在通常情況下，圖片是否清晰是個感性認識，同一個圖，有可能你覺得還過得去，而別人會覺得不清晰，缺乏一個統(tǒng)一的標準。然而有一些算法可以去量化圖片的清晰度，做到有章可循。

原理

如果之前了解過信號處理，就會知道最直接的方法是計算圖片的快速傅里葉變換，然后查看高低頻分布。如果圖片有少量的高頻成分，那么該圖片就可以被認為是模糊的。然而，區(qū)分高頻量多少的具體閾值卻是十分困難的，不恰當?shù)拈撝祵е聵O差的結(jié)果。

我們期望的是一個單一的浮點數(shù)就可以表示圖片的清晰度。 Pech-Pacheco 在 2000 年模式識別國際會議提出將圖片中某一通道（一般用灰度值）通過拉普拉斯掩模做卷積運算，然后計算標準差，出來的值就可以代表圖片清晰度。

這種方法奏效的原因就在于拉普拉斯算子定義本身。它被用來測量圖片的二階導數(shù)，突出圖片中強度快速變化的區(qū)域，和 Sobel 以及 Scharr 算子十分相似。并且，和以上算子一樣，拉普拉斯算子也經(jīng)常用于邊緣檢測。此外，此算法基于以下假設(shè)：如果圖片具有較高方差，那么它就有較廣的頻響范圍，代表著正常，聚焦準確的圖片。但是如果圖片具有有較小方差，那么它就有較窄的頻響范圍，意味著圖片中的邊緣數(shù)量很少。正如我們所知道的，圖片越模糊，其邊緣就越少。

有了代表清晰度的值，剩下的工作就是設(shè)定相應的閥值，如果某圖片方差低于預先定義的閾值，那么該圖片就可以被認為是模糊的，高于閾值，就不是模糊的。

實操

原理看起來比較復雜，涉及到很多信號啊圖片處理的相關(guān)知識，下面我們來實操一下，直觀感受下。

由于人生苦短，以及我個人是朋友圈第一 Python 吹子，我選擇使用 Python 來實現(xiàn)，核心代碼簡單到令人發(fā)指：

真是人生苦短啊，核心代碼就三行，簡單解釋下。

import cv2使用了一個著名的圖像處理庫 OpenCV，關(guān)于 OpenCV 的安裝這里不多贅述，需要注意的是它依賴 numpy。

image = cv2.imread(imgPath)使用 OpenCV 提供的方法讀取圖片。img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)轉(zhuǎn)化為灰度圖。如下圖：

原圖是這樣的：

cv2.Laplacian(img2gray, cv2.CV_64F)對圖片用 3x3 拉普拉斯算子做卷積，這里的cv2.CV_64F就是拉普拉斯算子。

原理部分說過，拉普拉斯算子經(jīng)常用于邊緣檢測，所以這里經(jīng)過拉普拉斯算子之后，留下的都是檢測到的邊緣。上圖經(jīng)過這步處理之后是這樣的：

可以看到這里圖片人物大致還是比較清晰的。

cv2.Laplacian(img2gray, cv2.CV_64F).var()計算出方差，并最后返回。

上面那張圖按這個計算出來時 3170 多，這個就是最后我們用來判斷清晰度的值。

可以再找一張看看：

原圖：

做灰度和經(jīng)過拉普拉斯算子之后，可以看到人物部分已經(jīng)不是很清晰了。

最后算出來的方差只有 530

剩下的工作就是根據(jù)整體圖片質(zhì)量確定閥值了。

局限性

通過上面的實操，我們知道這個算法的技巧在于設(shè)置合適的閥值，閾值太低會導致正常圖片被誤斷為模糊圖片，閾值太高會導致模糊圖片被誤判為正常圖片。閥值依賴于你實際應用的業(yè)務場景，需要根據(jù)使用場景的不同做不同的定制。

真正的銀彈并不存在。除了需要定個閥值外，有些圖片可能會故意做個背景模糊或者背景虛化，這種圖片很容易被誤殺。

比如：

計算出來是這樣的，后面一大片都是黑的。

這個圖前景其實看著還行，但是背景有大片的虛化和模糊，這種情況下比較容易被誤殺。

所以最好還是在了解原理之后，根據(jù)實際場景來使用。

最后寫了個簡單的腳本，對傳入的圖片路徑的圖片進行計算，然后返回一個 json 字符串。

用法python getRank.py --imgs=./1.jpg,./2.jpg