);
        FM = mean2(FM);

    case 'GDER' % Gaussian derivative (Geusebroek2000)        
        N = floor(WSize/2);
        sig = N/2.5;
        [x,y] = meshgrid(-N:N, -N:N);
        G = exp(-(x.^2+y.^2)/(2*sig^2))/(2*pi*sig);
        Gx = -x.*G/(sig^2);Gx = Gx/sum(Gx(:));
        Gy = -y.*G/(sig^2);Gy = Gy/sum(Gy(:));
        Rx = imfilter(double(Image), Gx, 'conv', 'replicate');
        Ry = imfilter(double(Image), Gy, 'conv', 'replicate');
        FM = Rx.^2+Ry.^2;
        FM = mean2(FM);

    case 'GLVA' % Graylevel variance (Krotkov86)
        FM = std2(Image);

    case 'GLLV' %Graylevel local variance (Pech2000)        
        LVar = stdfilt(Image, ones(WSize,WSize)).^2;
        FM = std2(LVar)^2;

    case 'GLVN' % Normalized GLV (Santos97)
        FM = std2(Image)^2/mean2(Image);

    case 'GRAE' % Energy of gradient (Subbarao92a)
        Ix = Image;
        Iy = Image;
        Iy(1:end-1,:) = diff(Image, 1, 1);
        Ix(:,1:end-1) = diff(Image, 1, 2);
        FM = Ix.^2 + Iy.^2;
        FM = mean2(FM);

    case 'GRAT' % Thresholded gradient (Snatos97)
        Th = 0; %Threshold
        Ix = Image;
        Iy = Image;
        Iy(1:end-1,:) = diff(Image, 1, 1);
        Ix(:,1:end-1) = diff(Image, 1, 2);
        FM = max(abs(Ix), abs(Iy));
        FM(FM<Th)=0;
        FM = sum(FM(:))/sum(sum(FM~=0));

    case 'GRAS' % Squared gradient (Eskicioglu95)
        Ix = diff(Image, 1, 2);
        FM = Ix.^2;
        FM = mean2(FM);

    case 'HELM' %Helmli's mean method (Helmli2001)        
        MEANF = fspecial('average',[WSize WSize]);
        U = imfilter(Image, MEANF, 'replicate');
        R1 = U./Image;
        R1(Image==0)=1;
        index = (U>Image);
        FM = 1./R1;
        FM(index) = R1(index);
        FM = mean2(FM);

    case 'HISE' % Histogram entropy (Krotkov86)
        FM = entropy(Image);

    case 'HISR' % Histogram range (Firestone91)
        FM = max(Image(:))-min(Image(:));


    case 'LAPE' % Energy of laplacian (Subbarao92a)
        LAP = fspecial('laplacian');
        FM = imfilter(Image, LAP, 'replicate', 'conv');
        FM = mean2(FM.^2);

    case 'LAPM' % Modified Laplacian (Nayar89)
        M = [-1 2 -1];        
        Lx = imfilter(Image, M, 'replicate', 'conv');
        Ly = imfilter(Image, M', 'replicate', 'conv');
        FM = abs(Lx) + abs(Ly);
        FM = mean2(FM);

    case 'LAPV' % Variance of laplacian (Pech2000)
        LAP = fspecial('laplacian');
        ILAP = imfilter(Image, LAP, 'replicate', 'conv');
        FM = std2(ILAP)^2;

    case 'LAPD' % Diagonal laplacian (Thelen2009)
        M1 = [-1 2 -1];
        M2 = [0 0 -1;0 2 0;-1 0 0]/sqrt(2);
        M3 = [-1 0 0;0 2 0;0 0 -1]/sqrt(2);
        F1 = imfilter(Image, M1, 'replicate', 'conv');
        F2 = imfilter(Image, M2, 'replicate', 'conv');
        F3 = imfilter(Image, M3, 'replicate', 'conv');
        F4 = imfilter(Image, M1', 'replicate', 'conv');
        FM = abs(F1) + abs(F2) + abs(F3) + abs(F4);
        FM = mean2(FM);

