转载：https://www.cnblogs.com/yanshw/p/15587091.html
原理简介
让图像的单一通道(大概灰度)和以下3 x 3的内核进行卷积
然后取相应的方差。
如果方差低于预先定义的阈值，则认为图像模糊；否则，图像不会模糊。
这种方法有效的原因是由于Laplacian算子本身的定义，它用于测量图像的二阶导数。
拉普拉斯算子突出显示图像中包含快速梯度变化的区域，很像Sobel和Scharr算子。和这些算子一样，Laplacian也经常用于边缘检测。
这里的假设是，如果一幅图像的方差较高，那么就说明图像有广泛的响应，包括类边和非类边，这是一幅正常的聚焦图像的代表。
但如果方差很低，那么就会有很小的响应扩散，这表明图像中几乎没有边缘。而图像越模糊，边缘就越少。所以可以用来检测是否模糊。
显然，这里的关键是设置正确的阈值，而阈值的设置与应用到的图像集相关。
如果阈值过低，你就会错误地将原本不模糊的图像标记为模糊。
如果阈值过高，那么实际上模糊的图像将不会被标记为模糊。这种方法只有在非常稳定的图像集（同一类型）中应用良好。
用法
示例代码，注意转换灰度图，但是我没转也没报错
import cv2 as cv
image1 = cv.imread('imgs/tulips_1.jpg')
image1 = cv.cvtColor(image1, cv.COLOR_BGR2GRAY)
v1 = cv.Laplacian(image1, cv.CV_64F).var()
image2 = cv.imread('imgs/melian.png')
image2 = cv.cvtColor(image2, cv.COLOR_BGR2BGRA)
v2 = cv.Laplacian(image2, cv.CV_64F).var()
print(v1, v2) # 757.6573775277777 302.6699592172611
标签：阈值,拉普拉斯,模糊,Laplacian,图像,算子,cv From： https://www.cnblogs.com/to-here/p/17426243.html