CN111629147B - 基于卷积神经网络的自动调焦方法及系统 - Google Patents
基于卷积神经网络的自动调焦方法及系统 Download PDFInfo
- Publication number
- CN111629147B CN111629147B CN202010498221.1A CN202010498221A CN111629147B CN 111629147 B CN111629147 B CN 111629147B CN 202010498221 A CN202010498221 A CN 202010498221A CN 111629147 B CN111629147 B CN 111629147B
- Authority
- CN
- China
- Prior art keywords
- focusing
- defocus
- focusing motor
- image
- code value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及一种基于卷积神经网络的自动调焦方法及系统,其中方法包括以下步骤:建立离焦图像数据集;搭建离焦量估计模型,并利用离焦图像数据集对离焦量估计模型进行训练;获取图像探测器采集的当前帧图像,并将当前帧图像输入至训练好的离焦量估计模型进行图像离焦量预测,得到相对于当前调焦电机位置的离焦量归一化输出值;根据离焦量归一化输出值计算离焦量码值,并判断调焦电机的调整方向;根据离焦量码值和调整方向调整调焦电机的位置,完成图像探测器的自动调焦。本发明利用训练好的离焦量估计模型可以对输入图像的离焦量进行自动提取,有效的避免了人工离焦量特征难以提取的问题,调焦过程简单、快速,可用于物距持续变化的连续调焦场合。
Description
技术领域
本发明涉及成像技术领域,特别是涉及一种基于卷积神经网络的自动调焦方法及系统。
背景技术
清晰成像是成像设备正常工作的重要前提,而无法准确对焦是影响成像清晰度的首要原因。为了使处于不同位置不同运动状态的目标迅速清晰成像,必须使光学系统实现实时快速的自动调焦。
用于成像设备的自动调焦方法可分为两大类:测距法和图像法。
测距法主要是利用激光测距仪等测距装置,对观测目标的距离(即物距)进行测定,根据物象共轭关系,对光学参数进行调整,实现系统的快速对焦。该方法的不足之处在于,需要另外增设测距装置等辅助机构,增加了系统的复杂度及结构成本。在某些测距场合,还会因环境干扰,导致测距失败。
图像法主要是通过对采集得到的不同离焦状态的图像的灰度梯度、频谱特性等处理分析,提取出准焦位置信息,通过光学参数调整实现系统的自动对焦。基于图像的自动调焦方法又可以分为对焦深度法和离焦深度法两类。
对焦深度法,通常是对同一场景下不同离焦程度的连续十几幅图像按照特定的清晰度评价函数进行一系列搜索比较,最后将清晰度评价函数的极值处视为准焦位置。中国专利CN108259753A和专利CN109782414A采用的就是此类方法。该类方法存在两个缺陷,一是在准焦位置搜索过程中存在反复离焦过程,因此不适于物距持续变化的连续自动调焦场合;二是在准焦位置搜索过程中清晰度评价值容易陷入局部极值,而导致准焦位置错误。
离焦深度法,是直接从图像提取离焦量,根据离焦量直接将探测器靶面调整至准焦位置。该类方法较适合于物距持续变化的连续自动调焦场合,但存在人工离焦量特征提取困难的问题,因而限制了该方法的工程应用。中国专利CN106249508B提出一种自动对焦方法,该方法首先在视场中提取人脸图块,根据人脸图块面积与实际人脸面积比例关系,反推物距信息,然后根据物像共轭关系,进行光学参数调整,实现自动调焦,该专利所述方法快速有效,但只适合视场中存在人脸的场合,适用性较窄。
发明内容
基于此,为解决现有技术中的问题,本发明提供一种基于卷积神经网络的自动调焦方法及系统。
为实现上述目的,本发明实施例采取如下的技术方案:
一种基于卷积神经网络的自动调焦方法,包括以下步骤:
步骤一:建立离焦图像数据集;
步骤一一:将图像探测器对准观测场景;
