【《自动对焦算法仿真及结果分析案例综述》2500字】

新疆师范大学自动对焦算法仿真及结果分析案例目录TOC\o"1-3"\h\u14602自动对焦算法仿真及结果分析案例 146801.1matlab介绍 1110011.2本程序算法设计 1291451.3运行结果及分析 51.1matlab介绍本程序设计运用到了Matlab2016a版本，运行该版本的Matlab只需要保证电脑内存在4G以及以上就可以。本程序开发主要运用到了Matlab的视觉开发包，视觉开发包中有各类对于图像进行处理的算子，调用不同的算子可以实现不同的功能。本程序主要调用了图像读取、显示、边缘检测、灰度化、去噪等算子。同时还用到了Matlab的GUIDE模块，该模块是界面开发及数据可视化的工具。1.2本程序算法设计GUI界面是Matlab中可视化功能的一个重要实现方式，利用GUI界面功能能够开发出实用的图像处理软件，可以通过按钮、下拉框、菜单栏响应等形式实现不同的图像处理功能。本文以MatlabR2016a为操作环境，对课题的图像处理任务进行了GUI编程，开发出了相关的图像处理软件，具体的编程过程如下：点击主页-新建-应用程序-GUIDE选项，进入GUI新建界面，根据图像处理需要对GUI文件进行命名和位置保存，选择相应的GUIDE模板，进入GUIDE编辑模式。图3-1新建GUIDE文件选择界面进入GUIDE编辑界面后可以看到，编辑界面的左侧为控件选择区域，可以根据相关的图像处理任务选择合适的控件进行布局，GUIDE提供了丰富的控件供用户选择。用户选择控件后拖拽至右边的空白编辑界面，利用拖拽、缩放等形式对控件的大小位置进行调整，调整好位置后进行控件的属性调整。控件的属性主要调节控件的文字大小，文字颜色信息等。调节好后即可进行后续的代码编程。GUIDE编辑界面如下：图3-2GUI主窗口根据课题图像处理任务需要，在GUI编辑界面中加入图像显示轴，按钮，文本档案，可编辑文本框，结果如下：图33界面设计双击相关的控件可进入控件的属性编辑界面，对相关的属性进行编辑，可以完成控件的定制化：图3-4控件参数编辑界面选择相关控件的callback功能，即可进入控件响应程序的编辑界面。图1.5函数编辑界面图3-6运行效果图像1.3运行结果及分析点击读取视频按钮，可以完成视频图像的读取，核心代码如下：[filename,pathname]=uigetfile({'*.*'},'选择视频');obj=VideoReader(filename);%读取视频文件numFrames=obj.NumberOfFrames;%视频总的帧数numFrames=50;fory=1:numFramesframe=read(obj,y);imwrite(frame,strcat('.\原始图像\',num2str(y),'.jpg'),'jpg');set(handles.axes5,'HandleVisibility','ON');%打开坐标，方便操作axes(handles.axes5);%%使用图像，操作在坐标1imshow(frame);%显示每一帧图片pause(0.01);endmsgbox('视频读取完成','结果');程序中，uigetfile()用来选择视频文件，函数返回视频的文件名称以及路径名称，VideoReader()可以读取视频的信息，返回视频结构体，视频结构体中读取视频的帧数信息，通过for循环读取每一帧视频并显示视频图像到坐标轴上，完成视频的读取功能。结果如下：图1.7视频读取结果点击聚焦函数，可以选择不同的聚焦函数进行对焦，点击自动调焦按钮，则可以完成调焦过程。边缘强度聚焦函数核心代码如下：functionoutval=edge_intensity(img)ifnargin==1BW1_R=edge(img,'sobel');%图像边缘检测[m,n]=size(BW1_R);%图像尺寸edgesum=sum(sum(BW1_R));%图像像素总数outval=edgesum/(m*n)*100;%图像边缘强度elseerror('Wrongnumberofinput!');end利用sum函数统计图像中的所有白色像素点个数，通过白色像素点个数占比计算出图像边缘强度。选择边缘强度下拉框，利用边缘强度聚焦函数实现自动对焦，效果如下图所示。从图像中可以看出，最清晰视频帧在131帧，清晰度曲线变化较为明显，早期的聚焦图像较为模糊，清晰度曲线较低，随着图像逐渐清晰，图像边缘梯度变化较大，中间清晰部分的清晰度都较高，最终的聚焦图像能量梯度为10.24。