图像质量评估

图像清晰度是衡量图像质量的一个重要指标，对于相机来说，其一般工作在无参考图像的模式下，所以在拍照时需要进行对焦的控制。对焦不准确，图像就会变得比较模糊不清晰。相机对焦时通过一些清晰度评判指标，控制镜头与CCD的距离，使图像成像清晰。一般对焦时有一个调整的过程，图像从模糊到清晰，再到模糊，确定清晰度峰值，再最终到达最清晰的位置。 
常见的图像清晰度评价一般都是基于梯度的方法，本文将介绍五种简单的评价指标，分别是Brenner梯度法、Tenegrad梯度法、laplace梯度法、方差法、能量梯度法。

---

Brenner梯度法

计算相差两个单元的两个像素点的灰度差： 

FBrenner=∑M∑N(f(x+2,y)−f(x,y))2FBrenner=∑M∑N(f(x+2,y)−f(x,y))2

式中 (f(x+2,y)−f(x,y))2>Threshold(f(x+2,y)−f(x,y))2>Threshold  
算法准确性取决于阈值的选取。

---

Tenegrad梯度法

采用sobel算子分别提取水平和竖直方向的梯度： 

FTenegrad=∑M∑N|G(x,y)|FTenegrad=∑M∑N|G(x,y)|

G(x,y)>ThresholdG(x,y)>Threshold  
G(x,y)=Gx(x,y)2+Gy(x,y)2−−−−−−−−−−−−−−−−−√G(x,y)=Gx(x,y)2+Gy(x,y)2  
sobel算子模板如下： 

Gx=14⎡⎣⎢−1−2−1000121⎤⎦⎥∗IGx=14[−101−202−101]∗I

Gy=14⎡⎣⎢−101−202−101⎤⎦⎥∗IGy=14[−1−2−1000121]∗I

---

Laplace梯度法

laplace梯度函数与Tenegrad基本一致，只需要用Laplace算子替代sobel算子即可： 

L=16⎡⎣⎢1414204141⎤⎦⎥∗IL=16[1414204141]∗I

---

方差法

聚焦清晰的图像比模糊图像有更大的灰度差异，可用方差函数作为评价： 

Fvariance=∑M∑N(f(x,y)−E2)Fvariance=∑M∑N(f(x,y)−E2)

式中E为整幅图像的平均灰度值，该函数对噪声敏感。

---

能量梯度法

能量梯度函数适合实时评价图像清晰度： 

FBrenner=∑M∑N((f(x+1,y)−f(x,y))2+(f(x,y+1)−f(x,y))2)FBrenner=∑M∑N((f(x+1,y)−f(x,y))2+(f(x,y+1)−f(x,y))2)

---

实例代码

采用halcon实现：

//方差法
        region_to_mean(Image, Image, &ImageMean);
        convert_image_type(ImageMean, &ImageMean, "real");
        convert_image_type(Image, &Image, "real");
        sub_image(Image, ImageMean, &ImageSub, 1, 0);
        mult_image(ImageSub, ImageSub, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

• 1
• 2
• 3
• 4
• 5
• 6
• 7

//拉普拉斯梯度函数
        laplace(Image, &ImageLaplace4, "signed", 3, "n_4");
        laplace(Image, &ImageLaplace8, "signed", 3, "n_8");
        add_image(ImageLaplace4, ImageLaplace4, &ImageResult1, 1, 0);
        add_image(ImageLaplace4, ImageResult1, &ImageResult1, 1, 0);
        add_image(ImageLaplace8, ImageResult1, &ImageResult1, 1, 0);
        mult_image(ImageResult1, ImageResult1, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

//能量梯度函数
        crop_part(Image, &ImagePart00, 0, 0, Width-1, Height-1);
        crop_part(Image, &ImagePart01, 0, 1, Width-1, Height-1);
        crop_part(Image, &ImagePart10, 1, 0, Width-1, Height-1);
        convert_image_type(ImagePart00, &ImagePart00, "real");
        convert_image_type(ImagePart10, &ImagePart10, "real");
        convert_image_type(ImagePart01, &ImagePart01, "real");
        sub_image(ImagePart10, ImagePart00, &ImageSub1, 1, 0);
        mult_image(ImageSub1, ImageSub1, &ImageResult1, 1, 0);
        sub_image(ImagePart01, ImagePart00, &ImageSub2, 1, 0);
        mult_image(ImageSub2, ImageSub2, &ImageResult2, 1, 0);
        add_image(ImageResult1, ImageResult2, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

//Brenner梯度法
        crop_part(Image, &ImagePart00, 0, 0, Width, Height-2);
        convert_image_type(ImagePart00, &ImagePart00, "real");
        crop_part(Image, &ImagePart20, 2, 0, Width, Height-2);
        convert_image_type(ImagePart20, &ImagePart20, "real");
        sub_image(ImagePart20, ImagePart00, &ImageSub, 1, 0);
        mult_image(ImageSub, ImageSub, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

//Tenegrad梯度法
        sobel_amp(Image, &EdgeAmplitude, "sum_sqrt", 3);
        min_max_gray(EdgeAmplitude, EdgeAmplitude, 0, &Min, &Max, &Range);
        threshold(EdgeAmplitude, &Region1, 20, 255);
        region_to_bin(Region1, &BinImage, 1, 0, Width, Height);
        mult_image(EdgeAmplitude, BinImage, &ImageResult4, 1, 0);
        mult_image(ImageResult4, ImageResult4, &ImageResult, 1, 0);
        intensity(ImageResult, ImageResult, &Value, &Deviation);

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

---

结果分析

处理图像为一组对焦从模糊到清晰再到模糊的标定板图像，如下为其中三幅图像： 

中间为最清晰的图像。 
采用五种评价函数，对一百多幅图像进行计算，并将结果进行归一化，得到如图所示结果： 
 
一个好的评价函数需要具有单峰性，无偏性，灵敏性，在本实例中，采用Laplace、能量梯度和Brenner梯度法较好，而方差法效果较差，Tenegrad梯度法反向了。