步骤一二:对图像探测器进行手控调焦,使当前的观测场景的中心区域内的图像处于准焦状态,并记录调焦电机的当前码值;
步骤一三:保持图像探测器的位置不变,在调焦电机的可调整范围内按照预设步长依次调整调焦电机的位置,并记录每个调焦电机位置对应的图像和对应的离焦量归一化标签;通过下式计算每个调焦电机位置对应的离焦量归一化标签:
其中,Ci为第i个调焦电机位置对应的码值,L(i)为第i个调焦电机位置对应的离焦量归一化标签,C0为步骤一二记录的调焦电机的当前码值,(CMin,CMax)为调焦电机的可调整范围;
步骤一四:将观测场景更换为另一新的观测场景;
步骤一五:重复步骤一一至步骤一四,共重复预设次数,得到离焦图像数据集;
步骤二:搭建离焦量估计模型,并利用所述离焦图像数据集对所述离焦量估计模型进行训练;
步骤三:获取图像探测器采集的当前帧图像,并将所述当前帧图像输入至训练好的离焦量估计模型进行图像离焦量预测,得到相对于当前调焦电机位置的离焦量归一化输出值;
步骤四:根据所述离焦量归一化输出值计算离焦量码值,并判断调焦电机的调整方向;
步骤五:根据所述离焦量码值和所述调整方向调整所述调焦电机的位置,完成所述图像探测器的自动调焦。
一种采用上述方法的基于卷积神经网络的自动调焦系统,其特征在于,包括:
与图像探测器连接的中央处理器,用于确定离焦量码值和调焦电机的调整方向;
分别与所述中央处理器和所述调焦电机连接的可控调焦装置,用于根据所述离焦量码值和所述调整方向调整所述调焦电机的位置,完成所述图像探测器的自动调焦。
本发明所提供的基于卷积神经网络的自动调焦方法及系统通过建立具有离焦量标注的离焦图像数据集,搭建离焦量估计模型,并利用离焦图像数据集对预设的离焦量估计模型进行训练,最后利用训练好的离焦量估计模型进行图像离焦量的自动预测,从而实现图像探测器自动调焦,具有以下有益效果:
(1)与传统的离焦深度调焦法相比,本发明利用训练好的离焦量估计模型可以对输入图像的离焦量进行自动提取,有效的避免了人工离焦量特征难以提取的问题;
(2)与对焦深度调焦方法相比,本发明不存在连续多个离焦位置搜索比较的过程,仅需1到2幅图像即可完成自动调焦,调焦过程简单、快速,可用于物距持续变化的连续调焦场合;
(3)与测距调焦法相比,本发明无需借助任何辅助测距装置,仅需通过图像探测器采集的图像的离焦程度即可进行自动调焦,属于所见即所得的实现方式,因此可以有效避免测距设备测量不准而导致的调焦失败的风险。
附图说明
图1为本发明的基于卷积神经网络的自动调焦方法在一个实施例中的流程示意图;
图2为本发明的基于卷积神经网络的自动调焦方法在一个具体实施方式中的流程示意图;
图3为离焦量估计模型的结构示意图;
图4为离焦量估计模型的组成示意图;
图5为本发明的基于卷积神经网络的自动调焦系统在一个实施例中的流程示意图。
具体实施方式
下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
图1是本发明的基于卷积神经网络的自动调焦方法在一个实施例中的流程示意图。如图1所示,本实施例中的基于卷积神经网络的自动调焦方法包括以下步骤:
步骤一(S100):建立离焦图像数据集;
步骤二(S200):搭建离焦量估计模型,并利用离焦图像数据集对离焦量估计模型进行训练;
步骤三(S300):获取图像探测器采集的当前帧图像,并将当前帧图像输入至训练好的离焦量估计模型进行图像离焦量预测,得到相对于当前调焦电机位置的离焦量归一化输出值;
步骤四(S400):根据离焦量归一化输出值计算离焦量码值,并判断调焦电机的调整方向;
步骤五(S500):根据离焦量码值和调整方向调整调焦电机的位置,完成图像探测器的自动调焦。
具体地,在本实施例中,首先步骤S100建立离焦图像数据集,该离焦图像数据集用于后续离焦量估计模型的训练。
可选地,在其中一个具体实施方式中,参见图2,离焦图像数据集通过以下步骤建立:
步骤一一(S110):将图像探测器对准观测场景,该观测场景可以为任意选定的场景,包括人脸或者不包括人脸均可。
