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！

这种方法凑效的原因就在于拉普拉斯算子定义本身。它被用来测量图片的二阶导数，突出图片中强度快速变化的区域，和 Sobel 以及 Scharr 算子十分相似。并且，和以上算子一样，拉普拉斯算子也经常用于边缘检测。此外，此算法基于以下假设：如果图片具有较高方差，那么它就有较广的频响范围，代表着正常，聚焦准确的图片。但是如果图片具有有较小方差，那么它就有较窄的频响范围，意味着图片中的边缘数量很少。正如我们所知道的，图片越模糊，其边缘就越少。

有了代表清晰度的值，剩下的工作就是设定相应的阀值，如果某图片方差低于预先定义的阈值，那么该图片就可以被认为是模糊的，高于阈值，就不是模糊的。

实操

原理看起来比较复杂，涉及到很多信号啊图片处理的相关知识，下面我们来实操一下，直观感受下。

由于人生苦短，以及我个人是朋友圈第一 Python 吹子，我选择使用 Python 来实现，核心代码简单到令人发指：

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。