图1.8边缘强度聚焦结果选择平均梯度下拉框，对图像进行聚焦，核心代码如下：functionoutval=avg_gradient(img)ifnargin==1img=double(img);%Getthesizeofimg[r,c,b]=size(img);dx=1;dy=1;fork=1:bband=img(:,:,k);[dzdx,dzdy]=gradient(band,dx,dy);s=sqrt((dzdx.^2+dzdy.^2)./2);g(k)=sum(sum(s))/((r-1)*(c-1));endoutval=mean(g);elseerror('Wrongnumberofinput!');end程序中首先读取图像对图像进行数据转换，然后利用size函数计算图像的尺寸，根据尺寸对图像进行边缘梯度检测，检测完后统计图像的总梯度值以及图像尺寸值，计算平均梯度。效果如下图所示。从图像中可以看出，图像的聚焦前后清晰度波动幅度都较大，图像在157帧时聚焦图像最为清晰，聚焦图像的能量梯度为11.55。图1.9平均梯度聚焦视频在157帧时获得最清晰图像，聚焦结果能量梯度为11.55。选择Brenner梯度函数对图像进行聚焦，核心代码如下：functionG=figure_definition(X)%X=imread('SIDWTwithHaar.bmp');%X=X(1:128,1:128);%X=image2;X=double(X);%%%%%%%%[s,t]=size(X);n=s*t;m=1;fori=1:(s-1)forj=1:(t-1)x=X(i,j)-X(i,j+1);y=X(i,j)-X(i+1,j);z(m,1)=sqrt((x.^2+y.^2)/2);m=m+1;endendG=sum(z)/n;程序中读取图像后计算图像的尺寸，然后从水平方向和垂直方向遍历图像，计算图像的相邻两邻域像素点的梯度值，统计出Brenner梯度。结果如下图所示图3-10Brenner梯度聚焦选择信息熵对图像进行聚焦，核心代码如下：functionS=shannon(img)I=img;%I=double(I);[C,R]=size(I);%求图像的规格Img_size=C*R;%图像像素点的总个数L=256;%图像的灰度级H_img=0;nk=zeros(L,1);fori=1:Cforj=1:RImg_level=I(i,j)+1;%获取图像的灰度级nk(Img_level)=nk(Img_level)+1;%统计每个灰度级像素的点数endendfork=1:LPs(k)=nk(k)/Img_size;%计算每一个灰度级像素点所占的概率ifPs(k)~=0;%去掉概率为0的像素点H_img=-Ps(k)*log2(Ps(k))+H_img;%求熵值的公式S=H_img;endend程序中算法首先读取原始图像的尺寸信息，统计像素点总数以及灰度级数，然后计算每个灰度级数的点数，计算每个灰度级点数的概率值，最后根据熵公式计算出熵值。结果如下图所示。从图像中可以看出，图像前期的清晰度与图像聚焦时的清晰度曲线差值较小，说明前期图像中的熵与聚焦清晰的图像熵之间变化并不大，程序在156帧时取得聚焦图像，聚焦结果能量梯度为10.55。图1.11信息熵聚焦选择灰度方差对图像进行聚焦，核心代码如下：function[img_mean,img_var]=variance(img)img=double(img);[rc]=size(img);img_mean=mean(mean(img));img_var=sum(sum((img-img_mean).^2))/(r*c);end公式中首先读取原始图像，对图像尺寸进行计算，然后计算图像灰度值的均值，利用每个像素点对均值相减后平方，统计所有值得到最终的灰度方差。结果如下图所示。从图像中可以看出，图像聚焦结果前清晰度曲线变换不是很明显，聚焦之后的清晰度曲线骤降，分析原因为前期图像虽然模糊，但是模糊花瓣与背景部分的灰度值差值变化不大，所以灰度方差变化也不是很大。由于后期视频图像变换到远距离背景处，其灰度方差较为相似，所以方差结果较小，出现骤降的结果。最清晰图像出现在133帧，聚焦结果能量梯度为11.24。图1.12灰度方差聚焦从图像聚焦结果可以看出，边缘强度，Brenner梯度以及平均梯度的聚焦曲线都比较类似，其聚焦结果能量梯度分别为11.55，10.24，11.55。原因是因