圖像清晰度是衡量圖像品質的一個重要名額，對于相機來說，其一般工作在無參考圖像的模式下，是以在拍照時需要進行對焦的控制。對焦不準确，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名額，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，确定清晰度峰值，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于梯度的方法，本文将介紹五種簡單的評價名額，分别是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階差：
FBrenner=∑M∑N(f(x+2,y)−f(x,y))2
式中 (f(x+2,y)−f(x,y))2>Threshold算法準确性取決于門檻值的選取。
Tenegrad梯度法：
采用sobel算子分别提取水準和豎直方向的梯度：
FTenegrad=∑M∑N|G(x,y)|
G(x,y)>Threshold
G(x,y)=Gx(x,y)2+Gy(x,y)2
sobel算子模闆如下：
Gx=14⎡⎣⎢−1−2−1000121⎤⎦⎥∗I
Gy=14⎡⎣⎢−101−202−101⎤⎦⎥∗I
Laplace梯度法：
laplace梯度函數與Tenegrad基本一緻，隻需要用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階差異，可用方差函數作為評價:Fvariance=∑M∑N(f(x,y)−E2)
式中E為整幅圖像的平均灰階值，該函數對噪聲敏感。
能量梯度法：
能量梯度函數适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)
執行個體代碼:
//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
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:
處理圖像為一組對焦從模糊到清晰再到模糊的标定闆圖像，如下為其中三幅圖像：
中間為最清晰的圖像。
采用五種評價函數，對一百多幅圖像進行計算，并将結果進行歸一化，得到如圖所示結果：
一個好的評價函數需要具有單峰性，無偏性，靈敏性，在本執行個體中，采用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。
來源：天眼觀視界