圖像清晰度評價

圖像清晰度是衡量圖像質量的一個重要指標，對於相機來說，其一般工作在無參考圖像的模式下，所以在拍照時需要進行對焦的控制。對焦不準確，圖像就會變得比較模糊不清晰。相機對焦時通過一些清晰度評判指標，控制鏡頭與CCD的距離，使圖像成像清晰。一般對焦時有一個調整的過程，圖像從模糊到清晰，再到模糊，確定清晰度峯值，再最終到達最清晰的位置。
常見的圖像清晰度評價一般都是基於梯度的方法，本文將介紹五種簡單的評價指標，分別是Brenner梯度法、Tenegrad梯度法、laplace梯度法、方差法、能量梯度法。

---

Brenner梯度法

計算相差兩個單元的兩個像素點的灰度差：

FBrenner=∑M∑N(f(x+2,y)−f(x,y))2

式中(f(x+2,y)−f(x,y))2>Threshold
算法準確性取決於閾值的選取。

---

Tenegrad梯度法

採用sobel算子分別提取水平和豎直方向的梯度：

FTenegrad=∑M∑N|G(x,y)|

G(x,y)>Threshold
G(x,y)=Gx(x,y)2+Gy(x,y)2−−−−−−−−−−−−−−−−−√
sobel算子模板如下：

Gx=14⎡⎣⎢−1−2−1000121⎤⎦⎥∗I

Gy=14⎡⎣⎢−101−202−101⎤⎦⎥∗I

---

Laplace梯度法

laplace梯度函數與Tenegrad基本一致，只需要用Laplace算子替代sobel算子即可：

L=16⎡⎣⎢1414204141⎤⎦⎥∗I

---

方差法

聚焦清晰的圖像比模糊圖像有更大的灰度差異，可用方差函數作爲評價：

Fvariance=∑M∑N(f(x,y)−E2)

式中E爲整幅圖像的平均灰度值，該函數對噪聲敏感。

---

能量梯度法

能量梯度函數適合實時評價圖像清晰度：

FBrenner=∑M∑N((f(x+1,y)−f(x,y))2+(f(x,y+1)−f(x,y))2)

---

實例代碼

採用halcon實現：

//方差法
        region_to_mean(Image, Image, &ImageMean);
        convert_image_type(ImageMean, &ImageMean, "real");
        convert_image_type(Image, &Image, "real");
        sub_image(Image, ImageMean, &ImageSub, 1, 0);
        mult_image(ImageSub, ImageSub, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

//拉普拉斯梯度函數
        laplace(Image, &ImageLaplace4, "signed", 3, "n_4");
        laplace(Image, &ImageLaplace8, "signed", 3, "n_8");
        add_image(ImageLaplace4, ImageLaplace4, &ImageResult1, 1, 0);
        add_image(ImageLaplace4, ImageResult1, &ImageResult1, 1, 0);
        add_image(ImageLaplace8, ImageResult1, &ImageResult1, 1, 0);
        mult_image(ImageResult1, ImageResult1, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

//能量梯度函數
        crop_part(Image, &ImagePart00, 0, 0, Width-1, Height-1);
        crop_part(Image, &ImagePart01, 0, 1, Width-1, Height-1);
        crop_part(Image, &ImagePart10, 1, 0, Width-1, Height-1);
        convert_image_type(ImagePart00, &ImagePart00, "real");
        convert_image_type(ImagePart10, &ImagePart10, "real");
        convert_image_type(ImagePart01, &ImagePart01, "real");
        sub_image(ImagePart10, ImagePart00, &ImageSub1, 1, 0);
        mult_image(ImageSub1, ImageSub1, &ImageResult1, 1, 0);
        sub_image(ImagePart01, ImagePart00, &ImageSub2, 1, 0);
        mult_image(ImageSub2, ImageSub2, &ImageResult2, 1, 0);
        add_image(ImageResult1, ImageResult2, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

//Brenner梯度法
        crop_part(Image, &ImagePart00, 0, 0, Width, Height-2);
        convert_image_type(ImagePart00, &ImagePart00, "real");
        crop_part(Image, &ImagePart20, 2, 0, Width, Height-2);
        convert_image_type(ImagePart20, &ImagePart20, "real");
        sub_image(ImagePart20, ImagePart00, &ImageSub, 1, 0);
        mult_image(ImageSub, ImageSub, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

//Tenegrad梯度法
        sobel_amp(Image, &EdgeAmplitude, "sum_sqrt", 3);
        min_max_gray(EdgeAmplitude, EdgeAmplitude, 0, &Min, &Max, &Range);
        threshold(EdgeAmplitude, &Region1, 20, 255);
        region_to_bin(Region1, &BinImage, 1, 0, Width, Height);
        mult_image(EdgeAmplitude, BinImage, &ImageResult4, 1, 0);
        mult_image(ImageResult4, ImageResult4, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

---

結果分析

處理圖像爲一組對焦從模糊到清晰再到模糊的標定板圖像，如下爲其中三幅圖像：

中間爲最清晰的圖像。
採用五種評價函數，對一百多幅圖像進行計算，並將結果進行歸一化，得到如圖所示結果：

一個好的評價函數需要具有單峯性，無偏性，靈敏性，在本實例中，採用Laplace、能量梯度和Brenner梯度法較好，而方差法效果較差，Tenegrad梯度法反向了。