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。
在 I/O 看未来 | 移动设备、Web、AI 和 Google Cloud 更新一览
2022年三季度工业应用移动机器人行业现状分析
音圈电机无人机成救灾黑科技
一加手机连续5年入选中国全球化品牌榜
复位芯片的作用及原理
OpenCV 图像清晰度评价（相机自动对焦）
Java并发包之CAS介绍
EDA技术概况
以太网供电和HDBaseT供电的标准及所具有的的应用优势
什么是电磁继电器，电磁继电器工作原理是什么，电磁继电器由什么组成，电磁继电器如何应用？
传祺GS4 PLUS:搭载2.0T发动机
一名Github高级工程师眼中的理想领导是什么样的？
SQZ正在开发另一种新型肿瘤细胞治疗平台
伊顿发布全新中压智能开关柜iET1系列,实现智能和高效运营的用电体验
15个节省时间的Jupyter技巧！
币币交易所源码开发OTC场外交易所搭建,源中瑞Dave
浅析产业互联网和工业互联网的差异
韩国民众冒雨抗议部署“萨德”，什么是萨德？部署萨德的后果是啥！
不同雷达的电磁信号调制方式
红外热成像助力海事安全
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。
在 I/O 看未来 | 移动设备、Web、AI 和 Google Cloud 更新一览
2022年三季度工业应用移动机器人行业现状分析
音圈电机无人机成救灾黑科技
一加手机连续5年入选中国全球化品牌榜
复位芯片的作用及原理
OpenCV 图像清晰度评价（相机自动对焦）
Java并发包之CAS介绍
EDA技术概况
以太网供电和HDBaseT供电的标准及所具有的的应用优势
什么是电磁继电器，电磁继电器工作原理是什么，电磁继电器由什么组成，电磁继电器如何应用？
传祺GS4 PLUS:搭载2.0T发动机
一名Github高级工程师眼中的理想领导是什么样的？
SQZ正在开发另一种新型肿瘤细胞治疗平台
伊顿发布全新中压智能开关柜iET1系列,实现智能和高效运营的用电体验
15个节省时间的Jupyter技巧！
币币交易所源码开发OTC场外交易所搭建,源中瑞Dave
浅析产业互联网和工业互联网的差异
韩国民众冒雨抗议部署“萨德”，什么是萨德？部署萨德的后果是啥！
不同雷达的电磁信号调制方式
红外热成像助力海事安全