CN104123430A - 焦点识别系统及方法 - Google Patents

Abstract

一种焦点识别方法，包括：载入多张图像的离散数据，其中，所述离散数据包括获取每张图像时镜头的Z轴坐标以及该每张图像的清晰度的值；对上述离散数据进行滤波处理，以取得平滑的离散数据根据滤波后的离散数据计算出其中的m个极大值及n个极小值；根据所述m个极大值及n个极小值建立m个区间；及计算并输出该每个区间的峰值，其中，每个峰值代表所述物体一个表面的焦点。本发明还提供一种焦点识别系统。利用本发明可以识别出物体多个表面的焦点。

Description

焦点识别系统及方法

技术领域

本发明涉及一种影像量测系统及方法，尤其涉及一种多层表面物体的焦点识别系统及方法。

背景技术

焦点的准确识别是保证图像清晰的关键。焦点识别目前被广泛应用于日常生活和工业生产中，如相机、投影仪等的自动对焦功能。目前的焦点识别技术通常只针对某物体的单一表面，且对图像清晰度要求相对不高。

在工业生产的精密影像量测中，对透明度较高且具有多层表面的物体的尺寸测量，例如液晶显示屏等，须要辨识该物体各层表面的焦点位置以获取各层表面的清晰图像，继而处理图像得到量测结果。利用传统的焦点识别技术很难实现。

发明内容

鉴于以上内容，有必要提供一种焦点识别系统及方法，能够识别出物体多个表面的焦点。

一种焦点识别系统，运行于计算设备中，该系统包括：数据获取模块：用于载入多张图像的离散数据，其中，所述离散数据包括获取每张图像时镜头的Z轴坐标以及该每张图像的清晰度的值；滤波模块：用于对上述离散数据进行滤波处理，以取得平滑的离散数据；极值计算模块：用于根据滤波后的离散数据计算出其中的m个极大值及n个极小值；区间建立模块：用于根据所述m个极大值及n个极小值建立m个区间；及焦点计算模块：用于计算并输出该每个区间的峰值，其中，每个峰值代表所述物体一个表面的焦点。

一种焦点识别方法，运行于计算设备中，该方法包括：载入多张图像的离散数据，其中，所述离散数据包括获取每张图像时镜头的Z轴坐标以及该每张图像的清晰度的值；对上述离散数据进行滤波处理，以取得平滑的离散数据；根据滤波后的离散数据计算出其中的m个极大值及n个极小值；根据所述m个极大值及n个极小值建立m个区间；及计算并输出该每个区间的峰值，其中，每个峰值代表所述物体一个表面的焦点。

相较于现有技术，本发明所述的焦点识别系统及方法根据图像清晰度和获取各图像时影像量测机台对应的z轴坐标值拟合出清晰度-z轴坐标曲线，然后根据其对应的多次项公式得到清晰度的相对极大值，从而获取不同表面的焦点值。

附图说明

图1是本发明焦点识别系统较佳实施例的运行环境示意图。

图2是图1中焦点识别系统较佳实施例的功能模块图。

图3是本发明焦点识别方法较佳实施例的流程图。

图4是建立的m个区间的示意图

主要元件符号说明

计算设备	1
		量测机台	2
待量测产品	3
		焦点识别系统	10
存储设备	11
		处理器	12
显示设备	13

清晰度计算系统	14
		数据获取模块	100
滤波模块	101
		极值计算模块	102
区间建立模块	103
		焦点计算模块	104
XY平面	20
		Z轴手臂	21
CCD镜头	22

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

参阅图1所示，是本发明焦点识别系统较佳实施例的运行环境示意图。所述的焦点识别系统10运行于计算设备1上。所述计算设备1可以是计算机等具有数据处理功能的电子设备。所述的计算设备1还包括存储设备11、处理器12，及显示设备13等部件。

量测机台2与所述计算设备1通讯连接。所述量测机台2包括一个XY平面20及一个Z轴手臂21。所述XY平面20上放置有一个待量测产品3。所述待量测产品3可以是液晶显示屏等包括多层表面的物体。所述Z轴手臂21的末端安装有一个CCD镜头22。所述量测机台2通过调节Z轴手臂21以改变CCD镜头22的Z轴坐标，从而获取待量测产品3多张不同清晰度的图像。

