图像清晰度计算的一般思路
定义图像清晰度是一个比较定制化，或者说比较偏业务属性的，就是说要根据需要来定义图像的清晰度。
但是一般来说，还是有个一般过程。
- 一般来说，清晰的图像的另外一个含义就是轮廓清晰，物体之间的边缘明显。从图像频域的角度来看，就是图像的高频分量较多。
- 通过图像求导的来得到图像的梯度，梯度越大，说明像素变化越大，物体之间的边缘也就越清晰。
图像的频域之前的文章说过了，这里说一下图像的梯度问题。
图像梯度的定义分为两个维度：
- X方向上的梯度：当前像素右侧的像素值减去当前像素左侧像素的像素值
- Y方向上的梯度：当前像素下方的像素值减去当前像素上方像素的像素值
用一个向量来表示的话就是：
∇ f ( x , y ) = [ g x g y ] = [ f ( x + 1 , y ) − f ( x − 1 , y ) f ( x , y + 1 ) − f ( x , y − 1 ) ] \nabla f(x,y) = [gxgy]
= [f(x+1,y)−f(x−1,y)f(x,y+1)−f(x,y−1)]
∇f(x,y)=[gxgy]=[f(x+1,y)−f(x−1,y)f(x,y+1)−f(x,y−1)]
在图像计算领域中，最经典的计算方式就是掩码方式，或者说是卷积的方式。
上面一个公式在图像领域就可以用一个掩码来表示：
- X方向的掩码：
[ − 1 , 0 , 1 ] [−1,0,1]
[−1,0,1]
- Y方向的掩码：
[