毕业论文-基于数字图象处理的自动对焦技术研究.doc

本科毕业设计(论文)题目：基于数字图象处理的自动对焦 技术研究院 （系）： 电子信息工程 专 业： 电子信息工程 班 级： 学 生： 学 号： 指导教师： 2013年6月摘要自动对焦技术是机器人视觉、数字成像系统和各种精密光学仪器中的关键技术。随着科学技术的飞速发展，数字成像系统中的精确自动对焦问题越来越受到人们的普遍关注，其应用也显得越来越重要。这对进一步提高测量精度、测量速度及测量自动化程度等方面具有重要的现实意义。研究了影响自动对焦精度及对焦重复性的因素。针对对焦过程中存在的噪声干扰，采用了滤波算法进行图像预处理，实验表明中值滤波是一种较好的方法；用对焦窗口大小、位置、对焦区域选择等窗口规划方法来克服对焦过程中背景因素的引入对主体目标的影响。分析表明较好的窗口规划不仅可以一定程度解决上述问题，还可提高对焦函数性能，有效减小计算量。在较全面地分析了基于数字图像处理的对焦评价函数基础上，针对基于边缘检测算法的对焦评价函数做了验证性实验，结果表明对于不同的评价目标，对焦函数的性能的精度和速度也不尽相同。通过实验验证，基于边缘检测的laplaci -an算子，性能更好。清晰度评价函数极点搜索算法则是实现对焦点的搜索和定位，通过比较评价函数值决定镜头移动方向，反馈控制直至成像质量最佳。在分析比较了几种对焦技术中常用的搜索算法的优缺点的基础上，确定改进的爬山算法搜索在速度不减的情况下，精度更高。通过仿真验证了该算法的有效性、可行性，可较好的实现自动对焦。关键词：自动对焦；对焦窗口；清晰度评价函数；极点搜索算法IThe Research of Auto-focusing System Based on Image ProcessingAbstractAuto-focusing technology is a key technology in the robot vision and imaging System and various optical precision instruments. With the rapid development of science and technology， the auto-focusing problem has been much concerned by people，and its application has been more and more important.It can improve the accuracy and speed of measurement，automatic level .Study on the affecting factors of automatic focusing accuracy and repeatability. Considered the noise in the process of the focus， the paper used the filtering algorithms for image preprocessing.Experiments show median filtering is a better way； in order to over come the interference between the main image of the target and the background image，the paper used the layouts of focusing window size，location，and focusing regional selection etc. Analysis shows that better window planning not only can partly solve the problem， but also improve the focusing performance function， reduce the amount of calculation.In a more comprehensive analysis of the focusing evaluation functions based on the digital image proeessing， the experiment using the functions based on the edge detection algorithms was carried out. The results show that for different evaluation target， performance focusing function of the precision and speed is not the same. Through the experiment， the