CN102169275A

CN102169275A - 一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统

Info

Publication number: CN102169275A
Application number: CN2010101575417A
Authority: CN
Inventors: 杨平中
Original assignee: SHANGHAI INFOTM MICROELECTRONICS CO Ltd
Current assignee: SHANGHAI INFOTM MICROELECTRONICS CO Ltd
Priority date: 2010-04-28
Filing date: 2010-04-28
Publication date: 2011-08-31

Abstract

本发明公开了一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统。所述方法在自动聚焦窗口规划时对拍摄场景进行多次黄金分割，并对黄金分割点所在区域进行非均匀采样，采用基于绿色分量的能量梯度函数作为聚焦评估函数，并对非均匀采样区域赋予不同的权重值，在保证对成像主体和背景区域聚焦精确度的前提下降低计算复杂度，满足了数码相机自动聚焦系统的实时性要求。

Description

一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统

技术领域：

本发明涉及一种数码相机自动聚焦系统，更具体的是，涉及用于数码相机进行自动聚焦时，一种基于黄金分割的非均匀采样窗口规划的方法和一种基于G(绿色)分量的自动聚焦评估函数。

背景技术：

自动对焦技术应用于相机系统，传统相机采用的对焦系统往往通过测距原理来实现，随着信息技术的发展，基于智能化图像分析与处理的自动聚焦技术广泛运用于数码相机或摄像机。

传统的数码相机自动聚焦系统智能化水平较低，着重体现在对焦窗口的选择，无法适应各种拍摄场景尤其是具有复杂主体与背景的拍摄场景，导致自动对焦的失败。通常的对焦窗口规划方法往往采用中央区域法或多区域选择的方法，比如选择对角线上的四个等分点所在区域或选择中央区域四角的四个区域。这些算法选择的像素区域较少，减轻了计算复杂度，能够满足聚焦系统实时性的要求，但没有考虑到聚焦的目的是得到最佳成像质量的主目标，因而出现了把对焦主体排斥在对焦窗口之外的对焦失败。

传统的窗口规划方式对各选择的区域采用相同的采样率，认为各区域的权重相同。考虑在机器人实时控制等领域广泛运用的非均匀采样方式，有关研究提出对图像非均匀采样的方法，图像的中央区域具有最大的采样率，随着与中央区域的距离增大采样率逐渐下降，这种窗口规划方式不仅考虑了中央区域，同时也考虑了背景区域的信息，具有很高的精确度和分辨率。常用的非均匀采样方法是采用对图像扇形划分或圆形划分的方式，每个采样区域输出一个预处理后的像素点，比如中值点，这些非均匀采样方法对图像的划分比较复杂并且涉及到采样区域的图像预处理，因此对实时性有很大的影响。

常用的自动聚焦评估函数通常采用能量梯度函数，避免了彩色图像到灰度空间的转换，节省了计算时间。由于人眼对彩色G分量的敏感度比R、B分量要高很多，因此采用基于G分量的能量梯度函数，并对各采样区域赋予不同的权重，这样可以在保证获得较高聚焦精确度和分辨率的同时，降低计算复杂度，满足实时性的要求。

发明内容：

本发明的目的在于提供一种用于数码相机自动聚焦时窗口规划的方法和一种自动聚焦评估函数。更具体的说，该方法是在数码相机进行自动聚焦时，采用一种基于黄金分割的方法，对图像窗口进行非均匀采样，计算G分量的聚焦评估函数，通过迭代找到最佳聚焦点成功聚焦的方法。

下面详细介绍本发明的具体技术方案：

一种用于数码相机进行自动聚焦时基于黄金分割非均匀采样窗口规划的自动聚焦系统。

该系统包括：

数码相机自动聚焦系统对图像采集窗口进行多次黄金分割；

数码相机自动聚焦系统对图像采集窗口中央区域和黄金分割点处进行非均匀采样；

数码相机自动聚焦系统对非均匀采样的数据进行基于G分量的聚焦评估函数计算；

数码相机自动聚焦系统进行迭代获得最佳聚焦点，正确聚焦。

其特征在于：

本发明所述方法从摄影艺术和美学的角度对图像窗口进行多次黄金分割，不仅对图像的中央区域进行计算，多个黄金分割点所处的这些关键区域也参与计算。

本发明所述方法在对中央区域和黄金分割点区域进行非均匀的采样，中央区域具有最大采样率，随着与中央区域距离的增加采样率逐渐减小，并且图像的底部采样率高于图像的顶部。

本发明所述方法在对聚焦函数进行计算时，采用基于G分量的能量梯度函数，减轻计算强度，并通过神经网络学习的方法对不同的采样区域赋予不同的权重值。

本发明所述方法在进行迭代时采用大小步长的爬山法，在保证迭代速度的同时保证了迭代的精度。

本发明所述方法在实现时，由于对多个区域进行评估函数计算，尽可能的把人眼感兴趣的点包含在内，并且对重要性不同的区域采取不同的采样率，对占据较大图像范围的背景区域采取较低的采样率，减轻计算的强度，仅仅对人类视觉最敏感的G分量进行聚焦函数的计算，减少了计算量并且降低了计算复杂度，满足聚焦系统的实时性要求。

