CN101545774B - 基于单图像的距离测定方法 - Google Patents

Abstract

一种摄影设备应用软件领域的基于单图像的距离测定方法，本发明使用单幅散焦图像，提取图像中的模糊边缘，测出模糊边缘宽度的近似值和模糊边缘两边的灰度差，利用两者与距离信息、焦距、光圈直径的对应关系训练BP神经网络，然后用训练好的BP神经网络计算距离信息。本发明能应用于焦距、光圈可变的设备上，测距只需要一幅散焦图像，计算量不大，速度较快。

Description

基于单图像的距离测定方法

技术领域

本发明涉及的是一种摄影设备技术领域的距离测定方法，具体是一种基于单图像的距离测定方法。

背景技术

图像中物体的距离信息即所拍摄物体到镜头的距离，在自动聚焦、三维重构等机器视觉相关领域中测定距离信息是非常重要的。距离测定方法一般可分为主动法和被动法。主动法包括红外测距法、结构光法、摩尔条纹法等。被动法包括移动测距法、放缩法、散焦测距法。主动法的优点是精度高，抗干扰能力强，但它通过发出和接收光波进行测距，需要额外的设备，成本较高。而被动法测距精度低于主动法，但可仅通过拍摄图像进行测距，不需要其他设备，成本较低。被动法中移动测距法、放缩法都需要拍摄多幅聚焦清晰的图像才能测距，时间耗费较多，而散焦测距法不需要花时间聚焦。

经对现有技术文献的检索发现，中国专利申请号：99100675.5，公开日为2000年8月16日，发明名称：一种散焦聚距离测定方法。该发明提出一种散焦测距法，利用焦距固定的镜头拍摄散焦图像，得到的图像划分区域，对每个区域进行傅立叶变换，并与多个已转换到频域的散焦函数的反函数相乘，选出高频分量比例最高的结果，其散焦函数所对应的距离即为该区域的距离信息。该方法不足之处在于：1、只适用于焦距固定的镜头，不能应用在焦距可变的摄像设备上。2、对每一个图像区域都需要进行傅立叶变换并与多个已转换到频域的散焦函数的反函数相乘然后挑选高频分量比例最高的结果，计算量较大。

发明内容

本发明的目的在于针对现有技术中的不足，提出一种基于单图像的距离测定方法。该方法能应用于焦距、光圈可变的设备上，测距只需要一幅散焦图像，计算量不大，速度较快。

本发明是通过以下技术方案实现的，本发明使用单幅散焦图像，提取图像中的模糊边缘，测出模糊边缘宽度的近似值和模糊边缘两边的灰度差，利用两者与距离信息、焦距、光圈直径的对应关系训练BP神经网络，然后用训练好的BP神经网络求取距离信息。

本发明包括以下步骤：

第一步，检测图像中模糊边缘的位置。对于散焦图像，在物体边缘处会因为色彩扩散形成一个颜色过渡带，即模糊边缘。图像灰度化后，模糊边缘区域和噪声区域都存在灰度值波动的情况，不同之处在于模糊边缘区域的灰度值沿某个方向波动上升或下降，而噪声区域在局部范围内平均灰度值变化不大。如果使用一般的边缘检测算子，如Sobel算子、LOG算子等，当滤波窗口较小时，会把模糊边缘和噪声区域同时检测出来，当滤波窗口较大时，计算量变得很大且效果也没有较大的改善。

本发明中的模糊边缘检测方法，是指：首先，通过在横向和纵向记录某一点和后面若干点的灰度值上升或下降情况，然后，使用设定的阈值来判断该点是否模糊边缘的点，若是标记为白点，若不是标记为黑点，最后，模糊边缘显示为白点带状区域，能准确地找出模糊边缘并过滤噪声区域。

第二步，使用圆收缩法测量图像中各处模糊边缘宽度的近似值Q和模糊边缘两边的灰度差C，具体是通过行列扫描找出白点带状区域，定位其在每一行/列的两个边界点，把它们的中点作为模糊边缘在该行/列的中心，然后以该中心为圆心两边界点间距离为直径画辅助圆，辅助圆不断收缩，直到内切于白点带状区域，这时辅助圆的直径即该中心处的Q值，两内切点的灰度差即该中心处的C值。

第三步，用格雷码对Q、C、M(M＝fD/u，f为焦距，D为光圈直径，u为距离信息)进行编码，以Q、C为输入，M为输出训练BP神经网络。最后，输入需要测距的图像各处模糊边缘的Q、C值，用训练好的BP神经网络得到输出M并计算图像各处的距离信息u。