Laplacian based on edge detection operators better performance.Peak searching algorithm in Sharpness evaluation function is to search the focus and location by comparing the evaluation function values ，and determine the lens moving direction， feedback control and the image quality is best. After comparing and analyzing the advantages and disadvantages of several common focus search algorithm . Determine the improved hill-climbing algorithm search with higher accuracy.Key words：automatic focusing; the focusing window; sharpness evaluation function; peak searching algorithm IV目录目录中文摘要I英文摘要II1 绪论11.1研究背景及意义11.2自动对焦研究现状21.3本文主要研究工作32 自动对焦系统设计42.1自动对焦的基本原理和方法42.1.1 传统对焦方法42.1.2基于数字图像处理的自动对焦方法52.2 自动对焦系统结构62.3本章小结73 影响自动对焦及对焦函数性能的因素分析83.1噪声影响分析83.2光线影响分析113.3对焦窗口的选择分析133.3.1对焦窗口的选择方法133.3.2 对焦窗口的选择策略153.4本章小结164 自动对焦评价方法174.1清晰度评价函数的评价标准174.2清晰度评价函数的分类174.3清晰度评价函数的改进184.4实验和分析214.5本章小结245 极点搜索算法的探讨255.1 Fibonacci搜索算法255.2 曲线拟合算法265.3“盲人”爬山算法265.4爬山算法的改进方法275.5本章小结276 总结与展望28参考文献29致 谢31毕业设计（论文）知识产权声明32毕业设计（论文）独创性声明33附录34 附录A 自动对焦软件部分34 附录B 外文资料翻译361 绪论1 绪论1.1研究背景及意义成像是通过一个成像光学系统将客观三维世界中的景物变换到二维成像平面的过程。传统照相系统是在成像平面上用光化学材料作为图像的接收媒介，以胶片曝光的方式记录成像。在成像平面上用CCD或CMOS等光电面阵器件接收图像信息就成为数字成像系统。CCD或CMOS由数十万、数百万甚至更多的光电像素列阵组成成像平面，将图像光强分布和色度分布转化为以空间呢像素为取样单位的离散电信号，然后通过模数转换器将电信号数字化，并用数字图像的方式压缩和存储图像信息。数字成像技术彻底取消了传统的照相系统中的化学处理步骤，使摄影过程更为便捷。作为成像系统的一项关键技术，自动对焦技术于20世纪70年代最初应用于照相系统。传统的对焦技术大部分是基于测距原理的。传统的自动对焦技术可以分成两大类：一类是基于镜头与被拍摄目标之间距离测量的测距自动对焦，另一类是基于对焦屏上成像清晰的聚焦检测自动对焦。测距自动对焦主要有红外线测距法和超声波测距法，两者利用主动发射光波或声波进行测距的，称之为主动式自动对焦。聚焦检测方法主要有对比度法和相位法，对比度法是通过检测图像的轮廓边缘实现自动对焦的。相位法是通过检测像的偏移量实现自动对焦的。各种自动对焦方式各有其局限性。例如红外测距和超声测距的对焦方法，当被测目标对红外光或超声波有较强的吸收作用时，将使测距系统失灵或对焦不准确；而对比度法聚焦检测受光照条件的制约，当光线暗弱或被摄体与背景明暗差别很小时，对焦就会有困难，甚至失去作用。随着电子技术和信号处理技术的发展，进入20世纪90年代后，以CCD获取图像作为对焦的基本信息，以图像分析与处理为基础的智能化自动对焦技术蓬勃发展，在以数字相机为代表的现代数字成像系统中广泛采用。基于图像技术的自动聚焦方法是用于现代数字成像系统的智能化自动对焦技术，采用了与传统聚焦技术完全不同的方式进行对焦，传统的聚焦方法是通过传感器检测焦点或测量距离的方式实现的，而基于图像技术的聚焦方法直接根据图像分析出图像的质量，没有任何中间环节，减少了一些不必要的误差，会使整个系统的对焦精度比较高。这样的方式使得基于图像处理的自动调焦技术调焦更加智能化，聚焦判据更加灵活和多样。基于模拟图像的聚焦检测方法只利用被测物和背景之间的对比度(轮廓边缘的梯度) 作为判断是否成像清晰的判据。42西安工业大学毕业设计（论文）而通过数字图像处理，不仅可以利用梯度信息，还可以提取图像中各种其它的有效信息进行判断，例如频率、相位等。