はい、そうです。高速フーリエ変換を計算し、結果を分析します。フーリエ変換により、画像に存在する周波数がわかります。高周波の量が少ない場合、画像はぼやけます。
「低」と「高」という用語の定義はあなた次第です。
編集：
コメントで述べたように、与えられた画像のぼかしを表す単一のフロートが必要な場合は、適切なメトリックを計算する必要があります。
nikie's answer このようなメトリックを提供します。画像をラプラシアンカーネルで畳み込みます。
1
1 -4 1
1
また、出力で堅牢な最大メトリックを使用して、しきい値に使用できる数値を取得します。ラプラシアンを計算する前に、画像を過度に平滑化しないようにしてください。平滑化された画像が実際にぼやけていることがわかるだけですから:-)。
画像の鮮明さを推定するもう1つの非常に簡単な方法は、ラプラス（またはLoG）フィルターを使用して、単純に最大値を選択することです。ノイズが予想される場合は、おそらく99.9％の変位値のような堅牢な尺度を使用することをお勧めします（つまり、最高のコントラストではなく、N番目に高いコントラストを選択します）。コントラスト（ヒストグラムの等化）。
Simonの提案とこれをMathematicaで実装し、いくつかのテスト画像で試してみました。
最初のテストでは、カーネルサイズが異なるガウスフィルターを使用してテスト画像をぼかし、次にぼかした画像のFFTを計算し、90％の最高周波数の平均を取ります。
testFft[img_] := Table[
(
blurred = GaussianFilter[img, r];
fft = Fourier[ImageData[blurred]];
{w, h} = Dimensions[fft];
windowSize = Round[w/2.1];
Mean[Flatten[(Abs[
fft[[w/2 - windowSize ;; w/2 + windowSize,
h/2 - windowSize ;; h/2 + windowSize]]])]]
), {r, 0, 10, 0.5}]
対数プロットの結果：
5本の線は5つのテスト画像を表し、X軸はガウスフィルターの半径を表します。グラフは減少しているため、FFTはシャープネスの適切な尺度です。
これは、「最高LoG」不鮮明度推定器のコードです。LoGフィルターを適用し、フィルター結果の最も明るいピクセルを返します。
testLaplacian[img_] := Table[
(
blurred = GaussianFilter[img, r];
Max[Flatten[ImageData[LaplacianGaussianFilter[blurred, 1]]]];
), {r, 0, 10, 0.5}]
対数プロットの結果：
ボケのない画像の広がりはここでは少し良くなります（2.5対3.3）。主にこの方法は画像で最も強いコントラストのみを使用するのに対し、FFTは本質的に画像全体の平均です。関数もより速く減少しているため、「ぼやけた」しきい値を設定する方が簡単かもしれません。
オートフォーカスレンズを使用したいくつかの作業中に、 イメージフォーカスの検出 のこの非常に便利なアルゴリズムセットに出会いました。 MATLABに実装されていますが、ほとんどの関数は filter2D を使用してOpenCVに簡単に移植できます。
基本的に、多くの焦点測定アルゴリズムの調査実装です。元の論文を読みたい場合は、アルゴリズムの著者への参照がコードで提供されています。 Pertuzなどによる2012年の論文。 焦点からの形状の焦点測定演算子の分析 （SFF）は、これらの測定すべてとそのパフォーマンス（SFFに適用される速度と精度の両方）の優れたレビューを提供します。
編集：リンクが切れた場合に備えてMATLABコードを追加しました。
function FM = fmeasure(Image, Measure, ROI)
%This function measures the relative degree of focus of
%an image. It may be invoked as:
%
% FM = fmeasure(Image, Method, ROI)
%
%Where
% Image, is a grayscale image and FM is the computed
% focus value.
% Method, is the focus measure algorithm as a string.
% see 'operators.txt' for a list of focus
% measure methods.
% ROI, Image ROI as a rectangle [xo yo width heigth].
% if an empty argument is passed, the whole
% image is processed.