附图说明：

以下结合附图和具体实施方式来进一步说明本发明。

图1为本发明所述系统的步骤流程图。

图2为图像的黄金分割图和各黄金分割区域(每个点代表一个区域)。

具体实施方式：

下面将结合附图进一步阐述本发明。

如图1所示为数码相机自动聚焦系统的步骤流程图，在数码相机处于预拍摄模式状态时，系统内部已经对图像进行黄金分割，对各黄金分割点G分量数据进行非均匀采样，对非均匀采样的G分量数据结果进行聚焦评估函数计算，若计算结果为最优值则聚焦成功，否则对镜头驱动马达进行移动，再次迭代计算聚焦评估函数，直到找到最佳聚焦点为止。

如图2所示为数码相机自动聚焦系统黄金分割图，每个点代表一个采样区域，O点为中央区域，采样率最高，占整幅图像的5％大小，A_i(i＝1，2，3，4)为首次黄金分割点，其重要性仅次于中央区域，因此A₁、A₂、A₃、A₄的大小为整幅图像的4％大小，B_i(i＝1，2，3，4)、C_i(i＝1，2，3，4)区域也是拍摄的重要区域，占整幅图像的大小比例分别为3％、2％，D_i、E_i、F_i、G_i(i＝1，2，3，4)区域的重要性依次下降，占整幅图像的比例分别为2％、1.5％、1.5％、1％。

基于G分量的评估函数只对绿色分量进行计算，因此采样时只需要对绿色分量进行，评估函数采用能量梯度函数，M为水平方向数据个数，N为垂直方向数据个数，g(x，y)为灰度值，能量梯度函数公式如下：

Eg = Σ_{x}^{M - 1} Σ_{y}^{N - 1} {{[gx 1, y - gx, y]}^{2} {[gx, y 1 - gx, y]}^{2}}

公式一

整幅图像的评估函数由各区域进行加权得到，加权公式如下：

E＝E_O αE_A βE_B γE_C κE_D ωE_E λE_F δE_G

公式二

E_X(X＝O、A、B、C、D、E、F、G)代表各区域的能量梯度函数采样数据的累积，其权重值系数通过神经网络学习得到。

若图像聚焦评估函数值E为最优值，则为最佳聚焦位置，否则进行大小步长的爬山迭代，直到找到最佳聚焦点为止。至此，自动聚焦系统完成。

上述流程和计算过程是本发明所述方法的一种典型的实施方式，对于本领域的技术人员，在上述实施例的基础上可以对聚焦评估函数进行改进，同样能够实现本发明的目的。但是，这种变化显然应该在本发明的权利要求书的保护范围内。

Claims

1.一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统，其特征在于包括以下步骤：

(1)对图像采集窗口进行多次黄金分割；

(2)对图像采集窗口中央区域和黄金分割点处进行非均匀采样；

(3)对非均匀采样的数据进行基于G分量的聚焦评估函数计算；

(4)进行迭代运算获得最佳聚焦点，正确聚焦。

2.根据权利要求1所述一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统，其特征在于：

步骤1中从摄影艺术和美学的角度对图像窗口进行多次黄金分割，不仅对图像的中央区域进行计算，多个黄金分割点所处的这些关键区域也参与计算。

3.根据权利要求1所述一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统，其特征在于：

步骤2中对中央区域和黄金分割点区域进行非均匀的采样，中央区域具有最大采样率，随着与中央区域距离的增加采样率逐渐减小，并且图像的底部采样率高于图像的顶部。

4.根据权利要求1所述一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统，其特征在于：

步骤3中对聚焦函数进行计算时，采用基于G分量的能量梯度函数，减轻计算强度，并通过神经网络学习的方法对不同的采样区域赋予不同的权重值。

5.根据权利要求1所述一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统，其特征在于：

步骤4中进行迭代时采用大小步长的爬山法，在保证迭代速度的同时保证了迭代的精度。

6.一种基于黄金分割非均匀采样窗口规划的数码相机自动聚焦系统，其特征在于：在实现时，由于对多个区域进行评估函数计算，尽可能的把人眼感兴趣的点包含在内，并且对重要性不同的区域采取不同的采样率，对占据较大图像范围的背景区域采取较低的采样率，减轻计算的强度，仅仅对人类视觉最敏感的G分量进行聚焦函数的计算，减少了计算量并且降低了计算复杂度，满足聚焦系统的实时性要求。