这个问题我可能会回答得晚一些，但这里有一个潜在的方法。pypi中的blur_detector库可以用来识别图像中清晰与模糊的区域。下面是创建该库的纸张：https://arxiv.org/pdf/1703.07478.pdf
该库的工作方式是在多个尺度下查看图像中的每个像素，并在每个尺度下执行离散余弦变换。然后，对这些DCT系数进行滤波，以便仅使用high frequency系数。然后，将多个尺度下的所有high frequency DCT系数融合在一起并排序，以形成multiscale-fused and sorted high-frequency transform coefficients。选择这些排序系数的子集。这是一个可调参数，用户可以根据应用进行试验。选定DCT系数的输出通过最大值池发送，以在多个尺度下保持最大激活。这使得算法在检测图像模糊区域时非常稳健。
以下是我在您在问题中提供的图像上看到的结果：

注意：我已经使用了OpenCV中默认cascade_detectors中的一个人脸检测器来选择感兴趣区域。这两种方法（空间模糊检测+人脸检测）的输出可以用来获得图像中的锐度图。
这里我们可以看到，在清晰的图像中，眼睛区域中的像素的强度非常高，而对于模糊的图像，其强度较低。
您可以设置阈值来识别哪些图像清晰，哪些图像模糊。
下面是生成上述结果的代码片段：

pip install blur_detector

import blur_detector
import cv2

if __name__ == '__main__':
    face_cascade = cv2.CascadeClassifier('cv2/data/haarcascade_frontalface_default.xml')

    img = cv2.imread('1.png', 0)
    blur_map1 = blur_detector.detectBlur(img, downsampling_factor=1, num_scales=3, scale_start=1)
    faces = face_cascade.detectMultiScale(img, 1.1, 4)
    for (x, y, w, h) in faces:
        cv2.rectangle(blur_map1, (x, y), (x + w, y + h), (255, 0, 0), 2)

    img = cv2.imread('2.png', 0)
    blur_map2 = blur_detector.detectBlur(img, downsampling_factor=1, num_scales=3, scale_start=1)
    faces = face_cascade.detectMultiScale(img, 1.1, 4)
    for (x, y, w, h) in faces:
        cv2.rectangle(blur_map2, (x, y), (x + w, y + h), (255, 0, 0), 2)

    img = cv2.imread('3.png', 0)
    blur_map3 = blur_detector.detectBlur(img, downsampling_factor=1, num_scales=3, scale_start=1)
    faces = face_cascade.detectMultiScale(img, 1.1, 4)
    for (x, y, w, h) in faces:
        cv2.rectangle(blur_map3, (x, y), (x + w, y + h), (255, 0, 0), 2)

    cv2.imshow('a', blur_map1)
    cv2.imshow('b', blur_map2)
    cv2.imshow('c', blur_map3)
    cv2.waitKey(0)

要了解模糊检测器算法的细节，请查看github页面：https://github.com/Utkarsh-Deshmukh/Spatially-Varying-Blur-Detection-python

您可以尝试将阈值定义为float，因此对于每个低于阈值的结果==模糊。但是如果像素图像每次都显示非常高，即使不模糊，您可以检查另一个非常高的值。另一种方法可能是检测图片的焦点。