Tenengrad评价函数详解

原创已于 2022-03-31 09:53:21 修改 · 置顶 · 7.1k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#虹膜识别

于 2018-09-20 15:39:59 首次发布

本文介绍了一种基于梯度的图像清晰度评价方法——Tenengrad函数，通过Sobel算子提取图像边缘信息，计算图像的清晰度。详细解释了Tenengrad函数的工作原理，并提供了具体的实现代码。

Tenengrad函数式一种常用的图像清晰度评价函数，是一种基于梯度的函数。

在图像处理中，一般认为对焦好的图像具有更尖锐的边缘，故具有更大的梯度函数值。

Tenengrad函数使用Sobel算子提取水平和垂直方向的梯度值。具体过程如下：

设Sobel卷积核为 $G_{x}$ ， $G_{y}$ ，则图像 $I$ 在点 $(x,y)$ 处的梯度

$S(x,y)=\sqrt{G_{x}*I(x,y)+G_{y}*I(x,y)}$

定义该图像的Tenengrad值为
$Ten=\frac{1}{n}*\sum_{x}\sum_{y}S(x,y)^2$

其中 $n$ 为图像中像素总数。

实现代码如下：

#include<cv.h>
#include &lt;highgui.h&gt;
#include&lt;iostream&gt;
using namespace std;

double Tenegrad(IplImage* src)//Tenegrad 标准
{ 
	assert(src-&gt;nChannels==8);
	int row=src-&gt;height;//height对应行数
	int col=src-&gt;width; //width对应行数
	int widthstep=src-&gt;widthStep;
	char *data=src-&gt;imageData;
	double S=0;
    for(int x = 1;x&lt;row-1;x++)
	{
        char *pre_row=data +(x-1)*widthstep;
		char *cur_row=data +x*widthstep; 
		char *nex_row=data +(x+1)*widthstep;
		int Sx,Sy;
        for(int y = 1;y&lt;col-1;y++)
		{
		  //**********************************************/
		  //当前邻域：
		  //pre_row[y-1],pre_row[y],pre_row[y+1];
		  //cur_row[y-1],cur_row[y],cur_row[y+1];
		  //nex_row[y-1],nex_row[y],nex_row[y+1];

		  //Gx =-1,0,1       Gy =1, 2, 1
		  //    -2,0,2           0, 0, 0
		  //    -1,0,1          -1,-2,-1
	      //**********************************************/
		  Sx=(uchar)pre_row[y+1]+2*(uchar)cur_row[y+1]+(uchar)nex_row[y+1]//一定要转为uchar
		    -(uchar)pre_row[y-1]-2*(uchar)cur_row[y-1]-(uchar)nex_row[y-1];
		  Sy=(uchar)nex_row[y-1]+2*(uchar)nex_row[y]+(uchar)nex_row[y+1]
		    -(uchar)pre_row[y-1]-2*(uchar)pre_row[y]-(uchar)pre_row[y+1];
		  S+=Sx*Sx+Sy*Sy;
        }
    }
	return S/(row-2)/(col-2);
}

int main()
{
	IplImage* src = cvLoadImage("d:\\lena.bmp",0);
	cvNamedWindow("src");
	cvShowImage("src",src);
	cout&lt;&lt;Tenegrad(src);
	cvWaitKey(0);
	cvReleaseImage(&amp;src);
	cvDestroyWindow("src");
	return 0;
}