此外，所述计算设备1还包括一个清晰度计算系统14，用于从量测机台2获取所述不同清晰度的图像，并计算出该每张图像的清晰度的值。

所述的焦点识别系统10包括多个由程序段所组成的功能模块（详见图2），用于利用所述清晰度计算系统14计算出来的每张图像的清晰度的值以及获取该每张图像时CCD镜头22的Z轴坐标拟合出清晰度-Z轴坐标曲线，然后根据其对应的多次项公式得到清晰度的相对极大值，从而获取不同表面的焦点值。

所述存储设备11用于存储所述焦点识别系统10中各个程序段的程序代码。该存储设备11可以为智能媒体卡（smart media card）、安全数字卡（secure digital card）、快闪存储器卡（flash card）等储存设备。该存储设备11还用于存储焦点识别系统10所需的各种量测数据，如量测机台2获取每张图像时的CCD镜头22的Z轴坐标以及清晰度计算系统14计算出来的每张图像的清晰度的值。

所述处理器12用于执行所述焦点识别系统10中各个程序段的程序代码，以实现焦点识别系统10中各功能模块的功能（详见图3中描述）。

所述的显示设备13用于显示计算设备1的可视化数据，例如，焦点识别系统10确定的待量测产品3的不同表面的焦点值。

如图2所示，是本发明焦点识别系统较佳实施例的功能模块图。所述的焦点识别系统10包括数据获取模块100、滤波模块101、极值计算模块102、区间建立模块103及焦点计算模块104。

如上所述，以上各模块均以程序代码或指令的形式存储在计算设备1的存储设备11中或固化于该计算设备1的操作系统中，并由该计算设备1的处理器12所执行。以下结合图3对焦点识别系统10中的各功能模块进行详细说明。

参阅图3所示，是本发明焦点识别方法较佳实施例的流程图。

步骤S1，数据获取模块100从存储设备11中载入多张图像的离散数据。所述离散数据包括量测机台2获取每张图像时的CCD镜头22的Z轴坐标以及该每张图像的清晰度的值。

步骤S2，滤波模块101对上述离散数据进行滤波处理。当CCD镜头22沿着z轴的同一个方向（正轴方向或者负轴方向）连续移动时，所获取的图像的清晰度的值为连续变化的数值（类似抛物线）。若获取的图像的清晰度的值变化过于剧烈，则可能是受到外因或量测机台2本身产生的噪声干扰，因此需用低通滤波器(Low-Pass Filter)处理噪声，取得平滑的清晰度数值，利于保证拟合数据的精确度。

所述低通滤波器包括移动平均滤波器（Moving average）及Savitzky-Golay滤波器。所述移动平均滤波器通过滤波器宽度内的数据均值来代替原数据。所述Savitzky-Golay滤波器在时域内基于给定阶次的多项式，通过移动窗口利用线性最小二乘法进行拟合，从而得到滤波参数处理数据。移动平均滤波器倾向于过滤掉大部份的信号高频内容，仅保留波峰的较低部份，而Savitzky-Golay滤波器可以保留更多相对极大值、极小值和宽度等分布。本发明较佳实施例采用Savitzky-Golay滤波器进行滤波处理。

所述Savitzky-Golay滤波器可由下列公式表达：

Ypred=Sgolay(Y,framelength,degree)

其中，Y是所述离散数据；frame length是滤波器窗口长度，须为奇数；degree是多项式滤波器的阶次，须小于frame length；Ypred是经滤波后数据。本发明较佳实施例中，frame length=5，degree=2。

步骤S3，极值计算模块102根据滤波后的离散数据计算出其中的m个极大值及n个极小值。本发明较佳实施例中，所述n=m+1。所述极值计算模块102采用如下方法计算极大值及极小值：