对于具高频信息的图像，一般而言，对焦越准确，图像信号的频率越高，边缘越尖锐；离焦时则频率降低，边缘相对平滑。同时，由于计算机处理图像的灵活性，可以针对不同的使用要求，选择不同的判据进行调焦。此外，基于数字图像处理的自动对焦技术是利用计算机可以很方便地对运行执行机构进行控制，从而避开复杂的调焦电路和机构。计算机接口和总线技术已经非常成熟，通过软件给出控制信号，直接控制电机动物镜的运行，不仅灵活方便，响应速度符合调焦要求，还能大大简化电路和运动机构。1.2自动对焦研究现状国外对于自动对焦领域的研究相对国内来说起步比较早，最早可追溯到1898年，当时法国就有人进行过研究。近年来，国外在该领域内相关研究比较有名的，例如，1970年美国斯坦福大学J.M.Tenenbaum开展了计算机视觉系统的自动对焦研究，其根据图像的特征提取离焦信号，通过调制梯度作为自动对焦评价函数，实现了比较好的对焦效果；1953年，英国瑞丁大学(university of Rading)物理系Grembeby.J.B提出了调制传递函数作为离焦判据，这一判据己经被光学界所接受，成为评价图像品质的一种很好的标准，并将其应用于医疗内诊照相系统的自动对焦中；1984年Fransc.A.Groen等三人对以前研究的自动对焦领域出现的各种评价函数进行了对比分析研究，通过对三类不同图像的比较，发现在他们的研究中效果最好的是梯度平方根算子；1987年，Ren.C.Luo提出了两个设计简单的快速算法，即能量最大值法和VARIANCE直方图法，对于漫反射物体在一定程度上可以实现自动对焦，大大减少了算术运算，可以应用到远距离测量，目标跟踪和场景分析，机器人视觉系统中。随着自动对焦技术理论研究的不断完善和CCD技术的迅速发展，目前则更多关注面向高精度的直接自动对焦系统在实际中的应用，利用CCD用于工业图像监控也越来越广泛。如美国90年代末期开发的基于网络技术的零件在线检测和监控系统；日本开发了一套焊缝在线自动定位检测系统，该系统在机械手焊接过程中，通过CCD采集焊缝图像微机处理后，控制机械手自动定位焊接，使焊接质量向检测自动化、高速化、稳定化发展。目前，国内的很多高校、科研院所以及企业单位致力于研究开发对焦系统，虽然自动对焦系统的研究起步比国外晚，但也取得了巨大的成果。比如：1985年，上海光学仪器研究所采用光学的自准直方法研制完成集成电路光刻机自动对焦装置。1992年，哈尔滨工业大学光学仪器教研室研制完成图像检测式频带切割差动比较CCD自动对焦系统，使我国在图像检测自动对焦领域内的研究跟国外的技术水平开始接轨。性能良好而且判断准确的对焦准则及策略，对于精确的图像信息获取起着极为重要的作用。在自动对焦技术领域的研究中，人们对于对焦准则做了很多的研究提出了多种多样的自动对焦评价方法，使得自动对焦技术在不断的发展进步，对焦精度越来越高，速度越来越快。1.3本文主要研究工作性能良好、判断准确的图像清晰度评价函数是自动对焦技术的关键，也是本课题研究的核心内容。因此，课题主要研究图像清晰度的表示与评价函数，并进行分析比较，根据成像的评价函数实现自动对焦。具体包括以下内容：（1）在论文的第一章，阐述了课题的研究背景及课题的意义，对国内外在该领域内的研究状况及其所达到的研究水平进行了论述和分析。（2）在第二章中，介绍了本文的大体构架，以及内容简介。（3）在第三章中，介绍了课题的相关理论基础，主要是自动对焦的基本原理和方法。简单叙述了成像模型，探讨了成像的光学理论，介绍了自动对焦技术的一些基本方法。（4）论文的第四到第六章，也是论文的重点，主要讲的是系统涉及到的关键技术，包括对对焦窗口的选择进行模型化和理论分析，以及对焦窗口的选择策略；分析了对焦深度法中常用的清晰度评价函数，最后分析研究了现有的集中极点搜索算法。（5）论文的最后一章简要讨论了系统的整体设计，硬件结构以及软件模块，为以后算法的实际应用打下了坚实的基础。最后，归纳了全文所做的研究工作，同时，对系统需要进一步研究的内容进行了相应的展望。2自动对焦系统设计2.自动对焦系统设计2.1自动对焦的基本原理和方法自动对焦是利用物体光反射的原理，将反射的光被相机上的传感器CCD接收，通过计算机对图像成像质量进行分析处理，带动电动对焦装置进行对焦的方式叫自动对焦。 基于图像处理的自动对焦技术具有比目测和手动调节方式更准确，更方便，速度更快，精度更高等优点。自动对焦系统一般由两个功能模块构成，一个分析处理模块，一个控制驱动模块。分析处理模块判断输入图像是否对焦清晰，如果对焦不清晰则该模块同时测算出这幅图像的离焦程度。控制驱动模块则根据分析处理模块提供的相关信息来调整镜头驱动装置，使目标图像处于对焦状态。从基本原理来说，自动对焦可以分成两大类：一类是基于镜头与被拍摄目标之间距离测量的测距自动对焦，另一类是基于对焦屏上成像清晰的聚焦检测自动对焦。