CN112019751B - 基于标定信息的自动聚焦方法 - Google Patents

Abstract

本发明涉及一种基于标定信息的自动聚焦方法，包括成像系统标定和快速搜索聚焦两个步骤；成像系统标定是进行一次离焦‑聚焦‑离焦的全过程图像采集，通过对清晰度评价值和位置信息的高斯拟合实现；快速搜索聚焦是在远焦区、近焦区进行采图分析，对图像清晰度和位置信息进行高斯拟合，并将拟合位置作为聚焦位置。本发明通过成像系统标定对硬件中的不变特性进行了分析量化，后续搜索聚焦策略在全局上有了严谨的规划，效率和稳定性有很大的提升；本发明提出的自动聚焦方法单峰性好、时效性高、自适应性强，同时大大减少了聚焦次数，在近焦区仅仅需要采集5～6个点，即可实现σ/8高精度的聚焦。

Description

基于标定信息的自动聚焦方法

技术领域：

本发明属于相机自动聚焦技术领域，具体涉及一种基于成像系统提前标定而对当前视野进行快速搜索的自动聚焦方法。

背景技术：

相机的自动聚焦技术广泛应用于工业检测设备、测量摄影，医学影像设备等领域。自动聚焦的方法主要可以分为两大类：主动测量式聚焦方法和基于图像清晰度的聚焦方法。

主动测量式聚焦方法是指，在成像系统之外新增一套测量装置，或者将新增的测量装置在结构上嵌入成像系统。主动测量式聚焦方法中所使用的测量装置，对被检测对象进行距离测量，当距离测量值超出显微镜成像系统所允许的景深的时候，通过一些运动执行装置对成像系统的聚焦位置进行调节与补偿，以达到聚焦目的。此类方法，具有操作简单、相应快、测量范围大等优点，但同时具有成本高、测量精度难以满足高倍显微成像系统的聚焦要求、测量视野对采图视野的适应性差、测量装置对被检测对象材质变化的兼容性差等缺点。

基于图像清晰度的聚焦方法是指，直接对显微镜成像系统所采集的图像进行清晰度分析，并据此进行聚焦调整的方法。通常需要选择不同聚焦高度的多幅图像进行清晰度分析，并且结合多幅图像对应的位置信息，进行聚焦策略的规划。基于图像清晰度的聚焦方法具有结构简单，操作方便，聚焦精度可靠等优点。

基于图像清晰度的聚焦方法有三个十分重要的核心问题：图像清晰度的评价、聚焦窗口的选择、搜索策略。

在图像清晰度的评价方面，下面对常用的清晰度评价函数进行分析。图像image在(x，y)像素处，灰度值为l(x,y)，图像的行数和列数分别是M，N。

(1)SDM函数以灰度差分绝对值之和作为评价对每个像素点及其邻近点的灰度作差分运算

(2)Roberts函数以像素对角方向的灰度差分作为评价

(3)Brenner函数利用间隔k＝2，3，4...个像素点计算图像梯度

(4)Sobel函数结合Gaussian平滑和微分的特点，抗噪能力强

其中

G_x(x，y)＝I(x+1，y-1)+2I(x+1，y)+I(x+1，y+1)-I(x-1，y-1)-2I(x-1，y)-I(x-1，y-1)

G_y(x，y)＝I(x-1，y+1)+2I(x，y+1)+I(x+1，y+1)-I(x-1，y-1)-2I(x，y-1)-I(x+1，y-1)。

(5)Tenengrad函数对水平和垂直方向的梯度值，求其平方和作为评价

其中G_x(x，y)，G_y(x，y)同sobel函数。

(6)Laplacian函数利用图像二阶差分的平方作为评价

(7)SML函数是在Laplacian算子基础上的改进，提高了抗噪性能

有些应用中，会将绝对值运算变为平方运算，将水平和垂直数据的加法运算变为取最大值运算，或者把求和运算变为求平均运算。

(8)Var函数，利用像素点灰度值与灰度均值的差值作为评价

其中灰度平均值为

(9)熵函数Entropy

基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标，有信息论可知，一幅图像I的信息量是由该图像的信息熵来度量：

其中：Pi是图像中灰度值为i的像素出现的概率，L为灰度级总数(通常取值256)。根据Shannon信息论，熵最大时信息量最多。将此原理应用到对焦过程，D(f)越大则图像越清晰。熵函数灵敏度不高，依据图像内容不同容易出现与真实情况相反的结果。

