OpenCV 图像清晰度评价（相机自动对焦）

　　前言

　　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 《highgui/highgui.hpp》

　　#include 《imgproc/imgproc.hpp》

　　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 《highgui/highgui.hpp》

　　#include 《imgproc/imgproc.hpp》

　　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 《highgui/highgui.hpp》

　　#include 《imgproc/imgproc.hpp》

　　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（）;

　　}

　　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。