Создать алгоритм выбора самого резкого изображения...

Для выбора самого резкого изображения из набора фотографий одной и той же сцены предлагаю использовать алгоритм на основе дисперсии лапласиана (Variance of Laplacian). Это один из наиболее распространённых методов автоматической оценки резкости изображений.

1. Принцип работы алгоритма

Резкое изображение содержит выраженные границы объектов и мелкие детали. На размытом изображении границы становятся плавными, а высокочастотные составляющие ослабевают.

Оператор Лапласа позволяет оценить интенсивность изменения яркости.

Для каждого изображения вычисляется показатель:

где:

• $I_i$ — изображение с номером $i$, представленное в градациях серого;
• $\nabla^2$ — оператор Лапласа;
• $\operatorname{Var}$ — дисперсия значений;
• $S_i$ — оценка резкости изображения.

Чем больше $S_i$, тем выше предполагаемая резкость.

2. Блок-схема алгоритма

Начало

Загрузка N изображений одной сцены

Приведение к одинаковому размеру и оттенкам серого

Подавление шума фильтром Гаусса

Вычисление оператора Лапласа для каждого изображения

Расчёт показателей резкости S₁, S₂, …, Sₙ

Выбор изображения с максимальным S

Результат: самое резкое изображение

3. Реализация на Python

Используются библиотеки OpenCV и NumPy.

Установка:

bash
pip install opencv-python numpy

Программная реализация:

python

from pathlib import Path
import cv2
import numpy as np

def find_sharpest_image(folder):
    extensions = {".jpg", ".jpeg", ".png", ".bmp", ".tif", ".tiff"}

    paths = sorted(
        p for p in Path(folder).iterdir()
        if p.is_file() and p.suffix.lower() in extensions
    )

    if not paths:
        raise ValueError("Изображения не найдены")

    images = []

    # 1. Загрузка изображений
    for path in paths:
        img = cv2.imread(str(path), cv2.IMREAD_GRAYSCALE)

        if img is None:
            raise ValueError(f"Ошибка чтения: {path}")

        images.append((path, img))

    # 2. Выбор общего размера без увеличения
    height = min(img.shape[0] for _, img in images)
    width = min(img.shape[1] for _, img in images)

    results = []

    for path, img in images:
        # 3. Приведение к общему размеру
        img = cv2.resize(
            img, (width, height),
            interpolation=cv2.INTER_AREA
        )

        # 4. Небольшое подавление шума
        img = cv2.GaussianBlur(img, (3, 3), 0.7)

        # 5. Оператор Лапласа
        laplacian = cv2.Laplacian(img, cv2.CV_64F)

        # 6. Оценка резкости
        score = float(np.var(laplacian))

        results.append((path, score))

    # 7. Сортировка по убыванию резкости
    results.sort(key=lambda x: x[1], reverse=True)

    return results

# Пример использования
results = find_sharpest_image("images")

print("Рейтинг изображений:")
for path, score in results:
    print(f"{path.name}: {score:.2f}")

print("\nСамое резкое изображение:")
print(results[0][0])

4. Пример результата

Предположим, имеется четыре фотографии одной сцены с разной степенью расфокусировки.

Фото 1

Сильное размытие

Фото 2

Среднее размытие

Фото 3

Высокая резкость

Фото 4

Высокая детализация

Иллюстрации демонстрируют принцип; это не реальные результаты работы алгоритма.

Условные результаты измерения:

Алгоритм выбирает фото № 4, поскольку оно имеет наибольший показатель резкости.

5. Как повысить точность

Метод Лапласа достаточно эффективен, но имеет ограничения:

• Шум: цифровой шум может искусственно увеличивать оценку резкости. Для его подавления используется слабое гауссово размытие.
• Разное кадрирование: если камера смещалась, желательно предварительно совместить изображения.
• Разная освещённость: лучше сравнивать изображения при близких условиях экспозиции.
• Важная область: если необходимо выбрать изображение с максимально резким конкретным объектом, вычислять резкость следует в одной и той же области интереса (ROI).
• Разное разрешение: изображения следует сравнивать в едином масштабе с сохранением пропорций и области сцены.

Для более сложных условий дополнительно можно использовать метод Tenengrad, основанный на градиентах Собеля, и сравнивать результаты нескольких метрик.

6. Вывод

Предложенный алгоритм:

1. Автоматически обрабатывает произвольное количество изображений.
2. Вычисляет численную оценку резкости каждого изображения.
3. Ранжирует изображения по убыванию резкости.
4. Возвращает файл с максимальным показателем.

Вычислительная сложность составляет $O(NWH)$, где $N$ — количество изображений, $W$ и $H$ — их ширина и высота.

Рекомендация: для набора фотографий неподвижной сцены, снятых с одной позиции и различающихся главным образом фокусировкой, дисперсия лапласиана является хорошим базовым решением. Для более надёжного выбора в условиях шума, движения камеры и сложной структуры сцены стоит использовать комбинированную оценку на основе Лапласа и Tenengrad.