在通常情况下，图片是否清晰是个感性认识，同一个图，有可能你觉得还过得去，而别人会觉得不清晰，缺乏一个统一的标准。然而有一些算法可以去量化图片的清晰度，做到有章可循。
原理
如果之前了解过信号处理，就会知道最直接的方法是计算图片的快速傅里叶变换，然后查看高低频分布。如果图片有少量的高频成分，那么该图片就可以被认为是模糊的。然而，区分高频量多少的具体阈值却是十分困难的，不恰当的阈值将会导致极差的结果。
初学者有什么不懂的可以私信我——我刚整理了一套2021最新的0基础入门教程，无私分享，获取方法：关注小编CSDN，发私信：【学习资料】 即可获取，内附：开发工具和安装包，以及系统学习路线图。
我们期望的是一个单一的浮点数就可以表示图片的清晰度。 Pech-Pacheco 在 2000 年模式识别国际会议提出将图片中某一通道（一般用灰度值）通过拉普拉斯掩模做卷积运算，然后计算标准差，出来的值就可以代表图片清晰度。
这种方法凑效的原因就在于拉普拉斯算子定义本身。它被用来测量图片的二阶导数，突出图片中强度快速变化的区域，和 Sobel 以及 Scharr 算子十分相似。并且，和以上算子一样，拉普拉斯算子也经常用于边缘检测。此外，此算法基于以下假设：如果图片具有较高方差，那么它就有较广的频响范围，代表着正常，聚焦准确的图片。但是如果图片具有有较小方差，那么它就有较窄的频响范围，意味着图片中的边缘数量很少。正如我们所知道的，图片越模糊，其边缘就越少。
有了代表清晰度的值，剩下的工作就是设定相应的阀值，如果某图片方差低于预先定义的阈值，那么该图片就可以被认为是模糊的，高于阈值，就不是模糊的。
实操
原理看起来比较复杂，涉及到很多信号啊图片处理的相关知识，下面我们来实操一下，直观感受下。
由于人生苦短，以及我个人是朋友圈第一 Python 吹子，我选择使用 Python 来实现，核心代码简单到令人发指：
import cv2
def getImageVar(imgPath):
image = cv2.imread(imgPath);
img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var()
return imageVar
真是人生苦短啊，核心代码就三行，简单解释下。
import cv2使用了一个著名的图像处理库 OpenCV，关于 OpenCV 的安装这里不多赘述，需要注意的是它依赖 numpy。
image = cv2.imread(imgPath)使用 OpenCV 提供的方法读取图片。img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)转化为灰度图。如下图：
原图是这样的：
cv2.Laplacian(img2gray, cv2.CV_64F)对图片用 3x3 拉普拉斯算子做卷积，这里的cv2.CV_64F就是拉普拉斯算子。
原理部分说过，拉普拉斯算子经常用于边缘检测，所以这里经过拉普拉斯算子之后，留下的都是检测到的边缘。上图经过这步处理之后是这样的：
可以看到这里图片人物大致还是比较清晰的。
cv2.Laplacian(img2gray, cv2.CV_64F).var()计算出方差，并最后返回。
上面那张图按这个计算出来时 3170 多，这个就是最后我们用来判断清晰度的值。所以想学的同学，有必要听一下这位老师的课、领取python福利奥，想学的同学可以到梦雅老师的围鑫（同音）：前边一组是：mengy ,后边一组是：7762,把以上两组字母按照先后顺序组合起来即可，她会安排学习的。
可以再找一张看看：
原图：
做灰度和经过拉普拉斯算子之后，可以看到人物部分已经不是很清晰了。
最后算出来的方差只有 530
剩下的工作就是根据整体图片质量确定阀值了。
局限性
通过上面的实操，我们知道这个算法的技巧在于设置合适的阀值，阈值太低会导致正常图片被误断为模糊图片，阈值太高会导致模糊图片被误判为正常图片。阀值依赖于你实际应用的业务场景，需要根据使用场景的不同做不同的定制。
真正的银弹并不存在。除了需要定个阀值外，有些图片可能会故意做个背景模糊或者背景虚化，这种图片很容易被误杀。
比如：
计算出来是这样的，后面一大片都是黑的。
这个图前景其实看着还行，但是背景有大片的虚化和模糊，这种情况下比较容易被误杀。
所以最好还是在了解原理之后，根据实际场景来使用。