与现有技术相比，本发明能应用于焦距、光圈可变的设备上，且只需要一幅散焦图像，计算量不大，速度较快。

附图说明

图1为模糊边缘形成的光路图；

图2为模糊边缘检测的流程图；

图3为模糊边缘检测的效果图；

图4为圆收缩法的流程图；

图5为圆收缩法的效果图；

图6为BP神经网络的结构图；

图中：o：物体边缘点，o’：更远处的物体点，f：镜头焦距，u：o的距离信息，D：光圈直径，X：主光轴，L：等效透镜位置，P：清晰像位置，R：模糊边缘宽度，S：像距，S’：CCD到等效透镜的实际距离，Input：输入层Hidden：隐含层，Output：输出层。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

本实施例使用单幅散焦图像，提取图像中的模糊边缘，测出模糊边缘宽度的近似值和模糊边缘两边的灰度差，利用两者与距离信息、焦距、光圈直径的对应关系训练BP神经网络，然后用训练好的BP神经网络求取距离信息。

本实施例包括以下步骤：

第一步，检测图像中模糊边缘的位置。对于散焦图像，在物体边缘处会因为色彩扩散形成一个颜色过渡带，即模糊边缘。

如图1所示，当图像聚焦的位置不在CCD感光屏上时，物体边缘点o将在感光屏上形成一个直径为R的圆形光斑。R即模糊边缘的宽度。

根据物体成像公式，对于物体点o，有

$\frac{1}{f}=\frac{1}{u}+\frac{1}{S}---\left(1\right)$

如果物体点o’能在感光屏上成清晰像，有

$\frac{1}{f}=\frac{1}{u^{\′}}+\frac{1}{S^{\′}}---\left(2\right)$

在通常情况下，u’＞＞f，由(2)，得S’≈f。另外，对于o，u＜u’，由(1)，得S’＜S，此时有R＞0。

根据三角形相似原理，有

$\frac{D}{S}=\frac{R}{S-S^{\′}}---\left(3\right)$

把(1)代入(3)，转化后有

$u=\frac{\mathrm{fD}{S}^{\′}}{{\mathrm{DS}}^{\′}-\mathrm{fD}+\mathrm{fR}}---\left(4\right)$

由上面推出的S’≈f，等式(4)化简为

$u=\frac{\mathrm{fD}}{R}---\left(5\right)$

f和D可以直接从摄像设备上读取，故只需要求得模糊边缘的宽度R，即可计算出距离信息u。

获取R必须先检测模糊边缘的位置，为此使用图2所示的方法，具体如下：

1、对要处理的N行M列图像，先逐行扫描再逐列扫描。

2、设第n行/列扫描中，得到已扫描点集合为(X₁，X₂，X₃……X_k)，对应的灰度值为(g(X₁)，g(X₂)，g(X₃)……g(X_k))，找出其中出现次数最多的灰度值g₀(若逐行扫描，1≤n≤N，1≤k≤M；若逐列扫描，1≤n≤M，1≤k≤N)。

3、扫描下一点X_k+1，若满足下面两个条件：

(1)|g(X_k+1)-g₀|＞T₁(T₁为某阈值)；

(2)对X_k+1后面的点X_k+j，j＝2，3……m+1，有m₁个满足|g(X_k+j)-g₀|＞T₂(T₂为某阈值，大于T₁。m为某设定值，m₁小于但接近m)；

则认为X_k+1是模糊边缘中的点，标记该点并进行步骤4。若不能同时满足上面两个条件，则把X_k+1放入已扫描点集合并返回步骤2。

4、清空已扫描点集合，并把X_k+1放入已扫描点集合。

5，判断该行/列扫描是否结束。若第n行/列扫描还没有结束，返回步骤2，否则清空已扫描点集合，然后扫描图像下一行/列(即第n+1行/列)。

6、逐行扫描和逐列扫描都结束后，把标记的点置为白点，没有标记的点置为黑点。此时图中包含白点的带状区域即模糊边缘的位置，如图3所示。

其中T₁、T₂、m、m₁都是可调参数，它们能平衡模糊边缘检测的准确度和检测出的噪声区域的数目。

因为通过上述步骤检测出的白点带状区域代表了模糊边缘，故该带状区域的宽度Q可作为模糊边缘宽度的近似值。令C为模糊边缘两边的灰度差，根据大量实验图片观测，对同一距离的物体，C大的地方，Q较大；C小的地方，Q较小。故Q同时受R、C的影响，可令

Q＝F₁(R，C)(6)

由(6)反求R，可得

R＝F₂(Q，C)(7)

(7)中函数F₂具体形式待定。

第二步，使用圆收缩法测量图像中各处模糊边缘宽度的近似值Q和模糊边缘两边的灰度差C，具体是通过行列扫描找出白点带状区域，定位其在每一行/列的两个边界点，把它们的中点作为模糊边缘在该行/列的中心，然后以该中心为圆心两边界点间距离为直径画辅助圆，辅助圆不断收缩，直到内切于白点带状区域，这时辅助圆的直径即该中心处的Q值，两内切点的灰度差即该中心处的C值。

