基于SURF特征的自动聚焦区域选择算法

1、基于surf特征的自动聚焦区域选择算法摘要：电子经纬仪在测量过程中，要使不同距离处的测量 标志在目镜中成像清晰，需要通过对物镜进行精确调焦来完 成。聚焦区域大小和位置的判断是自动聚焦的一个关键点。 本文将surf算法运用在自动对焦的窗口选择中，待搜索图 像经过surf匹配后，获得目标图像在待搜索图像中四个顶 点位置，即聚焦窗口。通过实验证明，这种方法适用于聚焦 目标特定的情况，锁定目标图像后，清晰度评价函数所需的 高频部分完全来自目标图像，克服了目标图像偏离中央和高 亮目标引起的误对焦。关键词：聚焦窗口； surf；电子经纬仪；tenengrad评 价函数；阈值梯度中图分类号：c35文献标识码

2、：a1引言电子经纬仪是获取地理信息的重要工具之一，它是一种 依靠机械加工保证测量精度的仪器，测角精度可达0.5 o 一般来说对于一个熟练的经纬仪操作人员，人眼单次照准目 标引起的角度误差约为3 ；且不同测量操作人员对经纬仪 使用的熟练程度也会产生不同的测量精度。照准误差的存在 使得经纬仪测量误差远远不能达到标称精度。基于以上原 因，需要研发一套经纬仪自动化照准系统。获得清晰的目标 影像是研制经纬仪自动照准系统的第一步。现有的聚焦评价 函数在一定程度上能够克服高噪声或高亮目标对图像的影 响，但当图像中包含不同景深的多个物体，或目标与背景对 比度较小时，还是很难避免误聚焦现象。为了保证聚焦成功,

3、一副图像中聚焦区域大小和位置的判断是自动聚焦的一个 关键点。常规的聚焦窗口选择算法有中心取窗区域选择算法和多点取窗区域选择算法。前者是利用单点固定区域，选择图 像中央区域像素进行聚焦评价函数计算，聚焦窗体大小由目 标图像实际位置决定1,2；后者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，然后取多点窗口作为 聚焦区域3。目前大多数文献都是研究聚焦评价函数，很 少提及聚焦窗口的选择问题，一般都是选取图像的中心区域 作为聚焦窗口，但实际很难保证目标总是处于图像中心区 域。当目标图像偏离中心时，往往会因聚焦窗口选入过多背 景图像导致聚焦性能下降甚至聚焦失败。电子经纬仪瞄准的 目标是测量标

4、志中心，即自动聚焦时，无论测量标志位于前 景还是背景，我们始终需要获得清晰的测量标志。本文针对 上述问题提出了一种新的方法确定聚焦窗口：对图像进行surf特征匹配，确定感兴趣区域位置，直接将聚焦窗口定义 在感兴趣区域上。2研究方法2. 1surf特征区域选择算法描述surf (speeded up robust featured) 4是一种尺度不 变和旋转不变的特征点检测子和描述子，具有速度快，鲁棒 性好的特点。surf分为特征点检测和特征描述子生成两部 分。在特征点检测部分，利用积分图像，使用快速hessian 检测子在尺度空间提取图像特征点；在特征描述子生成部 分，首先确定每个特征点的主方

5、向，然后沿着主方向构造一 个窗口区域，在窗口内提取一个64维向量，用该向量描述 特征点5。基于surf算法的自动聚焦算法流程，如图1所 示，先提取模板图像，即特定的测量标志点，并计算出模板 图像的特征点；通过摄像头捕捉图像，作为待搜索图像，计 算出待搜索图像的特征点；特征匹配，把待搜索图像的surf 特征点和模板图像的surf特征点进行匹配，找到待搜索图 像中模板图像的四个顶点位置，即聚焦窗口；将该聚焦窗口 作为同场景序列图像的聚焦窗口。选取大小为415x409的图像为模板图像，取大小为 2560x1920的两副图像为待搜索图像，经过surf算法后， 获得模板图像在第一幅待搜索图像中四个顶点位

6、置 (496,379), (911,379), (911,788), (496,788),在第二幅 待搜索图像中四个顶点位置(82,524) ,(637,157),(1002,738), (426,1108),如图 2(a)和所示。两副待搜索图像描述场景相同，摄像头经过旋转和倾斜 后，采集到第二幅图像，经模板匹配，仍获得模板图像在待 搜索图像中位置。surf算法具有尺度，旋转和倾斜不变性， 对缩放、小视角改变、噪声、亮度变化具有很好的适应性强。 用目标四个顶点位置定义聚焦窗口，不仅缩小聚焦区域，减 小计算量，加快聚焦速度；并且锁定目标，避免混入大量背 景影响评价函数精确度，有效的减小了噪声和高