步骤一二(S120):对图像探测器进行手控调焦,使当前的观测场景的中心区域内的图像处于准焦状态,并记录调焦电机的当前码值。优选地,为了防止背景干扰,一般将调焦参考区域设定为视场中心区域,本实施例中的中心区域的位置视具体适用情况而定,为举例说明,本实施例中的中心区域为以图像探测器的视场中心为中心、以图像宽度的1/4为边长的区域。调焦电机用于在中央处理器和可控调焦装置的控制下调节图像探测器的靶面在光轴上的位置。
步骤一三(S130):保持图像探测器的位置不变,在调焦电机的可调整范围内按照预设步长依次调整调焦电机的位置,并记录每个调焦电机位置对应的图像和对应的离焦量归一化标签。调焦电机的可调整范围为(CMin,CMax),可调整范围的两个端点值CMin和CMax是根据图像探测器和调焦电机的具体结构位置得到的,其分别表示调焦电机调整到两端极限位置时对应的两个电机码值,电机码值的具体值视具体情况而定。在可调整范围(CMin,CMax)内,从调焦电机可调整范围的一侧CMin按照预设步长dC依次调整调焦电机的位置,直至调焦电机可调整范围的一侧CMax,并依次记录下每个调焦电机位置对应的图像I(i)以及每个调焦电机位置对应的离焦量归一化标签L(i),可选地,通过下式计算每个调焦电机位置对应的离焦量归一化标签L(i):
其中,Ci为第i个调焦电机位置对应的码值,L(i)为第i个调焦电机位置对应的离焦量归一化标签,C0为步骤一二记录的调焦电机的当前码值,(CMin,CMax)为调焦电机的可调整范围。
步骤一四(S140):将观测场景更换为另一新的观测场景;
步骤一五(S150):重复步骤一一(S110)至步骤一四(S140),共重复预设次数即重复N次,最终得到离焦图像数据集,离焦图像数据集包括各个观测场景下不同离焦程度的图像I(i),以及每幅图像I(i)或者每个调焦电机位置对应的离焦量归一化标签L(i)。优选地,为了保证有足够的数据样本,预设次数大于或者等于500,即N≥500。
步骤S100建立离焦图像数据集后,在步骤S200,搭建离焦量估计模型,并利用离焦图像数据集对离焦量估计模型进行训练。可选地,本实施例中的离焦量估计模型以经典的卷积神经网络模型VGG-16为基本框架,保留其前端的全部卷积层和池化层,将后端的3个全连接层替换为2个自定义全连接层:
(1)全连接层1具有512个神经元,激活函数为Relu函数;
(2)全连接层2具有1个神经元,激活函数为Sigmoid函数。
图3为以卷积神经网络模型VGG-16为基本框架搭建的离焦量估计模型的结构示意图,图4为离焦量估计模型的组成示意图。如图3和图4所示,离焦量估计模型包括输入层、13个卷积层、5个池化层和2个全连接层,其中13个卷积层全部采用3×3卷积核尺寸,第1至第2个卷积层的通道数量为64,第3至第4个卷积层的通道数量为128,第5至第7个卷积层的通道数量为256,第8至第13个卷积层的通道数量为512,全连接层1具有512个神经元,其激活函数为Relu函数,全连接层2具有1个神经元,其激活函数为Sigmoid函数。
利用离焦图像数据集对搭建的离焦量估计模型进行训练,训练结束后得到训练好的离焦量估计模型。
接下来利用训练好的离焦量估计模型即可实现图像探测器的自动调焦。
步骤三(S300):获取图像探测器采集的当前帧图像,并将当前帧图像输入至训练好的离焦量估计模型进行图像离焦量预测,得到相对于当前调焦电机位置的离焦量归一化输出值dE。
步骤四(S400):根据离焦量归一化输出值dE计算离焦量码值,并判断调焦电机的调整方向。可选地,根据离焦量归一化输出值dE计算离焦量码值dECoder的计算公式如下:
dECoder=dE×|CMax-CMin|
其中,dECoder为离焦量码值,dE为离焦量归一化输出值,(CMin,CMax)为调焦电机的可调整范围。
由于根据上式计算得到的离焦量码值dECoder为相对于当前调焦电机位置的离焦绝对值,因此调整调焦电机前,还需要对调焦电机的调整方向进行判断,具体地,通过以下方法判断调焦电机的调整方向:
步骤四一:判断物距是否连续变化,若是,即拍摄物体相对于光学镜头位置发生连续变化,则转至步骤四二;若否,即拍摄物体相对于光学镜头位置相对静止,则转至步骤四三;