假设一维数组X为：

X={X[0],X[1],...,X[n-1]}；

其一阶导数为：

dX=diff(x)={X[1]-X[0],...,X[n-1]-X[n-2]}；

其二阶导数为：

d₂X=diff(diff(x))={dX[1]-dX[0],...dX[n-2]-dX[n-3]}

其中，所述极大值满足diff(sign(diff(X)))=-2，及所述极小值满足diff(sign(diff(x)))=2，其中，X为所述离散数据，sign(r)为符号函数，当r>0时，返回1，当r<0时，返回-1，当r=0时，返回0。

步骤S4，区间建立模块103根据所述m个极大值及n个极小值建立m个区间。参阅图4所示，是根据4个极大值及5个极小值建立的4个区间的示意图。

步骤S5，焦点计算模块104从所建立的m个区间中选择其中一个区间。

步骤S6，焦点计算模块104将所选择的区间的离散数据利用最小二乘法拟合成一条曲线。

对于离散数据（x_i，y_i），其中，x_i为清晰度的值，y_i为Z轴坐标，首先，焦点计算模块104构建如下关于x坐标的V(Vandermonde)矩阵：

$V=\left[\begin{array}{cccccccccc}{x}_0^(n-1)& \&CenterDot;& \&CenterDot;& \&CenterDot;& x_0^k& \&CenterDot;& \&CenterDot;& \&CenterDot;& x_0& 1\\ x_1^(n-1)& \&CenterDot;& \&CenterDot;& \&CenterDot;& x_1^k& \&CenterDot;& \&CenterDot;& \&CenterDot;& x_1& 1\\ \&CenterDot;& & & & \&CenterDot;& & & & \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& & & & \&CenterDot;& & & & \&CenterDot;& \&CenterDot;\\ x_{n-1}^(n-1)& \&CenterDot;& \&CenterDot;& \&CenterDot;& x_{n-1}^k& \&CenterDot;& \&CenterDot;& \&CenterDot;& x_{n-1}& 1\end{array}\right],$ 其中，k=[0，1，…，n-1]。

然后，焦点计算模块104利用如下公式对该V矩阵进行QR分解和高斯消元法得到拟合曲线p(x)的多次项表达式：

polyco=V/y；

[Q,R]=qr(V)；

polyco=R/(Q^T*y)；

其中，polyco=[p1，p2，…，pn+1]代表拟合曲线公式的常数项，V代表Vandermonde矩阵，Q，R矩阵则代表QR分解后生成的正交矩阵和上三角矩阵，Q^T是正交矩阵Q的转置。

步骤S7，焦点计算模块104判断所拟合的曲线的拟合优度是否达到了预设的要求。拟合优度是表征拟合曲线p(x)拟合程度的变量。本发明较佳实施例中，所述拟合优度采用如下两种形式：误差平方和（Sum of SquaresDue to Error，又称（SSE））及确定系数（R-square，又称（R²））。

所述SSE表示拟合曲线p(x)与原离散数据的偏差的平方和，利用如下公式计算：

$\mathrm{WeightedSSE}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{w}_i{(y_i-p\left(x_i\right))}^2,$

其中w_i是权数(weights)，决定每个点对最终评估结果的影响，一般在离散数据中可表达为：

$w_i={\left(\frac{{\mathrm{\&Sigma;}}_{i=0}^{n-1}{(y_i-\stackrel{\&OverBar;}{y})}^2}{n}\right)}^{-1},$

其中，SSE值愈趋于0说明拟合程度愈好。

所述R²，定义为SSR（Sum of Squares of Regression）和SST（Total Sumof Squares）的商。其中，SSR为拟合数据与原离散数据均值的差平方和；SST为原离散数据与均值的差平方和，且SST=SSR+SSE，其中：

$\mathrm{SSR}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{(p\left(x_i\right)-\stackrel{\&OverBar;}{y})}^2,$

$\mathrm{SST}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{w}_i{(y_i-\stackrel{\&OverBar;}{y})}^2,$

