CN119402748A 图像的自动对焦方法、装置、存储介质和电子设备 （宁波舜宇光电信息有限公司）

基于FocusNet网络训练得到过焦欠焦分类神经2获取目标图像，并从所述目标图像中裁剪出刀口图像，采用多组训练数据基于FocusNet网络训练得到过焦欠焦分将所述目标图像输入至所述过焦欠焦分类神经网络中，得到所述目根据所述目标图像的特征数据以及所述目标离焦方向，确定所述目标图像的离焦量，2.根据权利要求1所述的方法，其特征在于，所述采用边缘检测算法确定所述第一处理图像中的初始刃边，并通过最始刃边拟合得到直线刃边，所述边缘检测算法为拉普拉斯算法或者为Canny边缘检测器算采用差值算法对所述直线刃边进行亚像素边缘定位，并沿着所述直线对所述刃边亮度分布曲线进行等间隔采样，得到采样点数据，并根据所述边缘扩展函数曲线确定所述目标图像根据所述边缘扩展函数曲线的最大值m、所述边缘扩展函数曲线的计算公式valuel=n+ax(m-n)和第二阈值计算公式value2-nt(1-a)(m-n)，分别确定确定所述边缘扩展函数曲线中与所述第一阈值距离最近的点为述边缘扩展函数曲线中与所述第二阈值距离最近的点为获取距离计算公式，并根据所述距离计算公式计算所述4.根据权利要求1所述的方法，其特征在于，所述特征数据包3采用拉普拉斯算子对所述灰度图像进行二阶微分处理，以计算所述灰对所有的所述变换后数据进行阈值处理，将所有大于0的所述变换后数据以及绝对值将所述处理后数据中第k个极小值点的位置和第k+1个极小值点的位置分别确定为第根据半径计算公式以及所述第一位置点和所述第二根据所述刀口图像的亮度最大值、所述刀口图像的亮度最小值，第三阈值计算公式edge_value2-edge_n+(I-b)⃞(edge_m-edge_n)，分别确定所述第三阈值和所述第计算所述刀口图像中每个像素点与所述第三阈值之间的差根据所有的所述第一绝对值和所有的所述第二绝对值，确定所述目标图像的最值半将所有的所述第一绝对值从小到大排列，并将前预设个所述第一将所有的所述第二绝对值从小到大排列，并将前预设个所述第二计算所述第一组特征点和所述第二组特征点中任意两个根据最值半径计算公式，确定所述4获取关系模型[Hdistance=axef_radiu+bxpyf_radliu+cxmm_radiu+d，所述关系模型为所述目标图像的特征数据与所述目标图像的离焦位置之间的关系模型，其中，esf_radiu为所述ESF半径，psf_radiu为所述PSF半径，mm_radiu为所述最值半径，图像，FOCUSNer(image)为所述目标离焦方向，[distance为所述目标图像的离焦位置，为所述目标图像的离焦量；训练单元，用于采用多组训练数据基于FocusNet网络训练得到过焦欠焦分类神经网第一处理单元，用于将所述目标图像输入至所述过焦欠第二处理单元，用于根据所述目标图像的特征数据以及5发现lens单体或模组组装中出现的光学问题，并进行调整。现阶段，获取MTF_Through_Focus主要通过测试过程中改变镜头与芯片的轴向相对位置，记录多帧离焦图并测试当前述初始刃边拟合得到直线刃边，所述边缘检测算法为拉普拉斯算法或者为Canny边缘检测6述边缘扩展函数曲线的最大值m、所述边缘扩展函数曲线的最小值n、第一阈值计算公式valuel-ntax(m-n)和第二阈值计算公式value2-n+(1-a)x(m-n)，分别确定所述第一,并根据所述距离计算公式计算所述第一数据点和所述第二c'为c经过所述小波变换后的所述变换后数据，为所后数据进行阈值处理，将所有大于0的所述变换后数据以及绝对值小于预设值的所述变换小值点的位置分别确定为第一位置点和第二位置点；根据半径计算公式以及所述第一位置点和所述第二位置点之间的位置差，确定所述PSF半径，其中，psf_radiu为所述PSF半径，low_loc2为所述第一位置点的位值，第三阈值计算公式edge_valuel=edge_m-bx(edge_m-edge_n)和第四阈值预算公式分别确定所述第三阈值和所述第7二组特征点中任意两个特征点之间的距离，得到多个计算距离；根据最值半径计算公式(a,ya)是第像的特征数据与所述目标图像的离焦位置之间的关系模型，其中，esf_