步骤四二:根据图像探测器采集的连续几帧图像的离焦量变化趋势确定调焦电机的调整方向;对于物距连续变化的情况,可根据连续几帧图像的离焦量变化趋势,进行方向预判,并按该方向调整dECoder个码值,即可完成本次自动调焦,例如,如果连续几帧图像的调焦值与离焦量成反比的关系,则在当前调焦电机位置对应的码值基础上减去dECoder个码值;反之,则加上dECoder个码值。
步骤四三:分别将调焦电机调整至第一位置和第二位置,第一位置为当前调焦电机位置对应的码值与离焦量码值之和,第二位置为当前调焦电机位置对应的码值与离焦量码值之差,比较第一位置和第二位置的离焦量大小,根据离焦量较小的位置确定调焦电机的调整方向;对于物距不变的情况,可首先分别将调焦电机调整至第一位置和第二位置,其中第一位置为当前调焦电机位置对应的码值C与离焦量码值dECoder之和C+dECoderr,第二位置为当前调焦电机位置对应的码值C与离焦量码值之差C-dECoder,比较第一位置和第二位置这两个位置的离焦量大小,根据离焦量较小的位置确定调焦电机的调整方向,即离焦量较小的位置即为最终的调焦位置,将调焦电机调整至该位置,即可完成本次自动调焦。
步骤五(S500):根据离焦量码值和调整方向调整调焦电机的位置,完成图像探测器的自动调焦。至此完成图像探测器的自动调焦。
本发明所提供的基于卷积神经网络的自动调焦方法通过建立具有离焦量标注的离焦图像数据集,搭建离焦量估计模型,并利用离焦图像数据集对预设的离焦量估计模型进行训练,最后利用训练好的离焦量估计模型进行图像离焦量的自动预测,从而实现图像探测器自动调焦,具有以下有益效果:
(1)与传统的离焦深度调焦法相比,本发明利用训练好的离焦量估计模型可以对输入图像的离焦量进行自动提取,有效的避免了人工离焦量特征难以提取的问题;
(2)与对焦深度调焦方法相比,本发明不存在连续多个离焦位置搜索比较的过程,仅需1到2幅图像即可完成自动调焦,调焦过程简单、快速,可用于物距持续变化的连续调焦场合;
(3)与测距调焦法相比,本发明无需借助任何辅助测距装置,仅需通过图像探测器采集的图像的离焦程度即可进行自动调焦,属于所见即所得的实现方式,因此可以有效避免测距设备测量不准而导致的调焦失败的风险。
根据本发明的上述基于卷积神经网络的自动调焦方法,本发明还提供一种基于卷积神经网络的自动调焦系统,下面结合附图及较佳实施例对本发明的自动调焦系统进行详细说明。
图5为本发明的基于卷积神经网络的自动调焦系统在一个实施例中的流程示意图。如图5所示,基于卷积神经网络的自动调焦系统包括:
与图像探测器1连接的中央处理器2,用于确定离焦量码值和调焦电机的调整方向;
分别与中央处理器2和调焦电机连接的可控调焦装置3,用于根据离焦量码值和调整方向调整调焦电机的位置,完成图像探测器1的自动调焦。
在本实施例中,光学镜头4位于图像探测器1的前端,用于光学信号收集并投射到图像探测器1的靶面上;图像探测器1用于将光信号转换为图像数据;中央处理器2与图像探测器1连接,用于采用本发明上述的基于卷积神经网络的自动调焦方法确定离焦量码值和调焦电机的调整方向,确定离焦量码值和调焦电机的调整方向的过程可参考前述关于自动调焦方法实施例中的描述,此处不再赘述;可控调焦装置3分别与中央处理器2和调焦电机连接,用于根据离焦量码值和调整方向调整调焦电机的位置,完成图像探测器1的自动调焦;调焦电机(图5中未示出)用于在中央处理器2和可控调焦装置3的控制下调节图像探测器1的靶面在光轴上的位置。本实施例所提供的基于卷积神经网络的自动调焦系统采用本发明的基于卷积神经网络的自动调焦方法,具有本发明的基于卷积神经网络的自动调焦方法的有益效果。
在一种可选的实施方式中,仍参照图5,中央处理器具体包括:
采集单元2-1,用于图像采集;
显示单元2-2,用于图像显示;
存储单元2-3,用于存储图像数据及其对应的调焦电机码值;
预测单元2-4,用于进行离焦量预测,确定离焦量码值和调焦电机的调整方向;
