基于图像处理自动调焦技术研究.docVIP

基于图像处理自动调焦技术研究 　　摘 要：随着自动调焦技术的快速发展，在成像系统中得到了广泛的应用。基于图像处理的自动调焦能够进一步满足各种成像设备的智能化自动调焦需求。基于图像处理的自动调焦的关键在于图像的清晰度评价函数，本文在对评价函数进行分析的基础上提出了梯度阈值评价函数，实现了调焦的实时性、抗噪性方面的提升。 　　关键词：自动调焦；图像处理；清晰度 　　基于图像处理的自动调焦指的是实时地处理图像传感器中所采集的图像信号，对表征图像清晰度的评价值进行获取，依据评价值对图像是否清晰进行判断，并依据判断结果向电机发出反馈信号，从而控制镜头的转动方向和步长，直到实现最佳聚焦状态。其中，最为关键的是图像清晰度评价值的获取，因此，基于图像处理的自动调焦技术中清晰度评价函数是重点研究对象。 　　1 基于图像处理的自动调焦方法概述 　　随着微电子技术的发展与数字图像处理理论的进步，图像处理与存取变得更加便捷，因此如何获得清晰图像使基于图像处理的自动调焦技术成为了自动调焦技术领域中研究的重点方向。 　　基于图像处理的自动调焦的原理指的是通过基于图像处理的调焦算法对图像探测器所采集的图像进行分析与处理，对图像的离焦程度进行准确的判断，依据调焦搜索策略对镜头进行驱动与控制，从而实现图像向着清晰的方向不断发展，直到图像能够实现对焦清晰为止[1，2]。 　　目前常用的自动对焦方法有DFD（Depth from Defocus，离焦深度法）和DFF（Depth from Focus，对焦深度法）。 　　DFD是指通过离焦的图像获取对焦目标的信息，实现自动对焦。它通过对两到三帧离焦程度不同的图像进行分析与处理，获取图像模糊、离焦等方面的信息，通过这些信息实现对焦位置的判断，驱动镜头实现自动对焦。DFD能够降低图像的采集次数与电机驱动时间，调焦速度快；但误差较大，在精度和稳定度方面比较差。 　　DFF是指利用对焦搜索机制实现的自动调焦。它采用清晰度评价函数对图像清晰度进行评价，并根据清晰度评价函数值的反馈，通过调焦搜索算法对镜头进行控制与驱动，实现对焦准确。DFF的优点包括：第一，具有了更加灵活多样的调焦判据；第二，调焦控制电力与驱动结构更加简单；第三，具有更好的使用范围与稳定性[2，3]。 　　2 基于图像处理的自动调焦的图像清晰度评价函数 　　2.1 图像的预处理 　　图像在成像的过程中，会由于环境、器材等方面的原因引入各种噪声，这些噪声会在不同程度上淹没或者改变图像中的一些重要的特征，对调焦的效果造成影响。因此，在成像的过程中需要对图像进行预处理，所以要有针对性地选择噪声滤除的方法，一方面要尽可能地对噪声进行滤除，另一方面要尽可能对图像高频信息进行保留。 　　2.2 图像清晰度评价函数的评价标准 　　第一，清晰度评价函数的调焦曲线应该具备单峰性，方便对系统的离焦程度与离焦极性进行反映。第二，调焦曲线的最大值与成像系统的对焦状态应该具备无差性；第三，调焦曲线必须具备灵敏度，以提高调焦的精度；第四，清晰度评价函数应该具有抗干扰性[4]。 　　2.3 以空间域为基础的图像清晰度评价函数 　　2.3.1 传统的图像清晰度评价梯度函数 　　在图像处理的过程中，梯度函数是较为常用的函数类型。梯度函数的种类主要包括：第一，能量（Energy）梯度函数，主要是通过相邻的像素之间的灰度值的差的平方和对灰度的变化量进行描述；第二，Roberts梯度函数，主要是通过相邻的像素之间的灰度值交叉相减的平方和对灰度的变化量进行描述；第三，Sobel梯度函数，通过Sobel算子对图像水平方向与垂直方向的梯度进行提取，对梯度的平方和进行计算；第四，Brenner梯度函数，主要是通过相邻像素的灰度值的差值的平方和对图像的灰度变化进行判断；第五，Variance函数，主要通过图像的方差反映图像灰度分布的离散程度[5]。 　　2.3.2 灰度熵函数 　　图像中的灰度熵能够对图像灰度分布的离散程度进行反映。如果图像的离焦程度不同，那么图像的清晰度也不同，其灰度熵也不同。离焦程度越大，则图像越模糊，灰度变化减小，灰度熵值也越小；越接近正焦点，图像越清晰，灰度值越大。因此，灰度熵能够对图像的清晰度进行评价[5]。 　　2.4 梯度阈值评价函数 　　传统的梯度函数具有单峰性与灵敏度较好的特点，但要求图像不含噪声，这在实际应用中很难实现，就会出现调焦误判。此外，图像的背景像素也对调焦曲线的实时性、灵敏度等有影响。因此，本文提出了梯度阈值评价函数，通过自适应阈值算法实现噪声与背景像素对图像影响的降低[2]。 　　2.4.1 对阈值进行选择 　　图像中的边缘信息是通过图像的局部方差分布来实现的，边缘较为尖锐的地区其方差就比较大，边缘较为平滑的区域方