在通常状况下，图片是否清晰是个感性认识，同一个图，有可能你感觉还过得去，而他人会感觉不清晰，不足一个对立的规范。然而有一些算法能够去量化图片的清晰度，做到有章可循。
原理
如果之前理解过信号处理，就会晓得最间接的办法是计算图片的疾速傅里叶变换，而后查看高低频散布。如果图片有大量的高频成分，那么该图片就能够被认为是含糊的。然而，辨别高频量多少的具体阈值却是十分困难的，不失当的阈值将会导致极差的后果。
初学者有什么不懂的能够私信我——我刚整顿了一套 2021 最新的 0 根底入门教程，自私分享，获取办法：关注小编 CSDN，发私信：【学习材料】即可获取，内附：开发工具和安装包，以及零碎学习路线图。
咱们冀望的是一个繁多的浮点数就能够示意图片的清晰度。Pech-Pacheco 在 2000 年模式识别国内会议提出将图片中某一通道（个别用灰度值）通过拉普拉斯掩模做卷积运算，而后计算标准差，进去的值就能够代表图片清晰度。
这种办法凑效的起因就在于拉普拉斯算子定义自身。它被用来测量图片的二阶导数，突出图片中强度疾速变动的区域，和 Sobel 以及 Scharr 算子十分相似。并且，和以上算子一样，拉普拉斯算子也常常用于边缘检测。此外，此算法基于以下假如：如果图片具备较高方差，那么它就有较广的频响范畴，代表着失常，聚焦精确的图片。然而如果图片具备有较小方差，那么它就有较窄的频响范畴，意味着图片中的边缘数量很少。正如咱们所晓得的，图片越含糊，其边缘就越少。
有了代表清晰度的值，剩下的工作就是设定相应的阀值，如果某图片方差低于事后定义的阈值，那么该图片就能够被认为是含糊的，高于阈值，就不是含糊的。
实操
原理看起来比较复杂，波及到很多信号啊图片解决的相干常识，上面咱们来实操一下，直观感触下。
因为人生苦短，以及我集体是朋友圈第一 Python 吹子，我抉择应用 Python 来实现，外围代码简略到令人发指：
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
真是人生苦短啊，外围代码就三行，简略解释下。
import cv2 应用了一个驰名的图像处理库 OpenCV，对于 OpenCV 的装置这里不多赘述，须要留神的是它依赖 numpy。
image = cv2.imread(imgPath) 应用 OpenCV 提供的办法读取图片。img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 转化为灰度图。如下图：
原图是这样的：
cv2.Laplacian(img2gray, cv2.CV_64F) 对图片用 3×3 拉普拉斯算子做卷积，这里的 cv2.CV_64F 就是拉普拉斯算子。
原理局部说过，拉普拉斯算子常常用于边缘检测，所以这里通过拉普拉斯算子之后，留下的都是检测到的边缘。上图通过这步解决之后是这样的：
能够看到这里图片人物大抵还是比拟清晰的。
cv2.Laplacian(img2gray, cv2.CV_64F).var() 计算出方差，并最初返回。
下面那张图按这个计算出来时 3170 多，这个就是最初咱们用来判断清晰度的值。所以想学的同学，有必要听一下这位老师的课、支付 python 福利奥，想学的同学能够到梦雅老师的围鑫（同音）：前边一组是：mengy , 后边一组是：7762, 把以上两组字母依照先后顺序组合起来即可，她会安顿学习的。
能够再找一张看看：
原图：
做灰度和通过拉普拉斯算子之后，能够看到人物局部曾经不是很清晰了。
最初算进去的方差只有 530
剩下的工作就是依据整体图片品质确定阀值了。
局限性
通过下面的实操，咱们晓得这个算法的技巧在于设置适合的阀值，阈值太低会导致失常图片被误断为含糊图片，阈值太高会导致含糊图片被误判为失常图片。阀值依赖于你理论利用的业务场景，须要依据应用场景的不同做不同的定制。
真正的银弹并不存在。除了须要定个阀值外，有些图片可能会成心做个背景含糊或者背景虚化，这种图片很容易被误杀。
比方：
计算出来是这样的，前面一大片都是黑的。
这个图前景其实看着还行，然而背景有大片的虚化和含糊，这种状况下比拟容易被误杀。
所以最好还是在理解原理之后，依据理论场景来应用。