    case 'SFIL' %Steerable filters (Minhas2009)
        % Angles = [0 45 90 135 180 225 270 315];
        N = floor(WSize/2);
        sig = N/2.5;
        [x,y] = meshgrid(-N:N, -N:N);
        G = exp(-(x.^2+y.^2)/(2*sig^2))/(2*pi*sig);
        Gx = -x.*G/(sig^2);Gx = Gx/sum(Gx(:));
        Gy = -y.*G/(sig^2);Gy = Gy/sum(Gy(:));
        R(:,:,1) = imfilter(double(Image), Gx, 'conv', 'replicate');
        R(:,:,2) = imfilter(double(Image), Gy, 'conv', 'replicate');
        R(:,:,3) = cosd(45)*R(:,:,1)+sind(45)*R(:,:,2);
        R(:,:,4) = cosd(135)*R(:,:,1)+sind(135)*R(:,:,2);
        R(:,:,5) = cosd(180)*R(:,:,1)+sind(180)*R(:,:,2);
        R(:,:,6) = cosd(225)*R(:,:,1)+sind(225)*R(:,:,2);
        R(:,:,7) = cosd(270)*R(:,:,1)+sind(270)*R(:,:,2);
        R(:,:,7) = cosd(315)*R(:,:,1)+sind(315)*R(:,:,2);
        FM = max(R,[],3);
        FM = mean2(FM);

    case 'SFRQ' % Spatial frequency (Eskicioglu95)
        Ix = Image;
        Iy = Image;
        Ix(:,1:end-1) = diff(Image, 1, 2);
        Iy(1:end-1,:) = diff(Image, 1, 1);
        FM = mean2(sqrt(double(Iy.^2+Ix.^2)));

    case 'TENG'% Tenengrad (Krotkov86)
        Sx = fspecial('sobel');
        Gx = imfilter(double(Image), Sx, 'replicate', 'conv');
        Gy = imfilter(double(Image), Sx', 'replicate', 'conv');
        FM = Gx.^2 + Gy.^2;
        FM = mean2(FM);

    case 'TENV' % Tenengrad variance (Pech2000)
        Sx = fspecial('sobel');
        Gx = imfilter(double(Image), Sx, 'replicate', 'conv');
        Gy = imfilter(double(Image), Sx', 'replicate', 'conv');
        G = Gx.^2 + Gy.^2;
        FM = std2(G)^2;

    case 'VOLA' % Vollath's correlation (Santos97)
        Image = double(Image);
        I1 = Image; I1(1:end-1,:) = Image(2:end,:);
        I2 = Image; I2(1:end-2,:) = Image(3:end,:);
        Image = Image.*(I1-I2);
        FM = mean2(Image);

    case 'WAVS' %Sum of Wavelet coeffs (Yang2003)
        [C,S] = wavedec2(Image, 1, 'db6');
        H = wrcoef2('h', C, S, 'db6', 1);   
        V = wrcoef2('v', C, S, 'db6', 1);   
        D = wrcoef2('d', C, S, 'db6', 1);   
        FM = abs(H) + abs(V) + abs(D);
        FM = mean2(FM);

    case 'WAVV' %Variance of  Wav...(Yang2003)
        [C,S] = wavedec2(Image, 1, 'db6');
        H = abs(wrcoef2('h', C, S, 'db6', 1));
        V = abs(wrcoef2('v', C, S, 'db6', 1));
        D = abs(wrcoef2('d', C, S, 'db6', 1));
        FM = std2(H)^2+std2(V)+std2(D);

    case 'WAVR'
        [C,S] = wavedec2(Image, 3, 'db6');
        H = abs(wrcoef2('h', C, S, 'db6', 1));   
        V = abs(wrcoef2('v', C, S, 'db6', 1));   
        D = abs(wrcoef2('d', C, S, 'db6', 1)); 
        A1 = abs(wrcoef2('a', C, S, 'db6', 1));
        A2 = abs(wrcoef2('a', C, S, 'db6', 2));
        A3 = abs(wrcoef2('a', C, S, 'db6', 3));
        A = A1 + A2 + A3;
        WH = H.^2 + V.^2 + D.^2;
        WH = mean2(WH);
        WL = mean2(A);
        FM = WH/WL;
    otherwise
        error('Unknown measure %s',upper(Measure))
end
 end
%************************************************************************
function fm = AcMomentum(Image)
[M N] = size(Image);
Hist = imhist(Image)/(M*N);
Hist = abs((0:255)-255*mean2(Image))'.*Hist;
fm = sum(Hist);
end