%
% Said Pertuz
% Abr/2010
if ~isempty(ROI)
Image = imcrop(Image, ROI);
end
WSize = 15; % Size of local window (only some operators)
switch upper(Measure)
case 'ACMO' % Absolute Central Moment (Shirvaikar2004)
if ~isinteger(Image), Image = im2uint8(Image);
end
FM = AcMomentum(Image);
case 'BREN' % Brenner's (Santos97)
[M N] = size(Image);
DH = Image;
DV = Image;
DH(1:M-2,:) = diff(Image,2,1);
DV(:,1:N-2) = diff(Image,2,2);
FM = max(DH, DV);
FM = FM.^2;
FM = mean2(FM);
case 'CONT' % Image contrast (Nanda2001)
ImContrast = inline('sum(abs(x(:)-x(5)))');
FM = nlfilter(Image, [3 3], ImContrast);
FM = mean2(FM);
case 'CURV' % Image Curvature (Helmli2001)
if ~isinteger(Image), Image = im2uint8(Image);
end
M1 = [-1 0 1;-1 0 1;-1 0 1];
M2 = [1 0 1;1 0 1;1 0 1];
P0 = imfilter(Image, M1, 'replicate', 'conv')/6;
P1 = imfilter(Image, M1', 'replicate', 'conv')/6;
P2 = 3*imfilter(Image, M2, 'replicate', 'conv')/10 ...
-imfilter(Image, M2', 'replicate', 'conv')/5;
P3 = -imfilter(Image, M2, 'replicate', 'conv')/5 ...
+3*imfilter(Image, M2, 'replicate', 'conv')/10;
FM = abs(P0) + abs(P1) + abs(P2) + abs(P3);
FM = mean2(FM);
case 'DCTE' % DCT energy ratio (Shen2006)
FM = nlfilter(Image, [8 8], @DctRatio);
FM = mean2(FM);
case 'DCTR' % DCT reduced energy ratio (Lee2009)
FM = nlfilter(Image, [8 8], @ReRatio);
FM = mean2(FM);
case 'GDER' % Gaussian derivative (Geusebroek2000)
N = floor(WSize/2);
sig = N/2.5;
[x,y] = meshgrid(-N:N, -N:N);
G = exp(-(x.^2+y.^2)/(2*sig^2))/(2*pi*sig);
Gx = -x.*G/(sig^2);Gx = Gx/sum(Gx(:));
Gy = -y.*G/(sig^2);Gy = Gy/sum(Gy(:));
Rx = imfilter(double(Image), Gx, 'conv', 'replicate');
Ry = imfilter(double(Image), Gy, 'conv', 'replicate');
FM = Rx.^2+Ry.^2;
FM = mean2(FM);
case 'GLVA' % Graylevel variance (Krotkov86)
FM = std2(Image);
case 'GLLV' %Graylevel local variance (Pech2000)
LVar = stdfilt(Image, ones(WSize,WSize)).^2;
FM = std2(LVar)^2;
case 'GLVN' % Normalized GLV (Santos97)
FM = std2(Image)^2/mean2(Image);
case 'GRAE' % Energy of gradient (Subbarao92a)
Ix = Image;
Iy = Image;
Iy(1:end-1,:) = diff(Image, 1, 1);
Ix(:,1:end-1) = diff(Image, 1, 2);
FM = Ix.^2 + Iy.^2;
FM = mean2(FM);
case 'GRAT' % Thresholded gradient (Snatos97)
Th = 0; %Threshold
Ix = Image;
Iy = Image;
Iy(1:end-1,:) = diff(Image, 1, 1);
Ix(:,1:end-1) = diff(Image, 1, 2);
FM = max(abs(Ix), abs(Iy));
FM(FM<Th)=0;
FM = sum(FM(:))/sum(sum(FM~=0));
case 'GRAS' % Squared gradient (Eskicioglu95)