2.1.1 传统对焦方法传统的对焦方法包括：测距自动对焦和聚焦检测自动对焦。测距自动对焦主要有红外线测距法和超声波测距法。红外线测距法的原理是由照相机主动发射红外线作为测距光源，并由红外发光二极管间构成的几何关系，然后计算出对焦距离。超声波测距法是根据超声波在数码相机和被摄物之间传播的时间进行测距的。数码相机上分别装有超声波的发射和接收装置，工作时由超声振动发生器发出持续超声波，超声波到达被摄体后，立即返回被接收器感知，然后由集成电路根据超声波的往返时间来计算确定对焦距离。聚焦检测方法主要有对比度法和相位法对比度法是通过检测图像的轮廓边缘实现自动对焦的。图像的轮廓边缘越清晰，则它的亮度梯度就越大，或者说边缘处景物和背景之间的对比度就越大。反之，失焦的图像，轮廓边缘模糊不清，亮度梯度或对比度下降；失焦越远，对比度越低。利用这个原理，将两个光电检测器放在CCD前后相等距离处，被摄影物的图像经过分光同时成在这两个检测器上，分别输出其成像的对比度。当两个检测器所输出的对比度相差的绝对值最小时，说明对焦的像面刚好在两个检测器中间，即和CCD的成像表面接近，于是对焦完成。西安工业大学毕业设计（论文）相位法是通过检测像的偏移量实现自动对焦的。在感光CCD的位置放置一个由平行线条组成的网格板，线条相继为透光和不透光。网络板后适当位置上与光轴对称地放置两个受光元件。网络板在与光轴垂直方向上往复振动。当聚焦面与网络板重合时，通过网格板透光线条的光同时到达其后面的两个受光元件。而当离焦时，光束只能先后到达两个受光元件，于是它们的输出信号之间有相位差。有相位差的两个信号经电路处理后即可控制执行机构来调节物镜的位置，使聚焦面与网格板的平面重合。各种自动对焦方式各有其局限性。例如红外测距和超声测距的对焦方法，当被测目标对红外光或超声波有较强的吸收作用时，将使测距系统失灵或对焦不准确；而对比度法聚焦检测受光照条件的制约，当光线暗弱或被摄体与背景明暗差别很小时，对焦就会有困难，甚至失去作用。2.1.2基于数字图像处理的自动对焦方法在数字成像系统中，一般应用数字图像处理的方法来实现自动对焦，主要的对焦方法大致可分为两类：离焦深度法和对焦深度法。 (1)离焦深度法离焦深度法简称DFD(Depth from Defocus)，是一种从离焦图像中取得深度信息从而完成自动对焦的方法。这种方法只需要获得2-3幅的不同成像参数下的图像，就可以完成自动对焦过程。这种方法要求事先用数学模型描述成像系统，然后根据少量的成像位置获取的图像来计算最佳对焦位置。因为离焦深度法所需图像数量小，大大减少了驱动电机等机械机构获取图像的次数，所以速度较快，但是由于信息量少一些的缘故，精度会比对焦深度法低。DFD方法主要有两类：一种是sangKuKim等人提出的基于图像恢复的离焦深度法，它是根据图像中的某些有代表性的信息近似地计算出成像系统的点扩散函数，利用图像退化模型，反演计算恢复出模糊图像的原图。另一种是基于离焦量估计的离焦深度法，通过获取2-3幅不同照相机参数下的图像，对图像的局部区域进行处理和分析，从而确定其模糊程度(弥散斑的大小)。根据几何光学的原理可以找到弥散斑大小与镜头成像参数之间的关系，从而计算出最佳成像位置。这种方式目前还不成熟，主要原因是在实际应用中成像系统的数学模型在理论上还不能精确的确定(只能近似的估计)，导致误差极大；且要求目标图像满足某种要求，限制了应用的范围；不同的镜头相关数学模型不同，即使是同种型号相关参数也有一定出入，而这些都必须事先知道。这种方式目前还处于理论研究和实验室应用中，采用这种方式实际应用的自动对焦系统未见报道。(2)对焦深度法对焦深度法简称DFF(Depth from Focus)，是一种建立在搜寻过程上的对焦方式。它通过一个评价函数对不同对焦位置所成的像的清晰度进行评价，利用正确对焦位置清晰度值最大这个特征找到正确对焦位置，这种方法往往要搜索10-12幅的图像才能够精确地找到这个位置。这种方法的理论基础在于认为理想的自动对焦评价函数是单峰的，并且在峰值两侧都是分别单调的，这个峰值点就是对焦最清楚的位置。因此为了准确的获得对焦最清楚位置，必须要减少噪声及局部极值的干扰，可以通过Fibonacci搜索法，爬山法及曲线拟合法等来实现寻找对焦最清晰点。对焦深度法DFF充分利用了计算机处理数字信号的硬件高速性和软件灵活性，具有以下优点：a.适应面广，稳定性相对好。由于图像是一切成像系统的根本结果，因此该方法的适应面最广，任何成像系统均可以采用基于图像清晰度评价的自动对焦方式。另外，由于该方法的输入是成像系统生成的图像，不依赖于其他因素，因此干扰因素相对少，稳定性相对好。b.对焦更加智能化，对焦判断更加灵活和多样.由于计算机处理图像的灵活性，可以针对不同的使用要求，选择不同的判据进行对焦。例如，有时候我们所关心的目标只是图像的某一个局部，而不是整幅图像的清晰程度。这时应该针对图像中的这一局部进行处理和提取，用该局部的对比度作为对焦的根据。c.有巨大的改进潜力。