7、亮目标的影 响。2. 2surf-梯度-阈值聚焦评价函数传统的自动聚焦算法有灰度变化函数、梯度变化函数、 图像灰度爛函数以及频域类函数等四大类6。本文采用梯 度变化函数中的tenengrad聚焦评价函数进行评判，考虑到 模糊图像小梯度的像素数多于清晰图像，使得图像在过渡带 区域内某点的梯度值虽然较小，但梯度和较大或者和清晰图 像相当，影响评价函数的准确性和有效性，所以，采用对梯 度矩阵进行阈值m处理，去掉较小的梯度值7。同时，在 对图像进行微分运算或梯度运算的操作后，虽然获得了图像 的边缘及细节信息，但同时也加强了噪声，为了避免高频噪 声引起对焦错误的现象，可以给梯度矩阵再加一个大的阈值 n,

8、去掉梯度值很大的噪声部分6,8。对图像进行surf算 法，确定聚焦窗口 a,聚焦窗口大小由图像上测量目标大小 决定，较好的解决了高亮目标和噪声对目标的影响，同时减 少计算量，保证聚焦实时性，如图3聚焦窗口选取所示。聚 焦评价函数可表示为：(1)(2)式中,gx(x,y) , gy (x, y)分别是图像每个像素灰度 f (x, y)与sobel边缘算子的卷积；式(2)中，n,m分别为头阈 值处理的上、下门限；其中(xl,yl),(x2,y2)聚焦窗口在图 像上对角点坐标。3实验及分析本文采用基于surf特征的匹配方法，分别提取目标图 像和待搜索图像的surf特征，并进行匹配，确定聚焦窗口， 并

9、将该聚焦窗口作为同场景序列图像的聚焦窗口。对聚焦窗 口内图像运用上文提到的梯度-阈值评价函数，通过比较 ftenengrad值，得到精确聚焦图像。所有图像都在固定角度 的尼康d700相机下采集，最高分辨率为4256x2832,传感 器尺寸为36.0x23. 9mm o实验环境为cpu intel core i3-2120, 3. 30ghz, 3. 24g内存，软件开发工具为win7操作 系统，vs2008+0pencv2. 3. 1。我们选取图像大小为4256x2832的12副由离焦-聚焦- 离焦的序列图像作为实验图像。图4为几种选窗方式，图像 中，老虎模型头部作为目标图像，位于整幅图像的左

10、侧中部。 若以图4(a)所示选择中心取窗，窗口中大部分都是背景，只 有少部分目标边缘细节；图4(b)为选择多点取窗方式，左上 角的区域几乎包含整个目标信息，但五个区域中只有一个为 主体目标区域，其余仍为背景区域；图4(c)为surf特征匹 配选择区域，以目标图像所在区域作为聚焦窗口，包含极少 的背景信息，并且窗口尺寸远小于其它选窗方式。由此可见, surf特征匹配选择窗口方式不受目标图像在整幅图像分布 影响。图5给出了不同聚焦窗口下，离焦到聚焦再到离焦的12 副图像在ftenengrad值的归一化仿真聚焦曲线，其中第6 幅图像为精确聚焦图像。由曲线可见，中心取窗曲线有一个 唯一的极值，判断第二

11、幅图像为精确聚焦图像，但实际为误 聚焦图像，聚焦对象为中心复杂背景；多点取窗包含有效的 目标区域图像，但由于引入过量的背景，曲线出现多个极值; surf特征匹配取窗准确定位到目标图像，背景选入少，曲线 峰值唯一且尖锐，聚焦效果好。图5仿真聚焦曲线本文选取的实验图像，背景较为复杂，目标图像偏离中 心，右边区域包含大量细节，高频成分较多，上部区域包含 有高亮日光灯，单纯对tenengrad函数加上下阈值进行控制 后，中心取窗和多点窗窗，均无法避免误聚焦现象，而将目 标图像所在位置作为聚焦窗口，即对目标图像进行锁定，很 好的解决了误聚焦问题。4结论本文引入surf特征匹配确定聚焦窗口，新算法适用于

12、目标特定的图像。聚焦窗口直接锁定目标图像，目标图像无 论位于整幅图像前景还是背景部分，都不受限制，同时新算 法客服了目标图像偏离中央和高亮目标引起的误对焦问题。 文中提出的surf特征聚焦区域选择算法和梯度-阈值评价函 数相结合的自动聚焦方法，在缩小聚焦区域，减小计算量的 同时，较好地客服了噪声、高亮目标对聚焦的影响，能够快 速准确的判断出清晰图像，实现特定目标图像的自动聚焦。参考文献(references):1 won c s,pyun k. automatic object segmentation in images with low depth of fieldc proc ieee int conf on images proc,2002:805-808.2 张乐，姜威，高赞.数字图像一阶矩的自动聚焦区域 选择算法j 光学科技,2008, 34(2)： 163-165. (zhang le, jiang wei, gaozan. automati