opencv-python实战项目二：图像模糊检测

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

一、简介：

在日常生活中，摄影已成为记录关键时刻的重要手段。不论是使用手机还是专业相机，拍摄工具都是我们保存回忆的辅助工具。然而，由于各种原因，如微风或手抖，拍摄的照片可能会出现模糊。为了高效地管理这些照片，图像模糊检测技术应运而生。
该技术能够自动识别图像的清晰度，迅速筛选出模糊照片，从而节省用户在照片筛选上投入的时间和精力。通过算法分析图像特征，如梯度、频率成分和边缘强度，图像模糊检测技术能够客观地评估图像质量。用户仅需简单的操作，即可实现对照片库的快速清理，确保保留的都是高质量、清晰的照片。这项技术的应用，极大提升了照片管理的效率。

二、模糊图片检测方案

本次项目，采用了一种结合Sobel算子和拉普拉斯算子的方案。Sobel算子通过计算图像灰度的空间梯度来突出边缘信息，有效地识别出图像中的边缘特征。而拉普拉斯算子作为一种二阶导数算子，能够检测图像中的平坦区域和边缘变化，从而突出图像的细节信息。将这两种算子相结合，可以发挥它们各自的优势，不仅能够精确地检测到图像的边缘，还能细致地捕捉到图像中的细节变化，从而显著提升图像模糊检测的整体性能。

三、算法实现步骤

1.读取图像
2.灰度转换
3.计算拉普拉斯方差
4.计算Sobel均值
5.模糊判定

四、代码实现

代码如下（示例）：

# 导入必要的库
import argparse
import cv2
import numpy as np
import os

# 定义一个函数，计算图像的拉普拉斯方差，用于评估图像的清晰度
def variance_of_laplacian(image):
    # 使用cv2.Laplacian计算图像的拉普拉斯变换，并返回变换后的方差
    return cv2.Laplacian(image, cv2.CV_64F).var()

# 定义一个函数，计算图像的Sobel梯度均值
def compute_sobel(image):
    # 将图像从BGR转换为灰度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算水平和垂直方向的Sobel梯度
    sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=5)
    sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=5)
    # 计算梯度的合成幅度
    sobel = np.sqrt(sobelx ** 2 + sobely ** 2)
    # 打印梯度的均值
    print(np.mean(sobel))
    # 返回梯度的均值
    return np.mean(sobel)

# 定义一个函数，判断图像是否模糊
def is_blurry(image, threshold=100.0):
    # 将图像从BGR转换为灰度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算拉普拉斯方差
    fm = variance_of_laplacian(gray)
    # 计算Sobel梯度均值
    sobel_mean = compute_sobel(image)
    # 计算模糊度量值，这里结合了拉普拉斯方差和Sobel均值255是参数，根据你场景的图片进行调整
    blur_measure = (0.5 * fm) + (0.5 * (sobel_mean-255))
    # 如果模糊度量值小于阈值，则返回True，表示图像模糊
    return blur_measure < threshold

# 定义一个函数，列出指定目录下的所有图像文件
def list_images(directory):
    image_files = []
    # 遍历目录中的所有文件
    for file in os.listdir(directory):
        # 如果文件是图像文件，则将其路径添加到列表中
        if file.endswith(('.png', '.jpg', '.jpeg', '.tiff', '.bmp', '.gif')):
            image_files.append(os.path.join(directory, file))
    # 返回图像文件路径列表
    return image_files

# 主函数
if __name__ == '__main__':
    # 创建命令行参数解析器
    ap = argparse.ArgumentParser()
    # 添加图像路径和模糊阈值的参数
    ap.add_argument("-i", "--images", help="设置输入图片的路径", default=r'F:\im')
    ap.add_argument("-t", "--threshold", type=float, default=20.0, help="设置模糊阈值")
    # 解析命令行参数
    args = vars(ap.parse_args())
    # 获取指定路径下的所有图像文件路径
    image_paths = list_images(args["images"])
    # 遍历所有图像文件
    for imagePath in image_paths:
        # 读取图像
        image = cv2.imread(imagePath)
        # 默认文本标签
        text = "Not Blurry"
        # 判断图像是否模糊
        if is_blurry(image, args["threshold"]):
            text = "Blurry"  # 如果模糊，则更改文本标签
        # 在图像上添加文本标签
        cv2.putText(image, "{}".format(text), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 3)
        # 显示图像
        cv2.imshow("Image", image)
        # 等待按键操作
        key = cv2.waitKey(0)
        # 如果按下'q'键，则退出循环
        if key == ord('q'):
            break

    # 关闭所有OpenCV窗口
    cv2.destroyAllWindows()

五、算法效果