由于现代微电子技术的巨大进步，这种方式在成本上可以不断降低，芯片体积上不断缩小以及性能上不断提高。因此，本文采用对焦深度法来进行本课题的研究。2.2 自动对焦系统结构自动对焦系统是通过图像采集卡采集到图像序列，送入计算机中，然后对图像进行成像质量分析，得到系统当前的对焦状态进行判断，通过驱动机构调整成像系统镜头的焦距，从而实现准确对焦。如图2.1所示 图2.1 自动对焦系统框图本文采用对焦深度法进行本课题的研究。其中，对对焦影响的因素分析、选择对焦窗口，计算清晰度评价函数以及判断最清晰图像时的镜头位置是本文研究的重点内容。图像在成像的过程中会受到成像器件和周围环境的干扰，引入各种各样的噪声，损坏图像的质量，使图像模糊，严重时甚至淹没特征，从而影响自动对焦的研究，我们要对此类因素进行分析，并且尽量消除和避免这些影响。因此需要对图像进行预处理，消除图像噪声，包括对图像进行滤波处理，以及灰度变换。此外，图像的对焦窗口选择对于图像的对焦精度和速度也有很大影响，窗口选择过大，背景信息引入多，对焦速度慢，精度不高，而窗口选择过小，又不能保证主体目标完整；而且对焦窗口的位置，比如中央取窗还是多点取窗，也会对对焦精度和速度有影响，因此在这部分需要做详细的分析。图像的清晰度评价函数部分，介绍了几种常用的方法，比如熵函数图像越清晰携带越多信息量，因此可以计算出一幅数字图像的信息熵，然后将其用于评价该图像的清晰度；还有梯度函数，对焦良好的图像，有更尖锐的边缘的图像，应有更大的梯度函数值。在详细介绍了各种常用方法及改进方法的原理后，通过实验，分析实验结果做了分析对比，确定一个性能更加良好的评价函数。判断图像最清晰时的镜头位置，即就是搜索清晰度评价函数的极点位置。常见的极点搜索算法有Fibonacci搜索法、曲线拟合法和“盲人”爬山算法等。通过原理分析和对比，Fibonacci搜索法中Fibonacci搜索算法需要在区间内大距离调整镜头位置，并且要变换移动方向，这将会增加对焦消耗时间；评价函数曲线深度离焦部分比较平坦，曲线拟合收敛性较差，对焦点估计误差较大；爬山算法相对简单，使用这种方法可以迅速移动到清晰成像位置， 但是这种方法对评价函数曲线要求很高，评价函数值必须在整个测量范围中保持平滑；改进的爬山算法在精能上就有了很大提高，对于评价函数曲线要求也不严，但是同时速度变慢。在实际使用中，我们应该根据精度优先还是速度优先选择更合适的算法。2.3本章小结本章主要介绍自动对焦系统，其中简单介绍了自动对焦的原理，还介绍了自动对焦技术的一些基本方法：包括测距法，像偏移法，焦点检测自动对焦、离焦深度法和对焦深度法等以及它们的原理，分析了它们的优缺点，此外，介绍了自动对焦系统的结构，各部分是如何运作的。3影响自动对焦及对焦函数性能的因素分析3 影响自动对焦及对焦函数性能的因素分析对焦评价函数对离焦图像的灵敏度直接影响着自动对焦的精度。对焦评价函数的灵敏度不仅和函数本身有关，还和采集的图片复杂度、对焦区域的选择、成像目标的特征等参量有关的问题。本章从图像本身、对焦窗口的选择对焦的影响作出实验研究，主要包括图像的噪声、光线影响和对焦窗口的划分与选择。在成像过程中，噪声的干扰是必然存在的，噪声影响了采集图像的空间频率分布，噪声同离焦一样造成图像细节信息的退化丢失，合理的滤波器设计可以减少噪声给对焦带来的影响。此外光线的影响也会造成对焦函数的评价不够准确。对焦窗口的选择对于对焦函数的精度、速度也有很大影响，这包括对焦窗口的大小、位置及区域规划等。因此，有必要分析对评价函数的影响的因素，并且尽量消除这些因素，以保证对焦的精度。3.1噪声影响分析由于图像在成像的过程中受到成像器件和周围环境的干扰，会引入各种各样的噪声，噪声多多少少会损坏图像的质量，使图像模糊，严重时甚至淹没特征，给分析带来一定的困难。因此我们需要消除图像噪声。在理想的情况下，噪声属于高频信号，因此在处理的过程中应该采用低通滤波器。可是，图像中的边缘信息也属于高频信息，它包含了大部分的被测物体的特征信息，在下一步图像处理的过程中需要被提取出来。因此，一个好的平滑滤波方法应该是既要滤除图像中不需要的噪声信号，同时，也要保持图像的边缘信息，不使图像边缘轮廓和线条变模糊，让图像变得更有利于计算机处理。在许多情况下，线性滤波方法能够有效的对被噪声污染的图像进行复原，但多数的线性滤波器具有低通特性，在去除噪声的同时也使图像边缘变模糊。而某些非线性滤波方法既能去除噪声又能保护图像边缘，获得较好的图像处理效果。将常用的两种滤波方法，邻域平均法(线性滤波)和中值滤波法(非线性滤波)进行分析比较，确定设计所用方法。西安工业大学毕业设计（论文）邻域平均法的思想是用像素及其指定邻域内像素的平均值或加权平均值作为该像素的新值，以便去除突变的像素点，从而滤除一定的噪声。中值滤波法是一种非线性滤波，它能在消除噪声的同时很好的保持图像边缘。中值滤波的原理是，把以某一像素为中心的小窗口内所有像素的灰度按从大到小排序，取排序结果的中间值作为该像素的灰度值。