3行Python代码搞定图片清晰度识别，你肉眼看见的未必是真的！

import cv2

def getImageVar(imgPath):

image = cv2.imread(imgPath);

img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var()

return imageVar

真是人生苦短啊，核心代码就三行，简单解释下。

import cv2使用了一个著名的图像处理库 OpenCV，关于 OpenCV 的安装这里不多赘述，需要注意的是它依赖 numpy。

image = cv2.imread(imgPath)使用 OpenCV 提供的方法读取图片。img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)转化为灰度图。如下图：

原图是这样的：

cv2.Laplacian(img2gray, cv2.CV_64F)对图片用 3x3 拉普拉斯算子做卷积，这里的cv2.CV_64F就是拉普拉斯算子。

原理部分说过，拉普拉斯算子经常用于边缘检测，所以这里经过拉普拉斯算子之后，留下的都是检测到的边缘。上图经过这步处理之后是这样的：

可以看到这里图片人物大致还是比较清晰的。

cv2.Laplacian(img2gray, cv2.CV_64F).var()计算出方差，并最后返回。

上面那张图按这个计算出来时 3170 多，这个就是最后我们用来判断清晰度的值。

可以再找一张看看：

原图：

做灰度和经过拉普拉斯算子之后，可以看到人物部分已经不是很清晰了。

最后算出来的方差只有 530

剩下的工作就是根据整体图片质量确定阀值了。

局限性

通过上面的实操，我们知道这个算法的技巧在于设置合适的阀值，阈值太低会导致正常图片被误断为模糊图片，阈值太高会导致模糊图片被误判为正常图片。阀值依赖于你实际应用的业务场景，需要根据使用场景的不同做不同的定制。

真正的银弹并不存在。除了需要定个阀值外，有些图片可能会故意做个背景模糊或者背景虚化，这种图片很容易被误杀。

比如：