OpenCV 图像清晰度评价（相机自动对焦）

相机的自动对焦要求相机根据拍摄环境和场景的变化，通过相机内部的微型驱动马达，自动调节相机镜头和CCD之间的距离，保证像平面正好投影到CCD的成像表面上。这时候物体的成像比较清晰，图像细节信息丰富。

相机自动对焦的过程，其实就是对成像清晰度评价的过程，对焦不准确，拍摄出来的图像清晰度低，视觉效果模糊，如果是在工业检测测量领域，对焦不准导致的后果可能是致命的；对焦准确的图像清晰度较高，层次鲜明，对比度高。

图像清晰度评价算法有很多种，在空域中，主要思路是考察图像的领域对比度，即相邻像素间的灰度特征的梯度差；在频域中，主要思路是考察图像的频率分量，对焦清晰的图像高频分量较多，对焦模糊的图像低频分量较多。

这里实现3种清晰度评价方法，分别是Tenengrad梯度方法、Laplacian梯度方法和方差方法。

Tenengrad梯度方法

Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度，同一场景下梯度值越高，图像越清晰。以下是具体实现，这里衡量的指标是经过Sobel算子处理后的图像的平均灰度值，值越大，代表图像越清晰。

#include
#include

using namespace std;
using namespace cv;

int main()
{
    Mat imageSource = imread(”2.jpg”);
    Mat imageGrey;

    cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
    Mat imageSobel;
    Sobel(imageGrey, imageSobel, CV_16U, 1, 1);

    //图像的平均灰度
    double meanValue = 0.0;
    meanValue = mean(imageSobel)[0];

    //double to string
    stringstream meanValueStream;
    string meanValueString;
    meanValueStream << meanValue;
    meanValueStream >> meanValueString;
    meanValueString = ”Articulation(Sobel Method): ” + meanValueString;
    putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
    imshow(”Articulation”, imageSource);
    waitKey();
}

#include 

#include using namespace std; using namespace cv; int main() { Mat imageSource = imread("2.jpg"); Mat imageGrey; cvtColor(imageSource, imageGrey, CV_RGB2GRAY); Mat imageSobel; Sobel(imageGrey, imageSobel, CV_16U, 1, 1); //图像的平均灰度 double meanValue = 0.0; meanValue = mean(imageSobel)[0]; //double to string stringstream meanValueStream; string meanValueString; meanValueStream << meanValue; meanValueStream >> meanValueString; meanValueString = "Articulation(Sobel Method): " + meanValueString; putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2); imshow("Articulation", imageSource); waitKey(); }

使用三张测试图片模拟不同对焦。第一张最清晰，得分最高，第二三张越来越模糊，得分依次降低。

Laplacian梯度方法：

Laplacian梯度是另一种求图像梯度的方法，在上例的OpenCV代码中直接替换Sobel算子即可。

#include
#include

using namespace std;
using namespace cv;

int main()
{
    Mat imageSource = imread(”1.jpg”);
    Mat imageGrey;

    cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
    Mat imageSobel;

    Laplacian(imageGrey, imageSobel, CV_16U);
    //Sobel(imageGrey, imageSobel, CV_16U, 1, 1);

    //图像的平均灰度
    double meanValue = 0.0;
    meanValue = mean(imageSobel)[0];

    //double to string
    stringstream meanValueStream;
    string meanValueString;
    meanValueStream << meanValue;
    meanValueStream >> meanValueString;
    meanValueString = ”Articulation(Laplacian Method): ” + meanValueString;
    putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
    imshow(”Articulation”, imageSource);
    waitKey();
}

#include 

#include using namespace std; using namespace cv; int main() { Mat imageSource = imread("1.jpg"); Mat imageGrey; cvtColor(imageSource, imageGrey, CV_RGB2GRAY); Mat imageSobel; Laplacian(imageGrey, imageSobel, CV_16U); //Sobel(imageGrey, imageSobel, CV_16U, 1, 1); //图像的平均灰度 double meanValue = 0.0; meanValue = mean(imageSobel)[0]; //double to string stringstream meanValueStream; string meanValueString; meanValueStream << meanValue; meanValueStream >> meanValueString; meanValueString = "Articulation(Laplacian Method): " + meanValueString; putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2); imshow("Articulation", imageSource); waitKey(); }

用同样的三张测试图片测试，结果一致，随着对焦模糊得分降低：

方差方法：

方差是概率论中用来考察一组离散数据和其期望（即数据的均值）之间的离散（偏离）成都的度量方法。方差较大，表示这一组数据之间的偏差就较大，组内的数据有的较大，有的较小，分布不均衡；方差较小，表示这一组数据之间的偏差较小，组内的数据之间分布平均，大小相近。

对焦清晰的图像相比对焦模糊的图像，它的数据之间的灰度差异应该更大，即它的方差应该较大，可以通过图像灰度数据的方差来衡量图像的清晰度，方差越大，表示清晰度越好。

#include
#include

using namespace std;
using namespace cv;

int main()
{
    Mat imageSource = imread(”2.jpg”);
    Mat imageGrey;

    cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
    Mat meanValueImage;
    Mat meanStdValueImage;

    //求灰度图像的标准差
    meanStdDev(imageGrey, meanValueImage, meanStdValueImage);
    double meanValue = 0.0;
    meanValue = meanStdValueImage.at<double>(0, 0);

    //double to string
    stringstream meanValueStream;
    string meanValueString;
    meanValueStream << meanValue*meanValue;
    meanValueStream >> meanValueString;
    meanValueString = ”Articulation(Variance Method): ” + meanValueString;

    putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
    imshow(”Articulation”, imageSource);
    waitKey();
}

#include 

#include using namespace std; using namespace cv; int main() { Mat imageSource = imread("2.jpg"); Mat imageGrey; cvtColor(imageSource, imageGrey, CV_RGB2GRAY); Mat meanValueImage; Mat meanStdValueImage; //求灰度图像的标准差 meanStdDev(imageGrey, meanValueImage, meanStdValueImage); double meanValue = 0.0; meanValue = meanStdValueImage.at(0, 0); //double to string stringstream meanValueStream; string meanValueString; meanValueStream << meanValue*meanValue; meanValueStream >> meanValueString; meanValueString = "Articulation(Variance Method): " + meanValueString; putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2); imshow("Articulation", imageSource); waitKey(); }

方差数值随着清晰度的降低逐渐降低：

在工业应用中，最清晰的对焦拍摄出来的图像不一定是最好的，有可能出现摩尔纹（水波纹）现象，一般需要在最清晰对焦位置附件做一个微调。