你这个思路非常对——模糊图像确实会丢失高频信息，频域里的表现就是高频能量被衰减、分布更均匀，而清晰图像的高频区会有明显的能量集中。关于怎么量化这种差异，我给你整理几个实用的方法，既有你关注的频域思路，也有空域里更易实现的经典指标：

这些方法直接对应你观察到的频域特征，能精准量化高频信息的差异：

• 高频能量占比计算
  先把图像转成灰度图，用傅里叶变换（比如numpy.fft.fft2）转到频域，再用numpy.fft.fftshift把低频分量移到中心。接下来设定一个半径阈值，把频域图像分成中心的低频区和外围的高频区。计算高频区域的总能量（所有像素值的平方和，因为FFT的幅值平方对应能量），再除以整个频域的总能量，得到高频能量占比。清晰图像的这个比值会显著更高，模糊图像的比值则偏低——因为模糊把高频能量“摊平”了。

• 高频区域的方差计算
  你之前尝试取距最亮像素一定距离的均值，其实方差更能反映分布的均匀性。在划分好高频区域后，计算该区域内像素幅值的方差：清晰图像的高频区有大量对应边缘的亮斑，像素值离散程度高，方差大；模糊图像的高频区能量分布均匀，方差小。这个指标能有效区分模糊和清晰图像，还能减少噪声的干扰（噪声的均值可能拉高，但方差能体现真实的能量集中情况）。

如果觉得频域计算有点繁琐，这些空域指标更直观，而且计算速度快，适合批量处理：

• 拉普拉斯方差（Variance of Laplacian）
  这是工业界最常用的清晰度评价指标之一。拉普拉斯算子对图像的边缘和细节非常敏感，先对灰度图做拉普拉斯滤波（比如OpenCV的cv2.Laplacian），然后计算滤波后图像的像素方差。方差越大，说明图像的边缘细节越丰富，清晰度越高。这个方法的优点是实现简单，几乎不需要调参。

• Tenengrad梯度值
  用Sobel算子分别计算图像的水平和垂直方向梯度，然后把两个方向的梯度平方求和，再取均值或者总和。清晰图像的边缘梯度大，所以这个数值会更高；模糊图像的边缘被平滑，梯度值很小。比如用cv2.Sobel计算x和y方向的梯度，然后计算np.mean((sobel_x**2 + sobel_y**2))，数值越大清晰度越高。

• Brenner梯度
  这是一个轻量型的梯度计算方法，公式很简单：计算图像中相邻两个像素（间隔1个像素）的灰度差的平方和，即sum((I[x+2,y] - I[x,y])**2)。计算速度极快，适合处理大量图像，同样是数值越大，图像越清晰。

• 预处理优先：先把彩色图像转成灰度图，三个通道的清晰度可以取平均值；如果图像有明显噪声，先做一次轻微的高斯模糊去噪，避免噪声干扰高频能量的计算。
• 多指标结合：单一指标可能会因为图像内容（比如纯色区域多的图像）出现偏差，建议同时计算2-3个指标（比如频域高频占比+拉普拉斯方差），取加权平均或者综合排序，结果会更可靠。
• 验证调整：拿你已知清晰度顺序的三张图测试这些指标，调整参数（比如频域的高低频分割半径），确保指标数值和实际清晰度正相关。

内容的提问来源于stack exchange，提问作者Gelliant