为操作方便，中值滤波通常取含奇数个像素的窗口。这两种滤波方法对图片（图3.1所示）添加高斯噪声和椒盐噪声（如图3.2、3.3所示）后处理结果进行比较，下面给出了两种滤波方法对两种噪声的滤波效果，如图3.4、3.5、3.6、3.7所示。 图3.1 原始图像 图3.2 添加椒盐噪声的图像 图3.3 添加高斯噪声的图像 3.4（a）3*3平滑滤波 3.4（b）5*5平滑滤波 3.4（c）7*7平滑滤波 3.4（d）9*9平滑滤波图3.4 对图3.2进行邻域平均法滤波 3.5（b）3*3平滑滤波 3.5（c）5*5平滑滤波 3.5（d）7*7平滑滤波 3.5（e）9*9平滑滤波图3.5 对图3.3进行邻域平均法滤波 3.6（a）3*3中值滤波 3.6（b）5*5中值滤波 3.6（c）7*7中值滤波 3.6（d）9*9中值滤波图3.6 对图3.2进行中值滤波 3.7（a）3*3中值滤波 3.7（b）5*5中值滤波 3.7（c）7*7中值滤波 3.7（d）9*9中值滤波图3.7 对图3.3进行中值滤波 比较可知对于噪声干扰，中值滤波的效果要优于邻域平均法。对于噪声，中值滤波法可以非常理想地把它滤除，达到十分好的滤波效果，邻域平均法对椒盐噪声的滤波效果不是很好，滤波后噪声仍然保留下来，并且整幅图像也变得模糊。同时通过比较可知，滤波时取得模板越大，效果越好。因此，在设计中，应该先选择中值滤波法9*9模板，对图像进行滤波处理。3.2光线影响分析在曝光不足或过度的情况下，图像灰度可能会局限在一个很小的范围内，这时显示出来的图像将是一个模糊不清，似乎没有灰度层次的图像，如图3.8所示，而光线正常的情况下，图像比较清晰，如图3.9所示；同时，光线不足或过度的图像，对评价函数评价图像时也有影响，如对图3.10中的图片进行评价，结果如图3.9所示。 图3.8 曝光过度的图像 图3.9 光线正常的图像3.10（a） 对有光线影响的图片进行灰度值分析3.10(b) 对光线正常的图片进行灰度值分析图3.10 不同光线下的图像灰度值分析对图3.8、3.9的图像用清晰度评价函数进行评价，所得结果如图3.11所示：3.11（a） 两幅图像清晰度评价函数值3.11（b）清晰度评价函数图3.11 对图3.8、3.9用laplacian算子做清晰度评价由图可见，曝光不足或过度的图片对图像的评价函数是有影响的。有必要对它的灰度值进行修正以增强对比度，来减小对评价函数的影响。常用的灰度变换有两种：一种是全域线性变换；另一种是分段线性变换。采用线性灰度变换实现起来简单，假定原图像f(x，y)的灰度范围为a，b，希望变换后的图像f(x，y)的动态范围为c，d，则可用公式(3.1)实现变换： (3.1)3.3对焦窗口的选择分析对焦窗口是图像的兴趣区域，对焦是对兴趣区域的对焦。对焦窗口选择算法直接地影响到对焦的复杂度、计算量和精确度。选择好了对焦窗口一方面可以减少数据处理量，加快对焦速度；另一方面可以消除非兴趣区域对评价函数曲线的影响，提高对焦精确度。3.3.1对焦窗口的选择方法由于对图像运用对焦评价函数进行的运算基本上与图像的像素成正比，为了达到实时性的要求，必须减少参加运算的像素的数量。常见的选择方案有：a.中央选择法即选择图像中央一个M*N个像素的小区域，其中M和N为2的整数次方，其取值范围通常为32M，N256，这样可以大幅度减少计算量。由于通常观测者都把感兴趣的目标放在图像的中央位置，因此以中央区域内的图像达到最清晰作为对焦判断的依据较为合理，它可以适应大部分场合需求，但是对主体景物成像大小不具有自适应能力，在主体景物偏离中心时性能严重下降。b.多点取窗区域选择算法由于中心取窗不能适应主体景物偏离中心的情况，因此可以采取多点取窗方式，它通常是对图像进行统计，给出一个最优化的主体景物估计区域，然后取多个窗口作为对焦区域。多点取窗算法适应了主体景物偏移的情况，提高了主体景物覆盖成功率，但是是以增加计算量和引入更多背景图像为代价的。同时，对大面积图像运用对焦评价函数，图像中不重要的部分(背景)会对评价结果产生负面的影响，导致图像中的重要部分(成像主目标)无法准确对焦。常用的多点取窗区域选择算法，有两种区域选择：倒T字型区域选择和黄金分割点区域选择。针对日常生活中拍摄的一贯情况，主体一般都是位于图像的中间和下面。因此可以仅选择图像的中央和下部区域形成的倒T字型区域作为对焦区域。该窗口图像区域选择如图3.12所示。图3.12 倒T型区域摄影艺术和美学理论指出，一幅图像中除了中心点是人的视觉关键点外，还有另外四个点也同样是视觉关键点，即画面中的四个黄金分割点。因此可以利用中心点和四个黄金分割点为中心进行多点对焦区域选择，即认为该五个区域为前景图像区域估计。黄金分割点区域选择如图3.13所示图3.13 黄金分割点区域c.