%******************************************************************
function fm = DctRatio(M)
MT = dct2(M).^2;
fm = (sum(MT(:))-MT(1,1))/MT(1,1);
end

%************************************************************************
function fm = ReRatio(M)
M = dct2(M);
fm = (M(1,2)^2+M(1,3)^2+M(2,1)^2+M(2,2)^2+M(3,1)^2)/(M(1,1)^2);
end
%******************************************************************

OpenCV版本的一些示例:

// OpenCV port of 'LAPM' algorithm (Nayar89)
double modifiedLaplacian(const cv::Mat& src)
{
    cv::Mat M = (Mat_<double>(3, 1) << -1, 2, -1);
    cv::Mat G = cv::getGaussianKernel(3, -1, CV_64F);

    cv::Mat Lx;
    cv::sepFilter2D(src, Lx, CV_64F, M, G);

    cv::Mat Ly;
    cv::sepFilter2D(src, Ly, CV_64F, G, M);

    cv::Mat FM = cv::abs(Lx) + cv::abs(Ly);

    double focusMeasure = cv::mean(FM).val[0];
    return focusMeasure;
}

// OpenCV port of 'LAPV' algorithm (Pech2000)
double varianceOfLaplacian(const cv::Mat& src)
{
    cv::Mat lap;
    cv::Laplacian(src, lap, CV_64F);

    cv::Scalar mu, sigma;
    cv::meanStdDev(lap, mu, sigma);

    double focusMeasure = sigma.val[0]*sigma.val[0];
    return focusMeasure;
}

// OpenCV port of 'TENG' algorithm (Krotkov86)
double tenengrad(const cv::Mat& src, int ksize)
{
    cv::Mat Gx, Gy;
    cv::Sobel(src, Gx, CV_64F, 1, 0, ksize);
    cv::Sobel(src, Gy, CV_64F, 0, 1, ksize);

    cv::Mat FM = Gx.mul(Gx) + Gy.mul(Gy);

    double focusMeasure = cv::mean(FM).val[0];
    return focusMeasure;
}

// OpenCV port of 'GLVN' algorithm (Santos97)
double normalizedGraylevelVariance(const cv::Mat& src)
{
    cv::Scalar mu, sigma;
    cv::meanStdDev(src, mu, sigma);

    double focusMeasure = (sigma.val[0]*sigma.val[0]) / mu.val[0];
    return focusMeasure;
}

无法保证这些措施是否是解决问题的最佳选择,但是如果您跟踪与这些措施有关的论文,它们可能会为您提供更多的见识。希望您发现该代码有用!我知道我做到了


在tenengrad算法中,kSize的标称值是多少?

@mans我通常根据图像的分辨率使用3、5或7。如果发现需要进一步提高分辨率,则可以考虑对图像进行下采样。
mevatron

32

以耐克的答案为基础。使用opencv实现基于laplacian的方法非常简单:

short GetSharpness(char* data, unsigned int width, unsigned int height)
{
    // assumes that your image is already in planner yuv or 8 bit greyscale
    IplImage* in = cvCreateImage(cvSize(width,height),IPL_DEPTH_8U,1);
    IplImage* out = cvCreateImage(cvSize(width,height),IPL_DEPTH_16S,1);
    memcpy(in->imageData,data,width*height);

