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，缺乏一個統一的標準。然而有一些演算法可以去量化圖片的清晰度，做到有章可循。
原理
如果之前瞭解過訊號處理，就會知道最直接的方法是計算圖片的快速傅立葉變換，然後檢視高低頻分佈。如果圖片有少量的高頻成分，那麼該圖片就可以被認為是模糊的。然而，區分高頻量多少的具體閾值卻是十分困難的，不恰當的閾值將會導致極差的結果。
我們期望的是一個單一的浮點數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，然後計算標準差，出來的值就可以代表圖片清晰度。
這種方法湊效的原因就在於拉普拉斯運算元定義本身。它被用來測量圖片的二階導數，突出圖片中強度快速變化的區域，和 Sobel 以及 Scharr 運算元十分相似。並且，和以上運算元一樣，拉普拉斯運算元也經常用於邊緣檢測。此外，此演算法基於以下假設：如果圖片具有較高方差，那麼它就有較廣的頻響範圍，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，那麼它就有較窄的頻響範圍，意味著圖片中的邊緣數量很少。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，剩下的工作就是設定相應的閥值，如果某圖片方差低於預先定義的閾值，那麼該圖片就可以被認為是模糊的，高於閾值，就不是模糊的。
實操
原理看起來比較複雜，涉及到很多訊號啊圖片處理的相關知識，下面我們來實操一下，直觀感受下。
由於人生苦短，以及我個人是朋友圈第一 Python 吹子，我選擇使用 Python 來實現，核心程式碼簡單到令人髮指：
import cv2
def getImageVar(imgPath):
image = cv2.imread(imgPath);
img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var()
return imageVar
複製程式碼真是人生苦短啊，核心程式碼就三行，簡單解釋下。
import cv2 使用了一個著名的影像處理庫 OpenCV，關於 OpenCV 的安裝這裡不多贅述，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 拉普拉斯運算元做卷積，這裡的 cv2.CV_64F 就是拉普拉斯運算元。
原理部分說過，拉普拉斯運算元經常用於邊緣檢測，所以這裡經過拉普拉斯運算元之後，留下的都是檢測到的邊緣。上圖經過這步處理之後是這樣的：
可以看到這裡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，並最後返回。
上面那張圖按這個計算出來時 3170 多，這個就是最後我們用來判斷清晰度的值。
可以再找一張看看：
原圖：
做灰度和經過拉普拉斯運算元之後，可以看到人物部分已經不是很清晰了。
最後算出來的方差只有 530
剩下的工作就是根據整體圖片質量確定閥值了。
侷限性
通過上面的實操，我們知道這個演算法的技巧在於設定合適的閥值，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。閥值依賴於你實際應用的業務場景，需要根據使用場景的不同做不同的定製。
真正的銀彈並不存在。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，後面一大片都是黑的。
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。
所以最好還是在瞭解原理之後，根據實際場景來使用。
最後寫了個簡單的指令碼，對傳入的圖片路徑的圖片進行計算，然後返回一個 json 字串。
用法 python getRank.py --imgs=./1.jpg,./2.jpg
碎碎念
記錄一些所思所想，寫寫科技與人文，寫寫生活狀態，寫寫讀書心得，主要是扯淡和感悟。 歡迎關注，交流。
微信公眾號：程式設計師的詩和遠方
公眾號ID : MonkeyCoder-Life
