图像清晰度评价算法有很多种，在空域中，主要思路是考察图像的领域对比度，即相邻像素间的灰度特征的梯度差；在频域中，主要思路是考察图像的频率分量，对焦清晰的图像高频分量较多，对焦模糊的图像低频分量较多。
这里实现3种清晰度评价方法，分别是Tenengrad梯度方法、Laplacian梯度方法和方差方法。
1.Tenengrad梯度方法
Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度，同一场景下梯度值越高，图像越清晰。以下是具体实现。
Mat img;
Mat imgROI;
Mat imgGray;
Mat imageSobel;
//添加图片
img = Mat(m_frameInfo.uHeight/4, m_frameInfo.uWidth/4,CV_8UC3, pRGB).clone();
//设置ROI尺寸
imgROI.create(img.rows, img.cols, CV_8UC3); //生成ROI图 img(Rect(width, height, 150, 150)).copyTo(imgROI); //转灰度图 cvtColor(imgROI, imgGray, CV_BGR2GRAY); //Sobel算子计算梯度值 Sobel(imgGray, imageSobel, CV_16U, 1, 1); //传值 meanValue = mean(imageSobel)[0];
//返回值
return meanValue;
这里衡量的指标是经过Sobel算子处理后的图像的平均灰度值，值越大，代表图像越清晰。
2.Laplacian梯度方法
Laplacian梯度是另一种求图像梯度的方法，在上例的OpenCV代码中直接替换Sobel算子即可。
Mat img;
Mat imgROI;
Mat imgGray;
Mat imageSobel;
//添加图片
img = Mat(m_frameInfo.uHeight/4, m_frameInfo.uWidth/4,CV_8UC3, pRGB).clone();
//设置ROI尺寸
imgROI.create(img.rows, img.cols, CV_8UC3);
//生成ROI图
img(Rect(width, height, 150, 150)).copyTo(imgROI);
//转灰度图
cvtColor(imgROI, imgGray, CV_BGR2GRAY);
//Laplacian算子计算梯度值，就换了算子而已
Laplacian(imageGrey, imageSobel, CV_16U);
//传值
meanValue = mean(imageSobel)[0];
//返回值
return meanValue;
测试结果都是数据越大，图像越清晰的，这里不作展示了。
3.方差方法
方差是概率论中用来考察一组离散数据和其期望（即数据的均值）之间的离散（偏离）成都的度量方法。方差较大，表示这一组数据之间的偏差就较大，组内的数据有的较大，有的较小，分布不均衡；方差较小，表示这一组数据之间的偏差较小，组内的数据之间分布平均，大小相近。对焦清晰的图像相比对焦模糊的图像，它的数据之间的灰度差异应该更大，即它的方差应该较大，可以通过图像灰度数据的方差来衡量图像的清晰度，方差越大，表示清晰度越好。
Mat img;
Mat imgROI;
Mat imgGray;
Mat imageSobel;
Mat meanValueImage;
//添加图片
img = Mat(m_frameInfo.uHeight/4, m_frameInfo.uWidth/4,CV_8UC3, pRGB).clone();
//设置ROI尺寸
imgROI.create(img.rows, img.cols, CV_8UC3);
//生成ROI图
img(Rect(width, height, 150, 150)).copyTo(imgROI);
//转灰度图
cvtColor(imgROI, imgGray, CV_BGR2GRAY);
//求灰度图像的标准差
meanStdDev(imageGrey,meanValueImage,imageSobel);
//传值
meanValue = mean(imageSobel)[0];
//返回值
return meanValue;
测试结果都是数据越大，图像越清晰的，这里不作展示了。
在OpenCV中，可以使用拉普拉斯算子来检测图像的清晰度。拉普拉斯算子能够突出图像的边缘，如果图像边缘清晰，则拉普拉拉算子处理后的图像与原图像相比将显示较高的对比度。以下是使用OpenCV进行图像清晰度检测的Python代码示例：
import cv2 import numpy as np # 读取图像 image = cv2.imread('path_to_your_image.jpg', cv2.IMREAD_GRAYSCALE) # 应用拉普拉斯算子 laplacian_var = cv2.Laplacian(image, cv2.CV_64F).var() # 阈值用于判断清晰度 threshold = 100.0 # 判断图像是否清晰 if laplacian_var < threshold: print("图像不够清晰") else: print("图像足够清晰") # 如果需要可视化结果 # 创建一个新的图层来显示拉普拉斯算子的结果 laplacian_image = cv2.convertScaleAbs(cv2.Laplacian(image, cv2.CV_64F)) # 合并原始图像和拉普拉斯算子结果图像 combined_images = np.hstack((image, laplacian_image)) # 显示结果 cv2.imshow('Clean Detected', combined_images) cv2.waitKey(0) cv2.destroyAllWindows()在这个代码中，我们首先读取了一个图像并将其转换为灰度图像。然后，我们使用cv2.Laplacian函数计算拉普拉斯算子的值，并使用.var()方法计算拉普拉斯图像的方差来估计清晰度。根据方差与设定的阈值比较结果，我们可以判断图像是否清晰。如果需要可视化结果，我们可以展示原始图像和拉普拉斯算子处理后的图像。
opencv消除图像反光
消除图像的反光，可以通过以下步骤实现：
-
转换图像到 HSV 颜色空间。
-
使用 inRange 函数来找到图像中的白色区域，这通常是反光的部分。
-
应用掩模以减少反光影响。
以下是使用 Python 和 OpenCV 实现的示例代码：
import cv2 import numpy as np # 读取图像 image = cv2.imread('image_with_reflection.jpg') # 转换到 HSV 颜色空间 hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 设定白色的阈值范围 # 根据您的图像调整这些阈值 lower_white = np.array([0, 0, 212]) upper_white = np.array([131, 255, 255]) # 创建掩模以找到白色区域 mask = cv2.inRange(hsv, lower_white, upper_white) # 对原图像和掩模进行位运算 reflection_free = cv2.bitwise_and(image, image, mask=mask) # 反转掩模得到不含反光的图像 no_reflection = cv2.bitwise_not(mask) # 将不含反光的图像和原图像进行加权融合 final_image = cv2.addWeighted(cv2.bitwise_and(image, image, mask=no_reflection), 0.7, reflection_free, 0.3, 0) # 显示和保存结果 cv2.imshow('Original', image) cv2.imshow('Mask', mask) cv2.imshow('Reflection Free', reflection_free) cv2.imshow('No Reflection', no_reflection) cv2.imshow('Final Image', final_image) cv2.waitKey(0) cv2.destroyAllWindows() # 保存结果 cv2.imwrite('image_without_reflection.jpg', final_image)
这段代码会显示原图、掩模、去除反光后的图像以及最终融合后的图像。您可能需要根据您的图像调整阈值范围以提取到正确的白色区域。
标签：Mat,img,image,cv2,openCV,图像,清晰度,CV From： https://www.cnblogs.com/kn-zheng/p/18158167