• 理论
• 代码
• 5. SMD2 （灰度方差乘积）函数

理论

灰度差分评价函数具有较好的计算性能，但其缺点也很明显，即在焦点附近灵敏度不高，即该函数在极值点附近过于平坦，从而导致聚焦精度难以提高。在文章《一种快速高灵敏度聚焦评价函数》中提出了一种新的评价函数，称之为灰度方差乘积法，即对每一个像素领域两个灰度差相乘后再逐个像素累加，该函数定义如下：

代码

def SMD2(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像约清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(0, shape[0]-1):
        for y in range(0, shape[1]-1):
            out+=math.fabs(int(img[x,y])-int(img[x+1,y]))*math.fabs(int(img[x,y]-int(img[x,y+1])))
    return out

https://blog.csdn.net/Greepex/article/details/90183018

5. SMD2 （灰度方差乘积）函数

灰度差分评价函数具有较好的计算性能，但其缺点也很明显，即在焦点附近灵敏度不高，即该函数在极值点附近过于平坦，从而导致聚焦精度难以提高。在文章《一种快速高灵敏度聚焦评价函数》中提出了一种新的评价函数，称之为灰度方差乘积法，即对每一个像素领域两个灰度差相乘后再逐个像素累加，该函数定义如下：代码:

def SMD2(img):
        # 图像的预处理
       reImg = cv2.resize(img, (800, 900), interpolation=cv2.INTER_CUBIC)  
       img2gray = cv2.cvtColor(reImg, cv2.COLOR_BGR2GRAY)  # 将图片压缩为单通道的灰度图
       f=self._imageToMatrix(img2gray)/255.0
       x, y = f.shape
       D = 0
       for i in range(x - 1):
           for j in range(y - 1):
               D += np.abs(f[i+1,j]-f[i,j])*np.abs(f[i,j]-f[i,j+1])
       return D

https://gist.github.com/JuneoXIE/d595028586eec752f4352444fc062c44

def _SMD2Detection(self, imgName):
    """
    灰度方差乘积
    :param imgName:
    :return:
    """
    # step 1 图像的预处理
    img2gray, reImg = self.preImgOps(imgName)
    f=self._imageToMatrix(img2gray)/255.0
    x, y = f.shape
    score = 0
    for i in range(x - 1):
        for j in range(y - 1):
            score += np.abs(f[i+1,j]-f[i,j])*np.abs(f[i,j]-f[i,j+1])
    # strp3: 绘制图片并保存  不应该写在这里  抽象出来   这是共有的部分
    score=score
    newImg = self._drawImgFonts(reImg, str(score))
    newDir = self.strDir + "/_SMD2Detection_/"
    if not os.path.exists(newDir):
        os.makedirs(newDir)
    newPath = newDir + imgName
    cv2.imwrite(newPath, newImg)  # 保存图片
    cv2.imshow(imgName, newImg)
    cv2.waitKey(0)
    return score

https://github.com/Leezhen2014/python—/blob/master/BlurDetection.py