非均匀采样区域选择算法非均匀提取的原理是从仿生学的角度出发，利用人眼视网膜中央凹区域和边缘区域的感光细胞的不均匀性能和不均匀分布特点，对图像进行非均匀采样从而使处理的数据量大为减少，同时又保证了主目标成像质量最佳化。将每一幅输入的图像分成中心区域和边缘区域，中心区域对应人眼视网膜上的中央凹，在这个区域保持原有图像的分辨率，而边缘区域对应人眼中央凹的周围感光区域，在这个区域里人眼分辨率呈指数形式下降，包括一系列半径以指数形式增加的同心圆，这些同心圆被从圆心出发的等角度间隔的射线分割成环扇形区域，每一个环扇形区域对应于一个输出的像素。如图3.14所示图3.14 非均匀采样，扇形采样这种方法涉及到复杂的人眼生理学原理以及将扇形和圆形变换为矩形的投影公式。这种方法能较好地在高分辨率和大视场及少量的处理数据之间达到很好的协调，并在一些需要动态连续拍摄并且需要快速响应的场合非常有用。但是非均匀提取的方法只适用于主成像目标占据图像中央区域的情况。与中央区域选择法一样，如果主成像目标完全偏离图像中央，则分离出来的高分辨率部分仍然是背景，相反却把主成像目标的信息丢失了，从而导致主成像目标无法准确对焦。中央区域选择、多区域选择和非均匀提取这些对焦窗口选择方案没有考虑到图像中主成像目标和背景的复杂性，用单一的固定方式解决复杂多样的问题，因而无法取得理想的效果。为了克服选择对焦窗口时的种种问题，有必要进行深入的理论分析，以便针对不再的景物采取不同的选择方案。3.3.2 对焦窗口的选择策略由于成像系统使用情况非常复杂， 因此一般来说，按照某个固定标准来准确划分是不现实的，需要考虑在不同成像情况下的选择策略。当图像的中央区域包含主成像目标时，这种情况下可以在图像中央选择对焦窗口。但是，对焦窗口的大小不能随意选择，一旦对焦窗口超过了主成像目标所在的范围，会引入更多的背景信息，p值随着对焦窗口的增大而迅速减小，导致增大，主成像目标的对焦准确性相应下降。当然，也有可能对焦窗口增大时P的值基本不变或变化很小。具体结果依赖于主成像目标在图像中的具体位置和相对大小。主成像目标不在图像中央的情况在实际应用中非常普遍。对于这样的图像，在图像中央选择对焦窗口显然不妥当，因为这样会导致式中P很小甚至为0，从而使主成像目标严重离焦。有文献提到采用模式识别的方法提取人脸等特征以及利用瞳孔跟踪等方法，本文认为可以将这两种方法应用到这里。当目标和背景不处于同一个平面时此时目标和背景物距是不相等的，无论观察平面处于何种位置都不可能同时得到这多个物体所成的清晰的对焦图像，将会出现当得到其中某些物体所成的对焦状态的清晰图像时，同时得到其他物体所成的离焦状态的模糊图像。有研究指出可以采用中心取窗的方法和黄金分割点法。由于噪声的随机性，对焦窗口越大对噪声的抑制能力就会越强，对焦评价函数曲线越不容易出现波动，因此在数据处理能力允许的情况下自动对焦算法应当尽可能扩大对焦窗口。实际上，在对焦过程中光学成像参数的调整也会引起成像景物在图像上位置的偏移，而对焦窗口位置固定，这就会造成对焦窗口图像内容的差异。这些差异同样会引起评价函数曲线波动，而为了削弱位置偏移的影响也需要扩大对焦窗口大小，但计算量和数据处理量也相应增大。因此应根据自动对焦的应用场合，需要对计算量和稳定性进行折中，选取合适的对焦窗口大小。在本文的研究中，由于可以人为控制成像主体的位置，同时中央选择法也比较简单，因此我们选用中央选择法来取窗。3.4本章小结本章着重研究了影响自动对焦及对焦评价函数的因素，从图像预处理和对焦窗口的规划通过分析，考察了各个因素的影响。通过实验，给出了对焦图像预处理较好的滤波器。实验表明，可以优先考虑中值滤波算法来进行对焦前的图像预处理。同时自动对焦系统中对焦窗口的选择直接影响着对焦的速度和准确性。文章介绍了一些对焦窗口选择的方法，对焦区域的选择，尽可能包含主成像目标，屏蔽背景参与对焦计算，可提高函数灵敏度；通过中央或多区域选择法可在一定程度上可消除被测目标面倾斜给对焦造成的不利影响。但由于成像系统的应用环境不是固定的，所以必须考虑在同一成像系统中如何选择不同的对焦选择策略。一方面要满足速度快，另一方面要对焦的精度高，因此本章最后对不同成像目标的对焦窗口选择策略进行了探讨。4自动对焦评价方法4 自动对焦评价方法图像的清晰度反映了系统的离焦、对焦程度。对焦评价函数是一种有参考的图像质量评价过程，对焦图像比离焦图像含有更大的信息量，边缘更加锐利，细节信息更加丰富，在空域表现为相邻像素的特征值(如灰度，颜色，纹理等)变化较大，在频域表现为频谱的高频分量多，低频分量少。利用这种特点可以构造分析图像清晰度的对焦评价函数。4.1清晰度评价函数的评价标准 对特定的成像系统，在亮度等外部条件相同的情况下，当一个光学成像系统处于焦点位置时所形成的图像是最清晰的，无论往左还是往右偏离焦点位置，所形成的图像都是模糊的，而且偏离越多越模糊，因此图像的清晰度反映了系统的离焦程度。当完全对焦时，图像清晰，包含边缘信息的高频分量最多，焦距评价函数值最大；当图像离焦时，图像模糊，图像边缘信息的高频成分较少，焦距评价函数值小。