Ix = diff(Image, 1, 2);
FM = Ix.^2;
FM = mean2(FM);
case 'HELM' %Helmli's mean method (Helmli2001)
MEANF = fspecial('average',[WSize WSize]);
U = imfilter(Image, MEANF, 'replicate');
R1 = U./Image;
R1(Image==0)=1;
index = (U>Image);
FM = 1./R1;
FM(index) = R1(index);
FM = mean2(FM);
case 'HISE' % Histogram entropy (Krotkov86)
FM = entropy(Image);
case 'HISR' % Histogram range (Firestone91)
FM = max(Image(:))-min(Image(:));
case 'LAPE' % Energy of laplacian (Subbarao92a)
LAP = fspecial('laplacian');
FM = imfilter(Image, LAP, 'replicate', 'conv');
FM = mean2(FM.^2);
case 'LAPM' % Modified Laplacian (Nayar89)
M = [-1 2 -1];
Lx = imfilter(Image, M, 'replicate', 'conv');
Ly = imfilter(Image, M', 'replicate', 'conv');
FM = abs(Lx) + abs(Ly);
FM = mean2(FM);
case 'LAPV' % Variance of laplacian (Pech2000)
LAP = fspecial('laplacian');
ILAP = imfilter(Image, LAP, 'replicate', 'conv');
FM = std2(ILAP)^2;
case 'LAPD' % Diagonal laplacian (Thelen2009)
M1 = [-1 2 -1];
M2 = [0 0 -1;0 2 0;-1 0 0]/sqrt(2);
M3 = [-1 0 0;0 2 0;0 0 -1]/sqrt(2);
F1 = imfilter(Image, M1, 'replicate', 'conv');
F2 = imfilter(Image, M2, 'replicate', 'conv');
F3 = imfilter(Image, M3, 'replicate', 'conv');
F4 = imfilter(Image, M1', 'replicate', 'conv');
FM = abs(F1) + abs(F2) + abs(F3) + abs(F4);
FM = mean2(FM);
case 'SFIL' %Steerable filters (Minhas2009)
% Angles = [0 45 90 135 180 225 270 315];
N = floor(WSize/2);
sig = N/2.5;
[x,y] = meshgrid(-N:N, -N:N);
G = exp(-(x.^2+y.^2)/(2*sig^2))/(2*pi*sig);
Gx = -x.*G/(sig^2);Gx = Gx/sum(Gx(:));
Gy = -y.*G/(sig^2);Gy = Gy/sum(Gy(:));
R(:,:,1) = imfilter(double(Image), Gx, 'conv', 'replicate');
R(:,:,2) = imfilter(double(Image), Gy, 'conv', 'replicate');
R(:,:,3) = cosd(45)*R(:,:,1)+sind(45)*R(:,:,2);
R(:,:,4) = cosd(135)*R(:,:,1)+sind(135)*R(:,:,2);
R(:,:,5) = cosd(180)*R(:,:,1)+sind(180)*R(:,:,2);
R(:,:,6) = cosd(225)*R(:,:,1)+sind(225)*R(:,:,2);
R(:,:,7) = cosd(270)*R(:,:,1)+sind(270)*R(:,:,2);
R(:,:,7) = cosd(315)*R(:,:,1)+sind(315)*R(:,:,2);
FM = max(R,[],3);
FM = mean2(FM);
case 'SFRQ' % Spatial frequency (Eskicioglu95)
Ix = Image;
Iy = Image;
Ix(:,1:end-1) = diff(Image, 1, 2);
Iy(1:end-1,:) = diff(Image, 1, 1);
FM = mean2(sqrt(double(Iy.^2+Ix.^2)));
case 'TENG'% Tenengrad (Krotkov86)
Sx = fspecial('sobel');
Gx = imfilter(double(Image), Sx, 'replicate', 'conv');
Gy = imfilter(double(Image), Sx', 'replicate', 'conv');
FM = Gx.^2 + Gy.^2;
