图片清晰度识别之改进ssim算法

针对图片的清晰度识别，针对数据量比较大，对性能要求较高时，简单可靠的算法尤为重要，因此，经过对比，发现SSIM的算法可以在结合图片的结构，亮度，对比度三个条件下对图片进行分析。
step1：先将图片预处理裁剪

首先说明下我引用的用的python包：

import numpy as np
import math
import cv2
import urllib

裁剪图片视情况而定，主要结合业务需求将图片的大小裁剪成相同的尺寸，便于比较，因为我处理的大部分是新闻图片，因此将图片裁剪成512*400,并将彩色图片处理灰度化；

def imgPreHandle(img,img_witdth,img_height,resize_width=512,resize_height=480):
    """
       将图片缩放到同样的尺寸
       :param img:  图片
       :param img_witdth:    图片的宽度
       :param img_height:    图片的宽度高度
       :param resize_width:  图片裁剪的宽度
       :param resize_height   图片裁剪的高度
       :return:
    """
    # x = img_witdth
    # y = img_height
    x,y,z = img.shape
    new_pic = img
    if ((x>=resize_height) & (y>=resize_width))|((x<resize_height) & (y<resize_width)):
        new_pic = img
    elif (x<resize_height) & (y>=resize_width) :
        new_pic = img[:, int((y/2)-(resize_width/2)):int((y/2) + (resize_width/2))]
    elif (x>=resize_height) & (y<resize_width):
        new_pic = img[int((x/2)-(resize_height/2)):int((x/2) + (resize_height/2)), :]
    elif (x >= resize_height) & (y < resize_width):
        new_pic = img[int((x / 2) - (resize_height / 2)):int((x / 2) + (resize_height / 2)), :]
    new_picture = cv2.resize(new_pic, (resize_height, resize_width))
    if len(new_picture.shape) == 3:
        gray = rgb2gray(new_picture)
    else:
        gray = new_picture

    return gray

step2: 对图像进行分块处理
首先对图片进行分块处理，视情况而定，这里将整个图片均匀分为9块大小，每块为11*11的大小，对每块图片采用ssimFunction函数处理，计算SSIM，与传统的ssim不同的是，我增加了一步利用函数entropyFunc计算信息熵的过程。
（1）在ssimFunction函数中先对每一小块图片进行高斯处理，然后分别对原图和高斯模糊后图片进行sobel边缘提取。
（2）计算每一小块的SSIM和信息熵大小
（3）通过对所有小块，按照信息熵进行片排名，然后取Top（这里取top=10）SSIM做均值。最后1-均值即为清晰度得分。

def img_ssimRecog(img, len_s = 11):
    """
       图片处理
      :param img:  图片
      :param  len_s: 图片每个小块尺寸
      :return:
    """
    X_org, Y_org = img.shape
    res_list = []
    for i in range(0, int(X_org), int(X_org / len_s)+3):
        for j in range(0, int(Y_org), int(Y_org / len_s)+3):
            res_list.append(ssimFunction(img[i:i + len_s, j:j + len_s]))

    res_list = np.array(res_list)
    res_list_sort = res_list[np.lexsort(-res_list.T)]
    res_list = res_list_sort[:, :1]

    res = np.mean(res_list[:10])
    if res < 0.0:
        res = 0.0
    return 1 - res

其中信息熵的求解函数entropyFunc如下所示：

def entropyFunc(img):
    """
        熵函数
       :param img:  图片
       :return:
    """
    res = 0
    tmp = [0] * 256
    img_list = []
    for i in range(len(img)):
        img_list.extend(map(int, img[i]))
    img_list_set = set(img_list)
    for i in img_list_set:
        tmp[i] = float(img_list.count(i))/ 256

    for i in range(len(tmp)):
        if (tmp[i] == 0):
            res = res
        else:
            res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0)))
    return res

求解ssim的函数如下所示：

def ssimFunction(img):
    """
       ssim 算法
      :param img:  图片
      :return:
    """
    x, y = img.shape
    resEntropy = entropyFunc(img)
    TR = cv2.GaussianBlur(img, (5,5),3)
    G = cv2.Sobel(img,cv2.CV_16S,2,2)/5
    Gr = cv2.Sobel(TR,cv2.CV_16S,2,2)/5
    Ux = np.mean(G)
    Uy = np.mean(Gr)
    Vx = np.var(G)
    Vy = np.var(Gr)
    Vxy = (1 / (x * y - 1)) * np.sum((G - Ux) * (Gr - Uy))
    R = 255
    K1 = 0.03
    K2 = 0.01
    c1 = (K1 * R) ** 2
    c2 = (K2 * R) ** 2
    # -SSIM
    A1 = 2 * Ux * Uy + c1
    A2 = 2 * Vxy + c2
    B1 = Ux ** 2 + Uy ** 2 + c1
    B2 = Vx  + Vy  + c2
    SSIM = (A1 * A2) / (B1 * B2)

    return SSIM, resEntropy

效果如下所示：

参考文献：

1、https://blog.csdn.net/ecnu18918079120/article/details/60149864
2、https://blog.csdn.net/chaipp0607/article/details/70158835