• Brenner
• Laplacian(Tenengrad)

背景：前年做网站 Retina 优化时顺手上了 webp 格式图片，但没有用我司自己的 DIS 系统，而是用了七牛云的服务，原因是在同等图片体积的情况下，七牛云提供的切图更加清晰。今年收到了运维同事的需求，希望将 webp 格式图片从七牛切回，并提供了多种图片处理方案供选择。那么问题来了，如何判断两张图片的清晰度孰优孰劣？以往都是依赖钛合金狗眼。但这种人肉办法只在清晰度差距明显时可用，在清晰度差距不大时难以判断，判断结果也难以让人信服。因此我开始寻找技术方案来替代人工方案。（以前怎么没想到）很快找到了若干相关文章和论文，此文 无参考图像的清晰度评价方法 最为清晰，主要引用论文 面向无参考图像的清晰度评价方法研究 <-戳此。（发现大部分论文都是遥感、卫星、镜头对焦等行业的研究人员写的，互联网相关的几乎没有）根据上午的参考资料，实现了两种检测算法。

Brenner

最简单的梯度函数，只是简单的计算相邻两个像素灰度差的平方，该函数定义如下：其中: 表示图像对应像素点的灰度值为图像清晰度计算结果。$D(I)$ 越大代表图像约清晰。示例代码如下：

import numpy as np
import cv2
def brenner(im):
    im = im/1       
    temp = np.subtract(im[:, 2:], im[:, :-2])
    temp = np.square(temp)
    temp[temp < 50] = 0
    return np.mean(temp)
im = cv2.imread('1.webp', 0)    
brenner(im)

Laplacian(Tenengrad)

与 Brenner 只取一个方向的梯度不同，这两个算法，计算了水平方向和垂直方向的梯度值，函数定义如下：两个算法的区别仅在于算子不同，Tenengrad 使用了 Sobel 算子 ，论文里 Laplacian 的算子为：但 opencv 的文档里 Laplacian 算子为：opencv 库中有现成的 Laplacian 方法，示例代码如下：

def laplacian(img):
    img = cv2.Laplacian(img, cv2.CV_64F)
    img = np.absolute(img)
    img[img < 50] = 0     #人工设定的阈值
    return np.mean(img)

代码中并没有做平方处理，因为平方后返回值大的离谱了，有空时需要查看 opencv 的 Laplacian 方法源码。这些算法都是用来做图像的边缘检测，和 CNN 里的卷积 Filter 其实是一码事，但均没有提到 padding 这个事，也需要看看源码是怎么处理的。

https://www.dazhuanlan.com/lokiandlokiata/topics/1551523