FM = mean2(FM);
case 'TENV' % Tenengrad variance (Pech2000)
Sx = fspecial('sobel');
Gx = imfilter(double(Image), Sx, 'replicate', 'conv');
Gy = imfilter(double(Image), Sx', 'replicate', 'conv');
G = Gx.^2 + Gy.^2;
FM = std2(G)^2;
case 'VOLA' % Vollath's correlation (Santos97)
Image = double(Image);
I1 = Image; I1(1:end-1,:) = Image(2:end,:);
I2 = Image; I2(1:end-2,:) = Image(3:end,:);
Image = Image.*(I1-I2);
FM = mean2(Image);
case 'WAVS' %Sum of Wavelet coeffs (Yang2003)
[C,S] = wavedec2(Image, 1, 'db6');
H = wrcoef2('h', C, S, 'db6', 1);
V = wrcoef2('v', C, S, 'db6', 1);
D = wrcoef2('d', C, S, 'db6', 1);
FM = abs(H) + abs(V) + abs(D);
FM = mean2(FM);
case 'WAVV' %Variance of Wav...(Yang2003)
[C,S] = wavedec2(Image, 1, 'db6');
H = abs(wrcoef2('h', C, S, 'db6', 1));
V = abs(wrcoef2('v', C, S, 'db6', 1));
D = abs(wrcoef2('d', C, S, 'db6', 1));
FM = std2(H)^2+std2(V)+std2(D);
case 'WAVR'
[C,S] = wavedec2(Image, 3, 'db6');
H = abs(wrcoef2('h', C, S, 'db6', 1));
V = abs(wrcoef2('v', C, S, 'db6', 1));
D = abs(wrcoef2('d', C, S, 'db6', 1));
A1 = abs(wrcoef2('a', C, S, 'db6', 1));
A2 = abs(wrcoef2('a', C, S, 'db6', 2));
A3 = abs(wrcoef2('a', C, S, 'db6', 3));
A = A1 + A2 + A3;
WH = H.^2 + V.^2 + D.^2;
WH = mean2(WH);
WL = mean2(A);
FM = WH/WL;
otherwise
error('Unknown measure %s',upper(Measure))
end
end
%************************************************************************
function fm = AcMomentum(Image)
[M N] = size(Image);
Hist = imhist(Image)/(M*N);
Hist = abs((0:255)-255*mean2(Image))'.*Hist;
fm = sum(Hist);
end
%******************************************************************
function fm = DctRatio(M)
MT = dct2(M).^2;
fm = (sum(MT(:))-MT(1,1))/MT(1,1);
end
%************************************************************************
function fm = ReRatio(M)
M = dct2(M);
fm = (M(1,2)^2+M(1,3)^2+M(2,1)^2+M(2,2)^2+M(3,1)^2)/(M(1,1)^2);
end
%******************************************************************
OpenCVバージョンのいくつかの例：
// OpenCV port of 'LAPM' algorithm (Nayar89)
double modifiedLaplacian(const cv::Mat& src)
{
cv::Mat M = (Mat_<double>(3, 1) << -1, 2, -1);
cv::Mat G = cv::getGaussianKernel(3, -1, CV_64F);
cv::Mat Lx;
cv::sepFilter2D(src, Lx, CV_64F, M, G);
cv::Mat Ly;
cv::sepFilter2D(src, Ly, CV_64F, G, M);
cv::Mat FM = cv::abs(Lx) + cv::abs(Ly);
double focusMeasure = cv::mean(FM).val[0];
return focusMeasure;
}
// OpenCV port of 'LAPV' algorithm (Pech2000)
