为了能采集到包含信息更加丰富的图像，需要使被采集对象成像在相机有效焦面范围内。
假设$f(x,y)$代表图像(x,y)点的像素，$D(f)$代表图像的清晰度参考系数。
$G(x,y)= \sqrt{ G_x^2(x,y) + G_y^2(x,y)}$
$G(x,y)$代表着(x,y)处的卷积
和上面类似，只不过算子换成了拉普拉斯算子
计算两个方向上的梯度之和 \(D(f)=\sum_Y \sum_X (|f(x,y)-f(x+1,y)| + |f(x,y)-f(x,y+1)|)\)
为了提高在焦面附近的分辨率，我们可以把系数适当的放大，计算两个方向上梯度乘积 \(D(f)=\sum_Y \sum_X (|f(x,y)-f(x+1,y)| \times |f(x,y)-f(x,y+1)|)\)
直接统计图像的方差，但此方法对噪声较为敏感 \(D(f)=\sum_Y \sum_X |f(x,y)-u|^2\) $u$为图像的灰度均值
计算两个方向上的梯度平方和
\[D(f)=\sum_Y \sum_X (|f(x,y)-f(x+1,y)|^2 + |f(x,y)-f(x,y+1)|^2)\]这个和方差计算比较类似，但是考虑到了领域之间的关系
通过统计各灰度的出现频率，计算整幅图像含有的信息熵。
\(D(f)=-\sum_{i=0}^{L-1}p_i \ln(p_i)\) 其中$L$是总的灰度等级，$p_i$代表灰度为$i$像素出现的概率
直接在频域分析图像，高频成分越多越清晰。
清晰图像模糊后高频部分能量损失比较大，而模糊图像再次模糊化后高频损失较小。比较滤波前后的梯度变化就能分析出其清晰程度。
低通滤波后，用SSIM判断两幅图像之间的相似程度。
structural similarity index 评判两图像之间的相似程度。对比分析低通滤波前后图像的差异程度从而判断图像的清晰程度。 亮度对比
\[L=\frac {2 \mu_x \mu_y +C_1}{\mu_x^2 + \mu_y^2 +C_1}\]对比度
\[C=\frac{2 \sigma_x \sigma_y +C_2}{\sigma_x^2 + \sigma_y^2 + C_2}\]结构对比
\[S=\frac{\sigma_{xy}+C_3}{\sigma_x \sigma_y +C_3}\]最终的信息为
\[SSIM=L^\alpha C^\beta S^\gamma\]$\alpha \beta \gamma$可认为是某个系数的权重，一般为1就可以。$C_1 C_2 C_3$只是为了让系数不为零，可自选。