问有没有一种方法可以检测图像是否模糊？

EN

估计图像清晰度的另一种非常简单的方法是使用拉普拉斯(或LoG)滤波器，然后简单地选取最大值。如果你期望噪声，那么使用99.9%分位数这样的稳健度量可能会更好(即选择第N位最高的对比度，而不是最高的对比度)。如果您期望图像亮度发生变化，则还应包含一个预处理步骤来归一化图像亮度/对比度(例如直方图均衡化)。

我已经在Mathematica中实现了Simon的建议和这个建议，并在一些测试图像上进行了尝试：

​

​

第一个测试使用具有不同核大小的高斯滤波器模糊测试图像，然后计算模糊图像的FFT，并取90%最高频率的平均值：

testFft[img_] := Table[
  (
   blurred = GaussianFilter[img, r];
   fft = Fourier[ImageData[blurred]];
   {w, h} = Dimensions[fft];
   windowSize = Round[w/2.1];
   Mean[Flatten[(Abs[
       fft[[w/2 - windowSize ;; w/2 + windowSize, 
         h/2 - windowSize ;; h/2 + windowSize]]])]]
   ), {r, 0, 10, 0.5}]

结果是一个对数图：

​

​

这5条线表示5个测试图像，X轴表示高斯滤波器半径。图形正在减少，因此FFT是一个很好的清晰度衡量标准。

这是“最高LoG”模糊度估计器的代码:它简单地应用LoG过滤器，并在过滤器结果中返回最亮的像素：

testLaplacian[img_] := Table[
  (
   blurred = GaussianFilter[img, r];
   Max[Flatten[ImageData[LaplacianGaussianFilter[blurred, 1]]]];
   ), {r, 0, 10, 0.5}]

结果是一个对数图：

​

​

在这里，未模糊图像的展开稍好一些(2.5 vs 3.3)，主要是因为此方法仅使用图像中的最强对比度，而FFT本质上是整个图像的平均值。函数的减少速度也更快，因此设置“模糊”阈值可能会更容易。

我想出了一个完全不同的解决方案。我需要分析视频静止帧，以找到每(X)帧中最清晰的一帧。这样，我就可以检测到运动模糊和/或散焦图像。

我最终使用了Canny边缘检测，几乎所有类型的视频我都得到了非常非常好的结果(使用nikie的方法，我在数字化VHS视频和大量隔行扫描视频方面遇到了问题)。

我通过在原始图像上设置感兴趣区域(ROI)来优化性能。

使用EmguCV：

//Convert image using Canny
using (Image<Gray, byte> imgCanny = imgOrig.Canny(225, 175))
{
    //Count the number of pixel representing an edge
    int nCountCanny = imgCanny.CountNonzero()[0];

    //Compute a sharpness grade:
    //< 1.5 = blurred, in movement
    //de 1.5 à 6 = acceptable
    //> 6 =stable, sharp
    double dSharpness = (nCountCanny * 1000.0 / (imgCanny.Cols * imgCanny.Rows));
}

感谢nikie对Laplace的好建议。OpenCV docs向我指出了同样的方向:使用python、cv2 (opencv 2.4.10)和numpy……

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) numpy.max(cv2.convertScaleAbs(cv2.Laplacian(gray_image,3)))

结果介于0-255之间。我发现任何超过200ish的东西都是非常清晰的，而到了100时，它就会变得明显模糊。即使它是完全模糊的，最大值也不会真正低于20。