    // aperture size of 1 corresponds to the correct matrix
    cvLaplace(in, out, 1);

    short maxLap = -32767;
    short* imgData = (short*)out->imageData;
    for(int i =0;i<(out->imageSize/2);i++)
    {
        if(imgData[i] > maxLap) maxLap = imgData[i];
    }

    cvReleaseImage(&in);
    cvReleaseImage(&out);
    return maxLap;
}

将返回一个简短的信息,指示检测到的最大清晰度,根据我对真实样本的测试,这可以很好地指示照相机是否对焦。毫不奇怪,正常值取决于场景,但远不及FFT方法,后者必须具有很高的误报率才能在我的应用中使用。


说图像模糊的阈值是多少?我已经测试过了 但是它显示出一些不同的结果。您能帮我设置阈值吗?
2013年

也尝试过您的建议,但我得到的数字有些随机。如果我对这个特定的实现提出新的疑问,您是否愿意看一看?\
Stpn

@stpn正确的阈值取决于场景。在我的应用程序(CCTV)中,我使用的默认阈值为300。对于摄影机而言,如果有人将其从支持中降低,则会更改该特定摄影机的配置值。
Yaur 2013年

为什么是“ maxLap = -32767;” ?
克莱门特·普兰

我们正在寻找最高的对比度,因为我们正在处理带符号短裤-32767是最低的值。自编写该代码以来已有2.5年,但IIRC使用16U时出现问题。
Yaur

23

我想出了一个完全不同的解决方案。我需要分析视频静止帧,以找到每(X)帧中最清晰的帧。这样,我将检测到运动模糊和/或焦点不清晰的图像。

我最终使用了Canny Edge检测,几乎所有类型的视频都获得了非常非常好的结果(使用nikie的方法,数字化VHS视频和较重的隔行视频存在问题)。

我通过在原始图像上设置关注区域(ROI)来优化性能。

使用EmguCV:

//Convert image using Canny
using (Image<Gray, byte> imgCanny = imgOrig.Canny(225, 175))
{
    //Count the number of pixel representing an edge
    int nCountCanny = imgCanny.CountNonzero()[0];

    //Compute a sharpness grade:
    //< 1.5 = blurred, in movement
    //de 1.5 à 6 = acceptable
    //> 6 =stable, sharp
    double dSharpness = (nCountCanny * 1000.0 / (imgCanny.Cols * imgCanny.Rows));
}

17

感谢nikie提出的很棒的Laplace建议。 OpenCV文档向我指出了相同的方向:使用python,cv2(opencv 2.4.10)和numpy ...

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) numpy.max(cv2.convertScaleAbs(cv2.Laplacian(gray_image,3)))

结果在0-255之间。我发现任何超过200ish的事物都非常受关注,而到100则明显模糊。即使完全模糊,最大值也不会真正低于20。


3
我的3张照片中有255张。对于一张完全聚焦的照片,我得到了108。因此,我认为该方法的有效性取决于某些因素。
WindRider

同意@WindWider。我认为失败的示例图像是该图像,原因是即使图像不稳定,图像的对比度和像素之间的相应强度差异也很大,这是由于拉普拉斯值较大。如果我错了,请纠正我。
Resham Wadhwa

@ReshamWadhwa cc WindRider-同上-有关如何解决此问题的任何想法?
jtlz2

@ ggez44这是我的首选答案-但该值是图像中像素数的函数。您知道理论上的缩放比例吗?我可以将其作为一个新问题提出,但可能会遭到拒绝。谢谢!
jtlz2

10

我目前使用的一种方法是测量图像边缘的扩散。寻找这篇文章:

@ARTICLE{Marziliano04perceptualblur,
    author = {Pina Marziliano and Frederic Dufaux and Stefan Winkler and Touradj Ebrahimi},
    title = {Perceptual blur and ringing metrics: Application to JPEG2000,” Signal Process},
    journal = {Image Commun},
    year = {2004},
    pages = {163--172} }

它通常位于付费专区的后面,但是我看到了一些免费的副本。基本上,它们会定位图像中的垂直边缘,然后测量这些边缘的宽度。平均宽度可得出图像的最终模糊估计结果。较宽的边缘对应于模糊的图像,反之亦然。