double varianceOfLaplacian(const cv::Mat& src)
{
cv::Mat lap;
cv::Laplacian(src, lap, CV_64F);
cv::Scalar mu, sigma;
cv::meanStdDev(lap, mu, sigma);
double focusMeasure = sigma.val[0]*sigma.val[0];
return focusMeasure;
}
// OpenCV port of 'TENG' algorithm (Krotkov86)
double tenengrad(const cv::Mat& src, int ksize)
{
cv::Mat Gx, Gy;
cv::Sobel(src, Gx, CV_64F, 1, 0, ksize);
cv::Sobel(src, Gy, CV_64F, 0, 1, ksize);
cv::Mat FM = Gx.mul(Gx) + Gy.mul(Gy);
double focusMeasure = cv::mean(FM).val[0];
return focusMeasure;
}
// OpenCV port of 'GLVN' algorithm (Santos97)
double normalizedGraylevelVariance(const cv::Mat& src)
{
cv::Scalar mu, sigma;
cv::meanStdDev(src, mu, sigma);
double focusMeasure = (sigma.val[0]*sigma.val[0]) / mu.val[0];
return focusMeasure;
}
これらの手段が問題に最適であるかどうかの保証はありませんが、これらの手段に関連する論文を追跡すると、より多くの洞察が得られる場合があります。コードが役立つことを願っています！私がやったことを知っています。
ナイキの答えから構築。 opencvでラプラシアンベースのメソッドを実装するのは簡単です：
short GetSharpness(char* data, unsigned int width, unsigned int height)
{
// assumes that your image is already in planner yuv or 8 bit greyscale
IplImage* in = cvCreateImage(cvSize(width,height),IPL_DEPTH_8U,1);
IplImage* out = cvCreateImage(cvSize(width,height),IPL_DEPTH_16S,1);
memcpy(in->imageData,data,width*height);
// aperture size of 1 corresponds to the correct matrix
cvLaplace(in, out, 1);
short maxLap = -32767;
short* imgData = (short*)out->imageData;
for(int i =0;i<(out->imageSize/2);i++)
{
if(imgData[i] > maxLap) maxLap = imgData[i];
}
cvReleaseImage(&in);
cvReleaseImage(&out);
return maxLap;
}
検出された最大シャープネスを示す短い値を返します。これは、実世界のサンプルでのテストに基づいて、カメラの焦点が合っているかどうかのかなり良い指標です。当然のことながら、通常の値はシーンに依存しますが、muchであるため、私のアプリケーションで有用であるためには高い偽陽性率が必要なFFTメソッドよりも小さくなります。
私は全く異なる解決策を思いつきました。ビデオの静止フレームを分析して、すべての（X）フレームで最もシャープなフレームを見つける必要がありました。この方法で、モーションブラーや焦点が合っていない画像を検出します。
最終的にCanny Edge検出を使用して、ほぼすべての種類のビデオで非常に良い結果を得ました（ニキーの方法では、デジタル化されたVHSビデオと重いインターレースビデオに問題がありました）。
元の画像に関心領域（ROI）を設定して、パフォーマンスを最適化しました。
EmguCVの使用：
//Convert image using Canny
using (Image<Gray, byte> imgCanny = imgOrig.Canny(225, 175))
{
//Count the number of pixel representing an Edge
int nCountCanny = imgCanny.CountNonzero()[0];
//Compute a sharpness grade:
//< 1.5 = blurred, in movement
//de 1.5 à 6 = acceptable
//> 6 =stable, sharp
double dSharpness = (nCountCanny * 1000.0 / (imgCanny.Cols * imgCanny.Rows));
}
ラプラスの素晴らしい提案をありがとう。 OpenCV docs 同じ方向を示してくれました：python、cv2（opencv 2.4.10）、numpy ...