$R^2=\frac{\mathrm{SSR}}{\mathrm{SST}}=1-\frac{\mathrm{SSE}}{\mathrm{SST}}$

其中，R²的值域为（0，1），且愈接近1，说明拟合程度也愈好。

本发明较佳实施例中，所述SSE值的拟合优度的预设值为小于2，所述R²的拟合优度的预设值为大于0.98。

在步骤S7中，若判断结果为所拟合的曲线的拟合优度没有达到预设的要求，则流程返回步骤S6，焦点计算模块104将所选择的区间的离散数据采用升一个阶次的方法利用最小二乘法重新拟合一条曲线。在步骤S7中，若判断结果为所拟合的曲线的拟合优度达到了预设的要求，则流程执行下述的步骤S8。

步骤S8，焦点计算模块104获取该拟合曲线的多次项表达式以及该拟合曲线的峰值，并存储至存储设备11中。

步骤S9，焦点计算模块104判断是否还有待选择的区间。其中，若步骤S4中建立的区间有任何一个没有被选择过，则焦点计算模块104判断还有待选择的区间，流程返回步骤S5，焦点计算模块104选择下一个区间。否则，若步骤S4中建立的区间都已经被选择过，则焦点计算模块104判断不存在待选择的区间，流程执行下述的步骤S10。

步骤S10，焦点计算模块104在显示设备13中输出所有峰值，其中，每个峰值代表待量测产品3的一个表面的焦点。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种焦点识别方法，运行于计算设备中，用于识别多层表面物体的每一层表面的焦点，其特征在于，该方法包括：

数据获取步骤：载入多张图像的离散数据，其中，所述离散数据包括获取每张图像时镜头的Z轴坐标以及该每张图像的清晰度的值；

滤波步骤：对上述离散数据进行滤波处理，以取得平滑的离散数据；

极值计算步骤：根据滤波后的离散数据计算出其中的m个极大值及n个极小值；

区间建立步骤：根据所述m个极大值及n个极小值建立m个区间；及

焦点计算步骤：计算并输出该每个区间的峰值，其中，每个峰值代表所述物体一个表面的焦点。

2.如权利要求1所述的焦点识别方法，其特征在于，所述滤波步骤采用Savitzky-Golay滤波器进行滤波处理，所述Savitzky-Golay滤波器的公式表达为：

Ypred=Sgolay(Y,framelength,degree)

其中，Y是所述离散数据；frame length是滤波器窗口长度，须为奇数；degree是多项式滤波器的阶次，须小于frame length；Ypred是经滤波后的数据。

3.如权利要求1所述的焦点识别方法，其特征在于，所述极值计算步骤采用如下的方法计算极大值及极小值：

一维数组X={X[0],X[1],...,X[n-1]}；

其一阶导数为：dX=diff(x)={X[1]-X[0],...,X[n-1]-X[n-2]}；

其二阶导数为：d₂X=diff(diff(x))={dX[1]-dX[0],...dX[n-2]-dX[n-3]}；

其中，所述极大值满足diff(sign(diff(X)))=-2，及所述极小值满足diff(sign(diff(x)))=2；其中，X为所述离散数据，sign(r)为符号函数，当r>0时，返回1，当r<0时，返回-1，当r=0时，返回0。

4.如权利要求1所述的焦点识别方法，其特征在于，焦点计算步骤包括：

从所建立的m个区间中选择其中一个区间；

将所选择的区间的离散数据利用最小二乘法拟合成一条曲线；

当所拟合的曲线的拟合优度没有达到预设的要求时，采用升一个阶次的方法利用最小二乘法重新拟合一条曲线；及

当所拟合的曲线的拟合优度达到了预设的要求时，将拟合曲线的多次项表达式以及该拟合曲线的峰值存储一个存储设备中。

5.如权利要求4所述的焦点识别方法，其特征在于，所述拟合优度表征拟合曲线p(x)拟合程度的变量，包括误差平方和及确定系数，其中：

所述误差平方和SSE表示拟合曲线p(x)与原离散数据的偏差的平方和，利用如下公式计算：

$\mathrm{WeightedSSE}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{w}_i{(y_i-p\left(x_i\right))}^2,$

