现有的图像清晰度检测算法大致分为两类：空域和频域。
基于梯度的算法用于空域，如拉普拉斯算法，差分平方和（SPSMD）算法，Sobel算子等。
这类算法简单，快速，具有良好的抗噪性能和高可靠性。
在频域中，使用图像的FFT变换（或其他变换），诸如功率谱（功率谱）算法。
该算法的检测效果良好，但计算复杂度高，计算时间长，不适合基于软件实现的实时检测系统。
实时视频图像的一个重要应用是检测移动目标。
常用的目标检测方法包括帧差法，背景减法法，光流法和运动能量法。
最简单，最快捷的方法是背景差分法。
。
基本思想是通过比较输入图像和背景图像来分割移动目标。
关键环节是提取背景图像。
目前，常用的背景提取方法包括多帧图像平均方法，灰度统计方法，中值滤波方法，基于帧差异的选择方法和单高斯建模。
当视频播放画面超过24帧/秒时，根据视觉暂留原理，人眼无法区分每个静态图片，这似乎是一种流畅的连续视觉效果。
视频中的内容通常分为两类：静止和动作。
在连续多帧图像中保持静止的对象可以被视为静止背景，并且在连续多帧图像中位置改变的对象可以被视为运动的前景。
因此，实时视频图像中的图像的每个帧可以被分成两种类型的区域，静止背景和运动前景。
由于视频序列图像中运动的前景区域的随机变化，导致图像像素点梯度值的随机变化，这使得实时视频图像的分辨率检测难以实现。
因此，本文算法利用实时视频图像的背景区域来检测视频序列图像的清晰度，即背景提取和锐度检测。
实时视频图像的背景视频序列中帧图像的静止背景区域由灰度值变化较小的像素组成，每个像素具有相应的像素值，该值在一段时间内保持不变;前景区域由灰度值变化很大的像素组成，不同帧图像中每个像素的位置发生变化，形成运动轨迹。
背景提取的目的是基于实时视频图像中的像素值的上述特征来找到图像中的背景像素的值。
多帧图像累积平均方法用于获得图像的背景。
从统计的角度来看，运动物体可以被视为随机噪声，并且平均值可以降噪。
多帧图像用于累积平均值以消除移动物体并获得静止背景图像。
。
大多数相机系统基于RGB颜色空间，并且每个像素是RGB空间中的三维矢量。
为了减少计算量，使用灰度图像序列，即将彩色视频序列转换为灰度视频序列，并基于实时视频图像完成背景和锐度检测。
灰度视频图像。
实验程序在PC上运行。
编程软件是MatlabR2007b。
它使用24位RGB视频序列，30帧/秒，每帧的分辨率为320×240。
在从实时视频图像中提取背景图像之后，使用Sobel算子，方形梯度方法和快速检测方法来检测图像清晰度。