4. 图像清晰度评测：拉普拉斯方差、Brenner梯度、Tenengrad梯度、SMD（灰度方差）等算法原理与实现

图像清晰度评测，说白了就是判断一张图是「清楚」还是「模糊」。

我做了这么多年图像质量评测，发现很多同学一上来就上深度学习模型，其实没必要。传统方法在工业场景下又快又准，尤其是对焦、缺陷检测这些任务，传统梯度算法依然是首选。

今天我们就来聊聊四种最经典的清晰度评价算法：拉普拉斯方差、Brenner梯度、Tenengrad梯度、SMD（灰度方差）。

4.1 拉普拉斯方差（Laplacian Variance）

拉普拉斯算子是一个二阶微分算子。它不关心图像的整体亮度，只关注像素值的变化率。

为什么用二阶？因为一阶微分只能检测到边缘的存在，而二阶微分能区分「边缘的强度」。清晰图像的边缘更「陡峭」，二阶响应更大。

算法步骤：

1. 将图像转为灰度图
2. 用拉普拉斯核（通常是3x3）做卷积
3. 计算卷积结果的方差

拉普拉斯核：

0	1	0
1	-4	1
0	1	0

import cv2
import numpy as np

def laplacian_variance(image):
    """
    拉普拉斯方差清晰度评价
    值越大，图像越清晰
    """
    # 转灰度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 拉普拉斯卷积
    laplacian = cv2.Laplacian(gray, cv2.CV_64F)
    # 计算方差
    variance = laplacian.var()
    return variance

# 使用示例
img = cv2.imread('test.jpg')
score = laplacian_variance(img)
print(f'清晰度评分: {score:.2f}')

4.2 Brenner梯度

Brenner梯度是最简单的清晰度评价方法之一。它只计算水平方向上相隔两个像素的灰度差平方。

你想想看，为什么是相隔两个像素？因为相邻像素的差异可能太小，相隔两个像素能放大边缘信号，同时抑制一些随机噪声。

def brenner_gradient(image):
    """
    Brenner梯度清晰度评价
    计算水平方向相隔2像素的灰度差平方和
    """
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray = gray.astype(np.float32)
    
    # 水平方向相隔2像素的差分
    diff = gray[:, 2:] - gray[:, :-2]
    # 平方和
    score = np.sum(diff ** 2)
    return score

特点：

• 计算量极小，适合嵌入式设备
• 只考虑水平方向，对垂直纹理不敏感
• 抗噪性一般

4.3 Tenengrad梯度

Tenengrad梯度使用Sobel算子计算水平和垂直方向的梯度。它比Brenner更全面，因为考虑了双方向。

说白了，Sobel算子就是带权重的差分。它给中心像素更高的权重，边缘像素更低的权重，这样能更好地抑制噪声。

def tenengrad_gradient(image):
    """
    Tenengrad梯度清晰度评价
    使用Sobel算子计算梯度幅值平方和
    """
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray = gray.astype(np.float32)
    
    # Sobel x和y方向
    gx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
    gy = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
    
    # 梯度幅值
    mag = np.sqrt(gx ** 2 + gy ** 2)
    # 平方和作为清晰度评分
    score = np.sum(mag ** 2)
    return score

算法	计算量	抗噪性	适用场景
拉普拉斯方差	中	弱	纹理丰富场景
Brenner梯度	小	中	快速对焦
Tenengrad梯度	大	强	通用场景
SMD灰度方差	小	弱	简单场景

4.4 SMD（灰度方差）

SMD全称是Sum of Modulus of Difference，也就是灰度差绝对值之和。它计算每个像素与相邻像素的灰度差绝对值，然后求和。

为什么用绝对值而不是平方？因为平方会放大大的差异，而绝对值对所有差异一视同仁。这在某些场景下更合理。

def smd_gradient(image):
    """
    SMD灰度方差清晰度评价
    计算相邻像素灰度差绝对值之和
    """
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray = gray.astype(np.float32)
    
    # 水平方向差分绝对值
    diff_h = np.abs(gray[:, 1:] - gray[:, :-1])
    # 垂直方向差分绝对值
    diff_v = np.abs(gray[1:, :] - gray[:-1, :])
    
    # 求和
    score = np.sum(diff_h) + np.sum(diff_v)
    return score

4.5 四种算法对比总结

嗯，到这里四种算法都讲完了。我做个简单的总结：

• 追求速度：选Brenner或SMD，计算量小，适合嵌入式
• 追求精度：选Tenengrad，抗噪性好，结果稳定
• 追求平衡：选拉普拉斯方差，简单实用，但要注意噪声
• 特殊场景：纹理极少的图像，先做预处理再评价

我记得有一次，一个同事问我：「为什么我用拉普拉斯方差评价一张模糊图，得分反而比清晰图高？」我一看，原来那张「模糊图」其实是运动模糊，但图像本身纹理非常丰富，拉普拉斯方差对纹理敏感，反而给出了高分。所以，没有万能的算法，理解算法的原理和局限，才能用好它。

---

公众号:蓝海资料掘金营，微信deep3321