原理

在《Analysis of focus measure operators for shape-from-focus》[2013 Pertuz et al.]。在这篇文献中，Pertuz 等人论述了近 36 种不同的图片清晰度评价（focus measure）方法。其中一种方式比较简单，就是使用拉普拉斯方差算法，直接得到一个浮点数方差表征清晰度。事先设定一个阈值，如果某图片的清晰度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,或者说是清晰的。
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。
总结：正常图像中边界清晰，经拉普拉斯计算后方差较大；模糊图像边界信息少，方差小

代码：

import os
import cv2
import shutil

# 计算图片清晰度
def getImageVar(img):
    res=0
    for i in cv2.split(img):
        # 对图片用 3x3 拉普拉斯算子做卷积得到边缘  计算出方差，并最后返回。
        # 函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以建立的图像位数不够，会有截断。因此要使用64位有符号的数据类型，即 cv2.CV_64F。
        # 再用var函数求方差
        res+=cv2.Laplacian(i, cv2.CV_64F).var()
    return res/3

# 读取某个文件夹下面的所有文件名 返回list
def get_all_file(path):
    all_file=[]
    for i in os.listdir(path):
        file_name=os.path.join(path,i)
        all_file.append(file_name)
    return all_file


input_path=input("请输出目标文件夹：")
threshold=int(input("请输入清晰度阈值："))


orign_path=os.path.join(os.path.abspath('.'),'img')
resoure_file_path = os.path.join(orign_path, input_path)  # 图片所在文件夹
vage_file_path=os.path.join(orign_path,'vague')
clear_file_path=os.path.join(orign_path,'clear')
if not os.path.exists(vage_file_path):
        os.mkdir(vage_file_path)
if not os.path.exists(clear_file_path):
        os.mkdir(clear_file_path)

all_img_path=get_all_file(resoure_file_path)
for img_path in all_img_path:
    img_name=img_path.split('\\')[-1]
    dst=os.path.join(vage_file_path,img_name)
    if getImageVar(cv2.imread(img_path))>threshold:
        dst = os.path.join(clear_file_path, img_name)
    shutil.copyfile(img_path, dst)

打包成exe：

pyinstaller -F work.py

使用

首先准备一个img文件夹和img_cls.exe
在这里插入图片描述
img文件夹中包含存放需要分类的图片的文件夹自定义（如test_img）以及将来的两个结果文件夹vague和clear

双击执行exe文件，输入自定义和清晰度门限（高于阈值是清晰，低于阈值是模糊）

结束之后得到：两个分类文件夹（复制过来的原图片没动）
在这里插入图片描述