使用圆收缩法测量Q、C的流程如图4所示，步骤如下：

l，对标记好模糊边缘位置的图像先逐行扫描再逐列扫描。

2，在某一行/列扫描中判断该点是否为白点：如果遇到白点，则设该白点为X_beg，，计算其后面N个点中白点的数目，是否大于某阀值N₁，若大于某阈值N₁，则认为X_beg是模糊边缘在该行/列的开始处；

3，从X_beg的下一个点开始继续扫描，如果遇到白点，设该白点为X_end，且该点后面N个点中白点的数目小于某阈值N₂，则认为X_end是模糊边缘在该行/列的结束处；否则继续扫描下一点。

4，求出X_beg与X_end之间的中点X_mid，以X_mid为圆心画辅助圆。开始时令圆的半径为r＝(X_end-X_beg)/2。

5，检测圆上的每个点沿圆法线向外方向上的一段距离内是否有白点，若没有则减小r，并重新画辅助圆。若有，则转入步骤6。

6，重复步骤5直到圆停止收缩，此时辅助圆内切于白点带状区域，令两内切点分别为P₁、P₂，辅助圆的直径即X_mid处的Q值，P₁和P₂两处的灰度差即X_mid处的C值，如图5所示。

7，继续扫描X_end以后的点，重复步骤2到6，当该行/列扫描结束后，开始扫描图像下一行/列。

实验证明一个含输入层(Input)、隐含层(Hidden)、输出层(Output)的三层BP神经网络可在任意精度上近似定义任一连续实数函数，故可采用三层BP神经网络来模拟等式(7)中形式未定的函数F₂(Q，C)。

把(7)代入(5)，得

$u=\frac{\mathrm{fD}}{F_2(Q,C)}---\left(8\right)$

令M＝fD/u，此时(8)式化简为

F₂(Q，C)＝M(9)

由(9)式建立BP神经网络，输入为Q、C，输出为M。

第三步，用格雷码对Q、C、M(M＝fD/u，f为焦距，D为光圈直径，u为距离信息)进行编码，训练时，用散焦图像对应的Q、C编码后作为BP神经网络的输入，M编码后作为输出，然后利用反向传播法则修正节点间的权值。训练完成后，输入需要测距的散焦图像各处模糊边缘的Q、C编码后的值，通过BP神经网络求得输出M并解码，再由M＝fD/u即可求出图像各处的距离信息u。

为了提高BP神经网络模拟的精确度，对Q、C、M进行了编码，让这三个量都分别对应若干个神经元节点，如图6所示。这使得在训练过程中即使个别节点间的权值训练有误也不会对训练效果有太大影响。

本实施例编码用的是格雷码。使用格雷码而不是二进制码是因为若十进制的值产生1的误差，对应的二进制码可能有很多位都发生变化，而对应的格雷码只有1位发生变化。使用格雷码能大大增强训练的稳定性。

编码时，先把十进制的Q、C、M转成二进制数，再把二进制数转成格雷码。解码时，先把格雷码转成二进制数，再把二进制数转成十进制数。

Claims (1)

1.一种基于单图像的距离测定方法，其特征在于，使用单幅散焦图像，提取图像中的模糊边缘，测出模糊边缘宽度的近似值和模糊边缘两边的灰度差，利用两者与距离信息、焦距、光圈直径的对应关系训练BP神经网络，然后用训练好的BP神经网络求取距离信息，所述方法包括以下步骤：

第一步，检测图像中的模糊边缘；

第二步，使用圆收缩法测量图像中各处模糊边缘宽度的近似值Q和模糊边缘两边的灰度差C；

第三步，用格雷码对Q、C、M进行编码，其中：M＝fD/u，f为焦距，D为光圈直径，u为距离信息，以Q、C为输入，M为输出训练BP神经网络，输入需要测距的图像各处模糊边缘的Q、C值，用训练好的BP神经网络得到输出M并计算图像各处的距离信息u；

所述的圆收缩法，是指：通过行列扫描找出白点带状区域，定位该白点带状区域在每一行/列的两个边界点，把它们的中点作为模糊边缘在该行/列的中心，然后以该中心为圆心两边界点间距离为直径画辅助圆，辅助圆不断收缩，直到内切于白点带状区域，这时辅助圆的直径即该中心处的Q值，两内切点的灰度差即该中心处的C值；

所述的检测图像中的模糊边缘，是指：首先，通过在横向和纵向记录某一点和后面若干点的灰度值上升或下降情况；然后，使用设定的阈值来判断该点是否模糊边缘的点，若是则标记为白点，若不是则标记为黑点；最后，模糊边缘显示为白点带状区域。

Images