$w_i={\left(\frac{{\mathrm{\&Sigma;}}_{i=0}^{n-1}{(y_i-\stackrel{\&OverBar;}{y})}^2}{n}\right)}^{-1};$

所述确定系数R²利用如下公式计算：

$\mathrm{SSR}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{(p\left(x_i\right)-\stackrel{\&OverBar;}{y})}^2,$

$\mathrm{SST}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{w}_i{(y_i-\stackrel{\&OverBar;}{y})}^2,$

$R^2=\frac{\mathrm{SSR}}{\mathrm{SST}}=1-\frac{\mathrm{SSE}}{\mathrm{SST}}.$

6.一种焦点识别系统，运行于计算设备中，用于识别多层表面物体的每一层表面的焦点，其特征在于，该系统包括：

数据获取模块：用于载入多张图像的离散数据，其中，所述离散数据包括获取每张图像时镜头的Z轴坐标以及该每张图像的清晰度的值；

滤波模块：用于对上述离散数据进行滤波处理，以取得平滑的离散数据；

极值计算模块：用于根据滤波后的离散数据计算出其中的m个极大值及n个极小值；

区间建立模块：用于根据所述m个极大值及n个极小值建立m个区间；及

焦点计算模块：用于计算并输出该每个区间的峰值，其中，每个峰值代表所述物体一个表面的焦点。

7.如权利要求6所述的焦点识别系统，其特征在于，所述滤波模块采用Savitzky-Golay滤波器进行滤波处理，所述Savitzky-Golay滤波器的公式表达为：

Ypred=Sgolay(Y,framelength,degree)

其中，Y是所述离散数据；frame length是滤波器窗口长度，须为奇数；degree是多项式滤波器的阶次，须小于frame length；Ypred是经滤波后的数据。

8.如权利要求6所述的焦点识别系统，其特征在于，所述极值计算模块采用如下的方法计算极大值及极小值：

一维数组X={X[0],X[1],...,X[n-1]}；

其一阶导数为：dX=diff(x)={X[1]-X[0],...,X[n-1]-X[n-2]}；

其二阶导数为：d₂X=diff(diff(x))={dX[1]-dX[0],...dX[n-2]-dX[n-3]}；

其中，所述极大值满足diff(sign(diff(X)))=-2，及所述极小值满足diff(sign(diff(x)))=2；其中，X为所述离散数据，sign(r)为符号函数，当r>0时，返回1，当r<0时，返回-1，当r=0时，返回0。

9.如权利要求6所述的焦点识别系统，其特征在于，所述焦点计算模块计算并输出每个区间的峰值的方法如下：

从所建立的m个区间中选择其中一个区间；

将所选择的区间的离散数据利用最小二乘法拟合成一条曲线；

当所拟合的曲线的拟合优度没有达到预设的要求时，采用升一个阶次的方法利用最小二乘法重新拟合一条曲线；及

当所拟合的曲线的拟合优度达到了预设的要求时，将拟合曲线的多次项表达式以及该拟合曲线的峰值存储一个存储设备中。

10.如权利要求9所述的焦点识别系统，其特征在于，所述拟合优度表征拟合曲线p(x)拟合程度的变量，包括误差平方和及确定系数，其中：

所述误差平方和SSE表示拟合曲线p(x)与原离散数据的偏差的平方和，利用如下公式计算：

$\mathrm{WeightedSSE}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{w}_i{(y_i-p\left(x_i\right))}^2,$

$w_i={\left(\frac{{\mathrm{\&Sigma;}}_{i=0}^{n-1}{(y_i-\stackrel{\&OverBar;}{y})}^2}{n}\right)}^{-1};$

所述确定系数R²利用如下公式计算：

$\mathrm{SSR}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{(p\left(x_i\right)-\stackrel{\&OverBar;}{y})}^2,$

$\mathrm{SST}={\mathrm{\&Sigma;}}_{i=0}^{n-1}{w}_i{(y_i-\stackrel{\&OverBar;}{y})}^2,$

$R^2=\frac{\mathrm{SSR}}{\mathrm{SST}}=1-\frac{\mathrm{SSE}}{\mathrm{SST}}.$