利用这一特点可以构造各种对焦评价函数对图像的清晰度进行评价。 有效的清晰度评价函数是采用数字图像处理技术实现自动调焦的基础。好的清晰度评价函数，应该基本满足： (l)无偏性：对同一成像目标的一系列图像求其对焦曲线，其最大值恰好对应最清晰的图像。(2)单峰性：对焦函数曲线形状应呈现单峰，即在全量程内只有一个极值点，这样就能够反映离焦极性，从而保证对焦过程的正确性，理论上不能出现其他局部极值。(3)鲁棒性：光照变化、噪声以及镜头参数调整等因素造成的图像内容变化都会对评价函数有一定的影响，评价函数曲线应当具有一定的稳定性。(4)尖锐性：对焦评价函数在极点附近尖锐性越好，说明对焦评价函数区分轻微离焦的能力越强，对焦精确度也就越高。4.2清晰度评价函数的分类常用的基于图像处理的对焦函数大致可以归结为灰度梯度函数、频域函数、信息学函数和统计学函数几类。a.灰度梯度函数灰度梯度函数主要利用对图像灰度的各种处理方法来表征图像的清晰度。当正确对焦时，灰度函数值最大。基于图像微分的平方梯度函数大都属于此类函数。灰度梯度函数常包括以下常见形式：西安工业大学毕业设计（论文）绝对方差函数，表达式如下： （4.1）Brenner函数，又称为梯度滤波器法.它对相邻近像素(间隔为k)的灰度进行平方求和： （4.2）Laplacian函数： （4.3）Tenengrad函数，它利用sobel算子来估计图像在水平方向和垂直方向的梯度，为使图像边缘的梯度放大，对梯度进行平方运算，其表达式为： （4.4）b.频域函数这种评价方法是基于傅立叶变换的。其理论依据就是：清晰的图像比模糊的图像包含更多的信息，人们能更好的分辨其中的细节（细节意味着图像有清晰可辨的边缘，在局部中有很强的灰级变化，灰级的跃变更加剧烈）。c.信息学函数目前研究比较成熟的有熵函数，熵函数基于清晰图像较模糊图像携带更多信息量的事实依据，计算出一幅数字图像的信息熵，然后将其用于评价该图像的清晰度。对于一幅图像，图像能量E(I )和图像熵H(I )分别定义为： （4.5） （4.6）由香农信息理论，当E(I )一定时，H(I ) 越大，则图像越清晰。d.统计学函数完全离焦的图像是由单一灰度值组成的，而聚焦图像表现为多灰度值分布，这一特性可用统计学直方图来表征这类函数主要有Range函数、Menmay函数、Masgrn函数、直流功率函数、交流功率函数等。4.3清晰度评价函数的改进图像的边缘是图像的最基本特征之一.所谓边缘(或边沿，Edge)是指图像局部亮度变化最显著的部分.边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间，是图像分析的重要基础。物体的边缘是图像亮度不连续性的反映。边缘的种类可以分为两种：一种称为阶跃性边缘，它两边的像素灰度值有着显著的不同；另一种称为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。图像清晰度与边缘特征的关系，是当系统成像清晰时，边缘点处的灰度阶跃性变化就大，不同灰度区域间的接线就清楚。当成像不清晰时，边缘点处灰度阶跃性变小，不同灰度区域连成了一片，造成图像模糊。所以可利用边缘点处灰度阶跃变化的程度来评价图像的清晰度，从这个意义上来说图像边缘检测算法可以用来构建对焦评价函数。边缘检测算子构建对焦评价函数的思路是运用不同的边缘检测算子所构成的模板在整幅图像上做卷积，此算子即可做为评价函数。常用的边缘检测算子有roberts、Sobel及LOG等，构建方法如下：1.Roberts边缘检测算子Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子，算子函数为： （4.7）f(x，y)是具有整数像素坐标的输入图像，平方根运算使该处理过程类似于在人类视觉系统中发生的过程.R(x，y)是图像中点(x，y)的梯度，表示了该点处边缘能量的大小。实际应用中，考虑到平方、开平方运算的复杂性，常采用一种简单的近似方法： （4.8）用卷积模板表示方法，上式变成： （4.9）其中和由下面的模板计算：； 设一幅MxN大小的图像，对整幅图像中各点的梯度求和， 就可以表征整幅图像的清晰度。它的清晰度函数可表示为： （4.10）2.sobel边缘检测算子Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数， 简单有效，因此应用广泛。采用3x3邻域可避免Roberts算子在像素之间内插点上计算梯度。Sobel算子正是3x3邻域算子。Sobel算子也是一种梯度幅值： （4.11）；整幅MxN图像的清晰度评价函数可表示为： （4.12）Sobel边缘检测算法的基本思想是对图像中每一个点，取其上、下、左、右四个方向上相邻点的灰度加权差，将这四个方向上的灰度加权差求和，此值作为输出来提取图像边缘。Sobel算子能够较为准确的定位图像边缘，具有