该问题属于无参考图像质量估计的领域。如果您在Google学术搜索中查找它,将会获得大量有用的参考。

编辑

这是在nikie的帖子中获得的5张图像的模糊估计值的图表。较高的值对应于较大的模糊。我使用了固定尺寸的11x11高斯滤波器,并改变了标准偏差(使用imagemagick的convert命令来获取模糊图像)。

在此处输入图片说明

如果您比较不同大小的图像,请不要忘记按图像宽度进行归一化,因为较大的图像将具有较宽的边缘。

最后,一个重要的问题是区分艺术模糊和不希望的模糊(由焦点缺失,压缩,对象与相机的相对运动引起),但这超出了像这样的简单方法。以艺术模糊为例,看看Lenna的图像:Lenna在镜子中的反射模糊,但她的脸完全清晰。这有助于对Lenna图像进行更高的模糊估计。


5

我从这篇文章尝试了基于拉普拉斯滤波器的解决方案。它没有帮助我。所以,我尝试了这篇文章中的解决方案,对我的情况很好(但是很慢):

import cv2

image = cv2.imread("test.jpeg")
height, width = image.shape[:2]
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

def px(x, y):
    return int(gray[y, x])

sum = 0
for x in range(width-1):
    for y in range(height):
        sum += abs(px(x, y) - px(x+1, y))

较少的模糊图像具有最大sum价值!

您还可以通过更改步长来调整速度和精度,例如

这部分

for x in range(width - 1):

你可以用这个代替

for x in range(0, width - 1, 10):

4

上面的答案阐明了很多事情,但是我认为进行概念上的区分是有用的。

如果您拍摄的是模糊图像的完美对焦照片怎么办?

仅当您有参考时,模糊检测问题才被提出。如果需要设计(例如,自动对焦系统),则可以比较一系列具有不同模糊或平滑度的图像,然后尝试在该组图像中找到最小模糊点。换句话说,您需要使用上面说明的一种技术来交叉引用各种图像(基本上-在方法中具有各种可能的细化水平-寻找具有最高高频含量的图像)。


2
换句话说,这是一个相对的概念,只能判断一个图像是否比另一个相似图像更模糊。也就是说,如果它的FFT或多或少具有高频成分。特殊情况:如果图像的相邻像素具有最大和最小亮度?例如,完全黑色像素旁边的完全黑色像素。在这种情况下,这是一个完美的焦点,否则从黑色到白色的过渡会更加顺畅。在摄影中不可能实现完美对焦,但是问题并没有指明图像的来源(可以是计算机生成的)。
2016年

1

此处提供了两种方法的Matlab代码,这些方法已在知名期刊(IEEE图像处理事务)上发布:https : //ivulab.asu.edu/software

检查CPBDM和JNBM算法。如果您检查代码,则移植起来并不是很困难,顺便说一句,它基于Marzialiano的方法作为基本功能。


1

我实现了它在MATLAB中使用fft并检查了fft的直方图计算平均值和std但还可以执行拟合函数

fa =  abs(fftshift(fft(sharp_img)));
fb = abs(fftshift(fft(blured_img)));

f1=20*log10(0.001+fa);
f2=20*log10(0.001+fb);

figure,imagesc(f1);title('org')
figure,imagesc(f2);title('blur')

figure,hist(f1(:),100);title('org')
figure,hist(f2(:),100);title('blur')

mf1=mean(f1(:));
mf2=mean(f2(:));

mfd1=median(f1(:));
mfd2=median(f2(:));

sf1=std(f1(:));
sf2=std(f2(:));

1

这就是我在Opencv中检测区域中的焦点质量的方法:

Mat grad;
int scale = 1;
int delta = 0;
int ddepth = CV_8U;
Mat grad_x, grad_y;
Mat abs_grad_x, abs_grad_y;
/// Gradient X
Sobel(matFromSensor, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT);
/// Gradient Y
Sobel(matFromSensor, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT);
convertScaleAbs(grad_x, abs_grad_x);
convertScaleAbs(grad_y, abs_grad_y);
addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad);
cv::Scalar mu, sigma;
cv::meanStdDev(grad, /* mean */ mu, /*stdev*/ sigma);
focusMeasure = mu.val[0] * mu.val[0];
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.