调焦控制单元2-5,用于向可控调焦装置3发送离焦量码值和调整方向的命令,使可控调焦装置3根据离焦量码值和调整方向调整调焦电机的位置,完成图像探测器1的自动调焦。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于卷积神经网络的自动调焦方法,其特征在于,包括以下步骤:
步骤一:建立离焦图像数据集;
步骤一一:将图像探测器对准观测场景;
步骤一二:对图像探测器进行手控调焦,使当前的观测场景的中心区域内的图像处于准焦状态,并记录调焦电机的当前码值;
步骤一三:保持图像探测器的位置不变,在调焦电机的可调整范围内按照预设步长依次调整调焦电机的位置,并记录每个调焦电机位置对应的图像和对应的离焦量归一化标签;通过下式计算每个调焦电机位置对应的离焦量归一化标签:
其中,Ci为第i个调焦电机位置对应的码值,L(i)为第i个调焦电机位置对应的离焦量归一化标签,C0为步骤一二记录的调焦电机的当前码值,(CMin,CMax)为调焦电机的可调整范围;
步骤一四:将观测场景更换为另一新的观测场景;
步骤一五:重复步骤一一至步骤一四,共重复预设次数,得到离焦图像数据集;
步骤二:搭建离焦量估计模型,并利用所述离焦图像数据集对所述离焦量估计模型进行训练;
步骤三:获取图像探测器采集的当前帧图像,并将所述当前帧图像输入至训练好的离焦量估计模型进行图像离焦量预测,得到相对于当前调焦电机位置的离焦量归一化输出值;
步骤四:根据所述离焦量归一化输出值计算离焦量码值,并判断调焦电机的调整方向;
步骤五:根据所述离焦量码值和所述调整方向调整所述调焦电机的位置,完成所述图像探测器的自动调焦。
2.根据权利要求1所述的基于卷积神经网络的自动调焦方法,其特征在于,
所述中心区域为以图像探测器的视场中心为中心、以图像宽度的1/4为边长的区域。
3.根据权利要求1所述的基于卷积神经网络的自动调焦方法,其特征在于,
所述预设次数大于或者等于500。
4.根据权利要求1至3任意一项所述的基于卷积神经网络的自动调焦方法,其特征在于,
所述离焦量估计模型为以卷积神经网络模型VGG-16为基本框架搭建的模型,所述离焦量估计模型包括输入层、13个卷积层、5个池化层和2个全连接层,其中全连接层1具有512个神经元,其激活函数为Relu函数,全连接层2具有1个神经元,其激活函数为Sigmoid函数。
5.根据权利要求1至3任意一项所述的基于卷积神经网络的自动调焦方法,其特征在于,根据所述离焦量归一化输出值计算离焦量码值的计算公式如下:
dECoder=dE×|CMax-CMin|
其中,dECoder为离焦量码值,dE为离焦量归一化输出值,(CMin,CMax)为调焦电机的可调整范围。
6.根据权利要求1至3任意一项所述的基于卷积神经网络的自动调焦方法,其特征在于,通过以下方法判断调焦电机的调整方向:
步骤四一:判断物距是否连续变化,若是,则转至步骤四二;若否,则转至步骤四三;
步骤四二:根据所述图像探测器采集的连续几帧图像的离焦量变化趋势确定调焦电机的调整方向;
步骤四三:分别将调焦电机调整至第一位置和第二位置,所述第一位置为所述当前调焦电机位置对应的码值与所述离焦量码值之和,所述第二位置为所述当前调焦电机位置对应的码值与所述离焦量码值之差,比较第一位置和第二位置的离焦量大小,根据离焦量较小的位置确定调焦电机的调整方向。
7.一种采用如权利要求1至6任意一项所述方法的基于卷积神经网络的自动调焦系统,其特征在于,包括:
与图像探测器连接的中央处理器,用于确定离焦量码值和调焦电机的调整方向;
分别与所述中央处理器和所述调焦电机连接的可控调焦装置,用于根据所述离焦量码值和所述调整方向调整所述调焦电机的位置,完成所述图像探测器的自动调焦。
8.根据权利要求7所述的基于卷积神经网络的自动调焦系统,其特征在于,所述中央处理器包括:
采集单元,用于图像采集;
显示单元,用于图像显示;
存储单元,用于存储图像数据及其对应的调焦电机码值;
预测单元,用于进行离焦量预测,确定离焦量码值和所述调焦电机的调整方向;
