3行代码Python就可以识别图片的清晰度。原来我们看到的不一定是这个Clarity，缺乏统一的标准。但是有一些算法可以量化图片的清晰度，这样就有规律可循。原理如果之前了解过信号处理，就会知道最直接的方法就是计算图片的快速傅立叶变换，然后看高低频分布。如果一张图片有少量的高频成分，则可以认为图片是模糊的。但是高频量的具体阈值很难区分，不合适的阈值会导致结果极差。初学者有什么不懂的可以私信我——我刚刚整理了一套2021年最新的0基础入门教程，无私分享。获取方式：关注小编的CSDN，私信：【学习资料】即可获取，附：开发工具和安装包，以及系统学习路线图。我们期望的是一个能够代表画面清晰度的浮点数。Pech-Pacheco在2000年国际模式识别会议上提出，将图片中的某个通道（一般使用灰度值）通过拉普拉斯掩码进行卷积，然后计算标准差，得到的值可以表示图像的清晰度图片。这种方法起作用的原因在于拉普拉斯算子定义本身。它用于测量图像的二阶导数，突出显示图像中强度快速变化的区域，与Sobel和Scharr算子非常相似。并且，与上述算子一样，拉普拉斯算子也常用于边缘检测。此外，该算法基于这样的假设：如果图片具有高方差，则它具有宽频率响应，代表正常的、聚焦良好的图片。但是如果图片的方差很小，那么它的频率响应很窄，这意味着图片中的边缘数量很少。众所周知，图片越模糊，边缘就越少。有了代表清晰度的值，剩下的工作就是设置相应的阈值。如果某张图片的方差低于预定义的阈值，则可以认为该图片是模糊的。如果高于阈值，则不模糊。.实际操作原理好像比较复杂，涉及到很多信号和图像处理相关的知识，我们来实际操作一下，直观感受一下。因为人生苦短，而我个人是朋友圈Python吹牛第一人，所以选择用Python来实现，核心代码简单得令人发指：importcv2defgetImageVar(imgPath):image=cv2.imread(imgPath);img2gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)imageVar=cv2.Laplacian(img2gray,cv2.CV_64F).var()returnimageVar真的很短命，核心代码只有三行，简单说明一下。importcv2使用著名的图像处理库OpenCV。关于OpenCV的安装这里就不赘述了。需要注意的是它依赖于numpy。image=cv2.imread(imgPath)使用OpenCV提供的方法读取图像。img2gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)转换为灰度图像。如下图所示：原图是这样的：cv2.Laplacian(img2gray,cv2.CV_64F)用一个3x3的拉普拉斯算子对图片进行卷积，这里的cv2.CV_64F就是拉普拉斯算子。原理部分提到，拉普拉斯算子经常用于边缘检测，所以这里的拉普拉斯算子之后，所有检测到的边缘都剩下了。上图经过这一步处理后是这样的：可以看到这里的图片中的字符总体上还是比较清晰的。cv2.Laplacian(img2gray,cv2.CV_64F).var()计算方差并在最后返回。上图是按照这个计算出来的3170多，这是我们最终判断清晰度的数值。所以想学习的同学，听听这位老师的课，领取python福利还是很有必要的。想学的同学可以去梦雅老师的微信（同读音）：第一组是：mengy，后一组是：7762，把上面两组字母按顺序组合起来，她会安排学习.可以再找一张看看：原图：做灰度和拉普拉斯算子后，可以看到人物部分不是很清晰。最终计算出的方差只有530，剩下的工作就是根据整体图像质量来确定阈值。局限性通过以上实践，我们知道该算法的技巧在于设置了一个合适的阈值。阈值过低，正常图片会被误判为模糊图片，阈值过高，模糊图片会被误判为正常图片。阈值取决于您实际应用的业务场景，需要根据不同的使用场景进行定制。没有真正的灵丹妙药。除了需要设置一个阈值，有些图片可能会故意虚化背景或者虚化背景，很容易被误杀。例如：计算是这样的，后面一大片区域是黑色的。这张照片的前景其实看起来还可以，但是背景有很多虚化和虚化。这种情况下，更容易被误杀。所以最好在了解原理后根据实际场景使用。
