拉普拉斯算子用于模糊检测原理

转载：https://www.cnblogs.com/yanshw/p/15587091.html

原理简介

让图像的单一通道(大概灰度)和以下3 x 3的内核进行卷积

然后取相应的方差。

如果方差低于预先定义的阈值，则认为图像模糊；否则，图像不会模糊。

这种方法有效的原因是由于Laplacian算子本身的定义，它用于测量图像的二阶导数。

拉普拉斯算子突出显示图像中包含快速梯度变化的区域，很像Sobel和Scharr算子。和这些算子一样，Laplacian也经常用于边缘检测。

这里的假设是，如果一幅图像的方差较高，那么就说明图像有广泛的响应，包括类边和非类边，这是一幅正常的聚焦图像的代表。

但如果方差很低，那么就会有很小的响应扩散，这表明图像中几乎没有边缘。而图像越模糊，边缘就越少。所以可以用来检测是否模糊。

显然，这里的关键是设置正确的阈值，而阈值的设置与应用到的图像集相关。

如果阈值过低，你就会错误地将原本不模糊的图像标记为模糊。

如果阈值过高，那么实际上模糊的图像将不会被标记为模糊。这种方法只有在非常稳定的图像集（同一类型）中应用良好。

 

用法

示例代码，注意转换灰度图，但是我没转也没报错

import cv2 as cv

image1 = cv.imread('imgs/tulips_1.jpg')
image1 = cv.cvtColor(image1, cv.COLOR_BGR2GRAY)
v1 = cv.Laplacian(image1, cv.CV_64F).var()

image2 = cv.imread('imgs/melian.png')
image2 = cv.cvtColor(image2, cv.COLOR_BGR2BGRA)
v2 = cv.Laplacian(image2, cv.CV_64F).var()

print(v1, v2)       # 757.6573775277777 302.6699592172611