圖像清晰度是衡量圖像質(zhì)量的一個重要指標(biāo)，對于相機(jī)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(jìn)行對焦的控制。對焦不準(zhǔn)確，圖像就會變得比較模糊不清晰。相機(jī)對焦時通過一些清晰度評判指標(biāo)，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(diào)整的過程，圖像從模糊到清晰，再到模糊，確定清晰度峰值，再最終到達(dá)最清晰的位置。

常見的圖像清晰度評價一般都是基于梯度的方法，本文將介紹五種簡單的評價指標(biāo)，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(jì)算相差兩個單元的兩個像素點(diǎn)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(zhǔn)確性取決于閾值的選取。

Tenegrad梯度法：

采用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(shù)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(shù)作為評價:Fvariance=∑M∑N(f(x,y)−E2)

式中E為整幅圖像的平均灰度值，該函數(shù)對噪聲敏感。

能量梯度法：

能量梯度函數(shù)適合實(shí)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(shí)例代碼:

//方差法

region_to_mean(ImageReduced, 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(shù)

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(shù)

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)