调焦控制单元,用于向所述可控调焦装置发送离焦量码值和调整方向的命令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498221.1A CN111629147B (zh) | 2020-06-04 | 2020-06-04 | 基于卷积神经网络的自动调焦方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498221.1A CN111629147B (zh) | 2020-06-04 | 2020-06-04 | 基于卷积神经网络的自动调焦方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111629147A CN111629147A (zh) | 2020-09-04 |
CN111629147B true CN111629147B (zh) | 2021-07-13 |
Family
ID=72260070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010498221.1A Active CN111629147B (zh) | 2020-06-04 | 2020-06-04 | 基于卷积神经网络的自动调焦方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111629147B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112333379A (zh) * | 2020-09-17 | 2021-02-05 | 北京迈格威科技有限公司 | 图像对焦方法、装置及图像采集设备 |
CN112367447B (zh) * | 2020-11-04 | 2022-03-08 | 清华大学深圳国际研究生院 | 编码光照实时对焦扫描成像装置和方法 |
CN112468721A (zh) * | 2020-11-19 | 2021-03-09 | 江汉大学 | 一种具有自动调焦功能的视觉采集方法及装置 |
CN112561898A (zh) * | 2020-12-22 | 2021-03-26 | 电子科技大学中山学院 | 一种基于卷积神经网络的光纤传感器光斑分析方法 |
CN113917651B (zh) * | 2021-09-29 | 2022-10-04 | 中国科学院西安光学精密机械研究所 | 一种低温光学系统的调焦装置 |
CN114285991B (zh) * | 2021-12-18 | 2022-11-04 | 中国科学院长春光学精密机械与物理研究所 | 图像探测器的对焦方法 |
CN116300129B (zh) * | 2023-03-01 | 2023-09-26 | 浙江大学 | 光学镜头定心装置、图像获取装置及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103916599B (zh) * | 2014-03-25 | 2017-06-09 | 中国科学院长春光学精密机械与物理研究所 | 一种针对遥感相机外景成像的快速调焦方法 |
CN109714519B (zh) * | 2017-10-25 | 2021-02-02 | 成都极米科技股份有限公司 | 一种自动调整图像画面的方法和系统 |
CN107948510B (zh) * | 2017-11-27 | 2020-04-07 | 北京小米移动软件有限公司 | 焦距调整的方法、装置及存储介质 |
CN108259753B (zh) * | 2018-02-28 | 2020-08-07 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于离焦估计改进爬山法的相机自动调焦方法及装置 |
CN109936696B (zh) * | 2019-02-28 | 2020-09-29 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN110533607B (zh) * | 2019-07-30 | 2022-04-26 | 北京威睛光学技术有限公司 | 一种基于深度学习的图像处理方法、装置及电子设备 |
