图像处理算法之模糊检测

最新推荐文章于 2024-08-16 07:45:21 发布

狂奔的CD

最新推荐文章于 2024-08-16 07:45:21 发布

阅读量6k

点赞数

分类专栏：图像处理 AI

本文链接：https://blog.csdn.net/kkae8643150/article/details/121974460

版权

图像处理算法计算机视觉

AI 同时被 2 个专栏收录

52 篇文章 4 订阅

订阅专栏

图像处理

4 篇文章 0 订阅

订阅专栏

1）拉普拉斯算子边缘模糊程度值
参考： https://cloud.tencent.com/developer/article/1701714
原理：
在这里插入图片描述

这种方法有效的原因是由于Laplacian算子本身的定义，它用于测量图像的二阶导数。拉普拉斯算子突出显示图像中包含快速梯度变化的区域，很像Sobel和Scharr算子。和这些算子一样，Laplacian也经常用于边缘检测。这里的假设是，如果一幅图像的方差较高，那么就说明图像有广泛的响应，包括类边和非类边，这是一幅正常的聚焦图像的代表。但如果方差很低，那么就会有很小的响应扩散，这表明图像中几乎没有边缘。而图像越模糊，边缘就越少。所以可以用来检测是否模糊。

显然，这里的关键是设置正确的阈值，而阈值的设置与应用到的图像集相关。如果阈值过低，你就会错误地将原本不模糊的图像标记为模糊。如果阈值过高，那么实际上模糊的图像将不会被标记为模糊。这种方法只有在非常稳定的图像集（同一类型）中应用良好。

def getImageVar( image ):
    img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var()
    return imageVar