r径，psf_radiu为所述PSF半径，mm_radiu为所述最值半径，[istancel为所述目标图像的焦欠焦分类神经网络，所述多组训练数据中的每一组训练数据均包括历史时间段内获取8[0023]图8示出了根据本申请的实施例提供的一种实施例中图像采集装置与预处理过程[0024]图9示出了根据本申请的实施例提供的另一种图像的自动对焦方法的流程示意员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范9二乘法对所述初始刃边拟合得到直线刃边，所述边缘检测算法为拉普拉斯算法或者为一定的平滑作用，提供较为精确的边缘方向信息，并且在噪声较多的图像中表现良好。[0046]在数字图像处理中，对图像进行离散拉普拉斯变换通常是通过卷积操作实现离散拉普拉斯变换可以看作是对图像中每个像素点应用一个特定的卷积核（也称为滤波拉普拉斯变换可以通过卷积操作表示为：L(x,y)⃞(IXL)(x,y)。[0049]步骤S2052，确定所述边缘扩展函数曲线中与所述第一阈值距离最近的点为第一算公式计算所述第一数据点和所述第二数据点之间的绝对距离，得到所述ESF半径，分别确定所述第三阈值和所述第[0067]步骤S402，计算所述刀口图像中每个像素点与所述第三[0072]步骤S4033，计算所述第一组特征点和所述第二组特征点中任意两个特征点之间(a,ya)是第value1和value2最接近的各自N(如N=6)个像素点作为特征点。计算第一组特征点（接近[0075]步骤S202，采用多组训练数据基于FocusNet网络训练得到过焦欠焦分类神经网于构建后续的自动对焦位置预测模型的对焦深度像的特征数据与所述目标图像的离焦位置之间的关系模型，其径，psf_radiu为所述PSF半径，mm_radiu为所述最值半径，[istancel为所述目标图像的了包含一阶项外，还会包括各个特征变量的平方项。二阶多项式的通式可以写作：;。[0090]其中x=esfradiu,x-psfradiu,xs=mm_radiu，其中，a0,ai,ai,ai,……,ai..i是[0092]如图6和图7所示，图6为ESF半径与离焦量（这里离焦量指的就是图中的对焦位网络训练得到过焦欠焦分类神经网络；然后将目标图像输入至过焦欠焦分类神经网络中，的轴向相对位置，可记录一系列不同离焦状态下的图像02{IMG1,IMG2,IMG3,...,IMGN}，同时测量每个位置下各视场的调制传递函数(MTF)值{MTF1,MTF2,MTF3,,MTFN}及其对应的芯片位置{l1,l2,l3,,lN}，从而获[0100]基于此原始数据集，采用定位算法从中截取每张离焦图02的中心视场测试区域[distancel=a*esf_radiutd中的参数a和d。此外，从原始自动对焦数据集中10000张离焦标准化，依据相同的阈值value1和value2寻找对应的数据点位置，计算特征半径esf_对焦深度|distance_T|。将离焦图02输入至训练好的FocusNet模型中，以预测离焦方向体的实施例对本申请的图像的自动对焦方法的实现用于根据所述目标图像的特征数据以及所述目标离焦方向，确定所述目标图像的离焦量，过焦欠焦分类神经网络；第一处理单元用于将目标图像输入至过焦欠焦分类神经网络中，根据所述边缘扩展函数曲线确定所述目标图像的E,并根据所述距离计算公式计算所述第一数据点和所述第二[0117]一些实例中，所述特征数据包括所述目标图像的PSF半径，获取单元包括转换模c'-,e)，对各所述中心子数处理模块用于对所有的所述变换后数据进行阈值处理，将所有大于0的所述变换后数据以述处理后数据中第k个极小值点的位置和第k+1个极小值点的位置分别确定为第一位置点分别确定所述第三阈值和所述第的距离，得到多个计算距离；第五确定子模块用于根据最值半径计算公式(a,ya)是第像的特征数据与所述目标图像的离焦位置之间的关系模型，其径，psf_radiu为所述PSF半径，mm_radiu为所述最值半径，[istancel为所述目标图像的[0131]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特半径以及最值半径，刀口图像为包括清晰刃边的图