CN110751160B (zh) * | 2019-10-30 | 2022-09-13 | 华中科技大学 | 图像中物体的检测方法、装置及系统 |
CN110913129B (zh) * | 2019-11-15 | 2021-05-11 | 浙江大华技术股份有限公司 | 基于bp神经网络的聚焦方法、装置、终端及存储装置 |
CN111007661B (zh) * | 2019-12-02 | 2022-02-22 | 湖南国科智瞳科技有限公司 | 一种基于深度学习的显微图像自动聚焦方法及装置 |
-
2020
- 2020-06-04 CN CN202010498221.1A patent/CN111629147B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111629147A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111629147B (zh) | 基于卷积神经网络的自动调焦方法及系统 | |
CN109521547B (zh) | 一种变步长的自动调焦方法及系统 | |
CN108152869B (zh) | 一种适于仿生视觉快速调焦的小步长调焦方法 | |
US8049811B2 (en) | Automatic focusing apparatus and method for digital images using automatic filter switching | |
US10462351B2 (en) | Fast auto-focus in imaging | |
CN109714519B (zh) | 一种自动调整图像画面的方法和系统 | |
CN107664899B (zh) | 自动对焦的方法、装置以及系统 | |
CA2826372C (en) | Fast auto-focus in microscopic imaging | |
CN109782414B (zh) | 一种基于无参考结构清晰度的自动调焦方法 | |
CN103503433A (zh) | 图像的聚焦误差估计 | |
CN109873948A (zh) | 一种光学显微镜智能自动聚焦方法、设备及存储设备 | |
CN108259753A (zh) | 一种基于离焦估计改进爬山法的相机自动调焦方法及装置 | |
CN108600638B (zh) | 摄像机自动调焦系统及方法 | |
CN111462075A (zh) | 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统 | |
CN114926498B (zh) | 一种基于时空约束与可学习特征匹配的快速目标跟踪方法 | |
CN113538545B (zh) | 一种基于电液可调焦镜头的单目深度估计方法及相应的相机和存储介质 | |
CN109671031A (zh) | 一种基于残差学习卷积神经网络的多光谱图像反演方法 | |
CN117555123B (zh) | 一种电子显微镜自动对焦方法及装置 | |
CN111179333A (zh) | 一种基于双目立体视觉的散焦模糊核估计方法 | |
CN107220945A (zh) | 多重退化的极模糊图像的复原方法 | |
CN108431660B (zh) | 范围优化的全光变焦 | |
CN107770434B (zh) | 一种快速聚焦调整方法 | |
CN115242979A (zh) | 应用于血液拍摄的对焦方法及系统、智能设备及存储介质 | |
CN102041345B (zh) | 用于转炉出钢监控的红外热像仪对焦方法 | |
CN105141839B (zh) | 一种基于光圈时控的高清图像获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |