javao opencv 让图片字更清晰 opencv图像清晰

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。

 

 

1. #include <highgui/highgui.hpp>
2. #include <imgproc/imgproc.hpp>
3.  
4. using namespace std;
5. using namespace cv;
6.  
7. int main()
8. {
9. Mat imageSource = imread("2.jpg");
10. Mat imageGrey;
11.  
12. cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
13. Mat imageSobel;
14. Sobel(imageGrey, imageSobel, CV_16U, 1, 1);
15.  
16. //图像的平均灰度
17. double meanValue = 0.0;
18. meanValue = mean(imageSobel)[0];
19.  
20. //double to string
21. stringstream meanValueStream;
22. string meanValueString;
23. meanValueStream << meanValue;
24. meanValueStream >> meanValueString;
25. meanValueString = "Articulation(Sobel Method): " + meanValueString;
26. putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
27. imshow("Articulation", imageSource);
28. waitKey();
29. }

 

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。

 

1. #include <highgui/highgui.hpp>
2. #include <imgproc/imgproc.hpp>
3.  
4. using namespace std;
5. using namespace cv;
6.  
7. int main()
8. {
9. Mat imageSource = imread("1.jpg");
10. Mat imageGrey;
11.  
12. cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
13. Mat imageSobel;
14.  
15. Laplacian(imageGrey, imageSobel, CV_16U);
16. //Sobel(imageGrey, imageSobel, CV_16U, 1, 1);
17.  
18. //图像的平均灰度
19. double meanValue = 0.0;
20. meanValue = mean(imageSobel)[0];
21.  
22. //double to string
23. stringstream meanValueStream;
24. string meanValueString;
25. meanValueStream << meanValue;
26. meanValueStream >> meanValueString;
27. meanValueString = "Articulation(Laplacian Method): " + meanValueString;
28. putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
29. imshow("Articulation", imageSource);
30. waitKey();
31. }

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。

 

1. #include <highgui/highgui.hpp>
2. #include <imgproc/imgproc.hpp>
3.  
4. using namespace std;
5. using namespace cv;
6.  
7. int main()
8. {
9. Mat imageSource = imread("2.jpg");
10. Mat imageGrey;
11.  
12. cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
13. Mat meanValueImage;
14. Mat meanStdValueImage;
15.  
16. //求灰度图像的标准差
17. meanStdDev(imageGrey, meanValueImage, meanStdValueImage);
18. double meanValue = 0.0;
19. meanValue = meanStdValueImage.at<double>(0, 0);
20.  
21. //double to string
22. stringstream meanValueStream;
23. string meanValueString;
24. meanValueStream << meanValue*meanValue;
25. meanValueStream >> meanValueString;
26. meanValueString = "Articulation(Variance Method): " + meanValueString;
27.  
28. putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
29. imshow("Articulation", imageSource);
30. waitKey();
31. }

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。

 

相关实现源码

float get_sobel_mean(cv::Mat img) {
    cv::Mat imageSobel;
    Sobel(img, imageSobel, CV_16U, 1, 1);
    double meanValue = 0.0;
    meanValue = mean(imageSobel)[0];
    return meanValue;
}
float get_lap_var(cv::Mat img) {
    cv::Mat dst;
    //Laplace(f) = \dfrac{\partial^{2} f}{\partial x^{2}} + \dfrac{\partial^{2} f}{\partial y^{2}}
    int kernel_size = 3;
    int ddepth = CV_16U;
    Laplacian(img, dst, ddepth, kernel_size, BORDER_DEFAULT);
    Mat tmp_m, tmp_sd;
    double m = 0, sd = 0;
    meanStdDev(dst, tmp_m, tmp_sd);
    m = tmp_m.at<double>(0, 0);
    sd = tmp_sd.at<double>(0, 0);
    //cout << "laplacian......... Mean: " << m << " ,laplacian StdDev: " << sd << endl;
    return sd;
}

float get_img_dft_mean(cv::Mat input)
{
    cvtColor(input, input, CV_RGB2GRAY);
    int w = getOptimalDFTSize(input.cols);
    int h = getOptimalDFTSize(input.rows);//获取最佳尺寸，快速傅立叶变换要求尺寸为2的n次方
    Mat padded;
    copyMakeBorder(input, padded, 0, h - input.rows, 0, w - input.cols, BORDER_CONSTANT, Scalar::all(0));//填充图像保存到padded中

    Mat plane[] = { Mat_<float>(padded), Mat_<float>::zeros(padded.size()) };//创建通道
    Mat complexIm;
    merge(plane, 2, complexIm);//合并通道

    dft(complexIm, complexIm);//进行傅立叶变换，结果保存在自身
    int rows = complexIm.rows;
    int cols = complexIm.cols;
    int offsetX = rows / 6;
    int offsetY = cols / 6;
    float mean = 0;
    int count = 0;
    for (size_t i = 0; i < rows; i++)
    {
        float *ptr = complexIm.ptr<float>(i);
        for (size_t j = 0; j < cols * 2; j = j + 2)
        {
            if ((i > offsetX && i < (rows - offsetX)) && (j > 2 * offsetY && j < (2 * cols - 2 * offsetY))) {
                mean += sqrt(ptr[j] * ptr[j] + ptr[j + 1] * ptr[j + 1]);
                count++;
            }
        }
    }
    return mean / count;
}

 

基于信息熵的评价方法