上期回顾

上一次的图像清晰度评价没有成功，主要的原因是那几张图像清晰度评价函数都实际都采用了梯度求解，不同的场景灰度的明暗不同，梯度可能会很大，无法得到一个界定值来判定图像的清晰度，所以这次我打算只对动态模糊的图像进行判断，是否是动态模糊图像。

图像处理：图像清晰度评价

采用Laplace算子的原因

根据我之前的一个调研，在清晰度评价函数当中，我决定采用Laplace算子，因为它所得到的梯度值较小，容易获得一个模糊判断区间，而其他的几种所获得的梯度值较大，相应的误差范围也将更高，而且在opencv当中就集成了Laplace算子，很轻松就能调用，并得到一个很好的结果。

实现的效果

本次将会使用一组模糊图像和一组标准图像获得模糊判定区间（a，b），我们知道梯度值越大，图像越清晰，所以当我们进行测试一张图像时，它所返回的梯度值小于a，则可以说明它是一个模糊的图像，当返回的梯度值大于b时，则可以说明它是一个清晰的图像，而当返回的梯度值落在了a与b之间，我们也将其放在模糊图像当中。

图片素材

我自己采用的是手机拍摄的照片，分辨率都是1280*960，请注意图像的尺寸与场景会影响返回的梯度值，但我们通常采集的数据都是由相机拍摄，尺寸相同，工业上采用道路裂缝检测的场景基本类似，所以有研究的意义。

代码的展示与讲解

import cv2
import os

def getPhotopath(paths):
    imgfile = []
    file_list=os.listdir(paths)
    for i in file_list:
        newph=os.path.join(paths,i)
        imgfile.append(newph)
    return imgfile

def getImgVar(image):
    imggray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    imageVar = cv2.Laplacian(imggray, cv2.CV_64F).var()
    return imageVar

def getTest(imgfile):
    c = []
    for i in imgfile:
        # print(i)
        img=cv2.imread(i)
        image=getImgVar(img)
        # print(image)
        c.append(float(f"{image:.3f}"))
    if 'test' in imgfile[0]:   #对测试集数据进行反转
        c.sort(reverse=True)
    else:
        c.sort()
    return c

def getThr():
    a=getTest(imgfile1)
    b=getTest(imgfile2)
    thr=(a[0],b[0])
    # print(thr)
    return thr

path1="./test"     #测试的数据集文件夹位置
path2="./Standards"  #标准图的数据文件夹位置
#获取文件下的名称
imgfile1=getPhotopath(path1)
imgfile2=getPhotopath(path2)

#获得阈值
minThr,maxThr=getThr()
print(minThr,maxThr)

def vagueJudge(image):
    img = cv2.imread(image)
    imgVar = getImgVar(img)
    if imgVar>maxThr:
        cv2.putText(img, f"Not Vague{imgVar:.2f}", (12, 70), cv2.FONT_HERSHEY_PLAIN, 3,
                    (255, 0, 0), 3)
    else:
        cv2.putText(img, f"Vague{imgVar:.2f}", (12, 70), cv2.FONT_HERSHEY_PLAIN, 3,
                    (255, 0, 0), 3)
    cv2.imshow("img",img)
    k=cv2.waitKey(0) & 0xFF
image="./Standards/001.jpg"   #需要进行测试的图片
vagueJudge(image)