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)numpy.max(cv2.convertScaleAbs(cv2.Laplacian(gray_image,3)))
結果は0〜255です。 200を超えるものが非常に焦点が合っていることがわかり、100を超えると著しくぼやけています。完全にぼやけていても、最大値が20未満になることはありません。
現在使用している方法の1つは、画像のエッジの広がりを測定することです。このペーパーを探してください：
@ARTICLE{Marziliano04perceptualblur,
author = {Pina Marziliano and Frederic Dufaux and Stefan Winkler and Touradj Ebrahimi},
title = {Perceptual blur and ringing metrics: Application to JPEG2000,” Signal Process},
journal = {Image Commun},
year = {2004},
pages = {163--172} }
通常はペイウォールの背後にありますが、無料のコピーがいくつか見られます。基本的に、画像内の垂直エッジを特定し、それらのエッジの幅を測定します。幅を平均化すると、画像の最終的なブラー推定結果が得られます。幅の広いエッジはぼやけた画像に対応し、その逆も同様です。
この問題は、非参照画質推定の分野に属します。 Google Scholarで調べると、役立つ参考資料がたくさんあります。
編集
Nikieの投稿の5つの画像について得られたブラー推定値のプロットを次に示します。値が大きいほど、ブラーが大きくなります。固定サイズの11x11ガウスフィルターを使用し、標準偏差を変化させました（imagemagickのconvertコマンドを使用して、ぼやけた画像を取得しました）。
サイズの異なる画像を比較する場合は、画像の幅で正規化することを忘れないでください。画像が大きいとエッジが広くなります。
最後に、重要な問題は、芸術的なブラーと望ましくないブラー（フォーカスミス、圧縮、カメラに対する被写体の相対的な動きが原因）を区別することですが、それはこのような単純なアプローチを超えています。芸術的なぼかしの例については、レナの画像をご覧ください。ミラーでのレナの反射はぼやけていますが、彼女の顔は完全に焦点が合っています。これは、レナ画像のより高いぼけ推定に貢献します。
上記の回答は多くのことを説明しましたが、概念的な区別をすることは有益だと思います。
ぼやけた画像の完全に焦点が合った写真を撮るとどうなりますか？
ぼかし検出の問題は、referenceがある場合にのみ適切に提起されます。オートフォーカスシステムなどを設計する必要がある場合は、さまざまなぼかしまたはスムージングの度合いで撮影した一連の画像を比較し、このセット内で最小限のぼかしのポイントを見つけようとします。つまり、上記の手法のいずれかを使用して、さまざまな画像を相互参照する必要があります（基本的には、アプローチでさまざまなレベルの調整が可能で、最高の高周波コンテンツを含む1つの画像を探します）。
this postのラプラシアンフィルターに基づくソリューションを試しました。それは私を助けませんでした。だから、私は this postから解決策を試してみましたが、それは私のケースには適していました（しかし遅いです）：
import cv2
image = cv2.imread("test.jpeg")
height, width = image.shape[:2]
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
def px(x, y):
return int(gray[y, x])
sum = 0
for x in range(width-1):
for y in range(height):
sum += abs(px(x, y) - px(x+1, y))
ぼやけの少ない画像には最大sum値があります！
また、ステップを変更して速度と精度を調整することもできます。
この部分
for x in range(width - 1):
これと交換できます
for x in range(0, width - 1, 10):
高く評価されているジャーナル（画像処理に関するIEEEトランザクション）で公開されている2つのメソッドのMatlabコードは、ここから入手できます。 https://ivulab.asu.edu/software
cPBDMおよびJNBMアルゴリズムを確認してください。コードをチェックする場合、移植するのはそれほど難しくはありませんが、偶然、Marzialianoのメソッドを基本機能として使用しています。
matlabでfftを使用して実装し、fft計算平均とstdのヒストグラムをチェックしますが、フィット関数も実行できます
fa = abs(fftshift(fft(sharp_img)));
fb = abs(fftshift(fft(blured_img)));
f1=20*log10(0.001+fa);
f2=20*log10(0.001+fb);
figure,imagesc(f1);title('org')
figure,imagesc(f2);title('blur')
figure,hist(f1(:),100);title('org')
figure,hist(f2(:),100);title('blur')
mf1=mean(f1(:));
mf2=mean(f2(:));
mfd1=median(f1(:));
mfd2=median(f2(:));
sf1=std(f1(:));
sf2=std(f2(:));
それは私がOpencvで地域のフォーカス品質を検出するために行うことです：
Mat grad;
int scale = 1;
int delta = 0;
int ddepth = CV_8U;
Mat grad_x, grad_y;
Mat abs_grad_x, abs_grad_y;
/// Gradient X
Sobel(matFromSensor, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT);
/// Gradient Y
Sobel(matFromSensor, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT);
convertScaleAbs(grad_x, abs_grad_x);
convertScaleAbs(grad_y, abs_grad_y);
addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad);
cv::Scalar mu, sigma;
cv::meanStdDev(grad, /* mean */ mu, /*stdev*/ sigma);
focusMeasure = mu.val[0] * mu.val[0];