通过对比，Tenengrad函数对标定图像序列的处理，更接近正态分布，本发明中成像系统标定步骤选用Tenengrad函数作为清晰度评价函数。为了兼容聚焦窗口、曝光时间的变化，本发明在Tenengrad函数的基础上加入的光源亮度分布系数，作为后续快速搜索聚焦所使用的清晰度评价函数。

基于图像清晰度的聚焦方法常用的搜索策略有：小步长遍历取最值点，基于图像清晰度变步长搜索，爬山法等搜索策略规划。其中爬山法和各种改进的爬山法应用较为广泛。经典的爬山法是通过模拟盲人爬山，从起点出发沿一定的方向，以一定的较大步长开始爬坡改变焦距，通过计算每次的清晰度评价值进行比较，当检测到坡度的下降沿时，缩小步长反向爬坡，如此反复折返爬坡，直到步长缩小到预设的终止步长时停止爬坡，最后一次爬坡过程中的峰值位置即为盲人爬山法搜索到的极大值。

爬山法和各种改进的爬山法局限性体现在以下三点：

1)初始的大步长的选择一般是通过测试或者粗略估算的，不易把握，初始步长太小会降低搜索效率，初始步长太大会跳过近焦区域造成无法聚焦。

2)单次检测下降沿即调转方向，易受噪声的干扰，使算法陷入局部极值或在偏离最大值的位置折返，对焦效果不理想。现有的改进的爬山法以连续多次(3次及以上)下降沿来判断折返，可以降低噪声的干扰，但会大大增加算法的计算量。

3)在多次的重复折返过程中，需要进行多次的步长缩减才能得到好的结果，在计算量方面和实时性还有改善的空间。

与上述传统的非标定的自动聚焦方法相比，本发明通过成像系统标定对硬件中的不变特性进行了分析量化，后续搜索聚焦策略在全局上有了严谨的规划，效率和稳定性有很大的提升。本发明提出的自动聚焦方法单峰性好、时效性高、自适应性强，同时大大减少了聚焦次数，在近焦区仅仅需要采集5～6个点，即可实现σ/8高精度的聚焦。

发明内容：

与上述传统的非标定的自动聚焦方法相比，本发明通过成像系统标定对硬件中的不变特性进行了分析量化，后续搜索聚焦策略在全局上有了严谨的规划，效率和稳定性有很大的提升。本发明提出的自动聚焦方法单峰性好、时效性高、自适应性强，同时大大减少了聚焦次数，在近焦区仅仅需要采集5～6个点，即可实现σ/8高精度的聚焦。

本发明提供一种基于标定信息的自动聚焦方法，包括成像系统标定和快速搜索聚焦两个步骤。

所述成像系统标定是进行一次离焦-聚焦-离焦的全过程图像采集，通过对清晰度评价值和位置信息的高斯拟合实现；

所述快速搜索聚焦是在远焦区、近焦区进行采图分析，对图像清晰度和位置信息进行高斯拟合，并将拟合位置作为聚焦位置。

其中，成像系统标定中，输出的标定信息包括景深信息σ、远焦区清晰度评价值DC、近焦区清晰度阈值ThreF、光源亮度分布系数L(x,y)，当成像系统的相机、镜头、光源等硬件不变时，仅需要对该成像系统进行一次标定即可。

其中，快速搜索聚焦包括远焦区搜索、近焦区拟合、焦点邻域拟合、聚焦完成四个步骤，具体如下：

1)以2σ为步长，在远焦区进行采图分析，直到清晰度评价值大于阈值ThreF；

2)以σ为步长，对近焦区进行采图分析，直到出现清晰度开始下降，基于标定信息，对近焦区的图像清晰度和位置信息进行高斯拟合，拟合公式

3)以σ/2为步长，在首次拟合聚焦位置及其前后σ/2，三个位置进行图像采集，添加到近焦区信息，对近焦区信息第二次进行高斯拟合；

4)两次拟合聚焦位置差异小于σ/8，则停止搜索且聚焦位置为第二次拟合位置，否则以σ/4为步长重复步骤3)并将第三次拟合位置作为聚焦位置。

作为优选，标定板选用与被拍摄对象材质接近的平板，标定过程中使用的清晰度评价函数是Tenengrad函数，快速搜索聚焦过程中使用的是基于Tenengrad函数改进的清晰度评价函数：

其中，G_x、G_y为图像image在像素点(x,y)处的sobel梯度，L(x,y)表示图像像素点(x,y)处光源亮度标定值。

本发明的有益效果：与现有技术相比，本发明通过成像系统标定对硬件中的不变特性进行了分析量化，后续搜索聚焦策略在全局上有了严谨的规划，效率和稳定性有很大的提升；本发明提出的自动聚焦方法单峰性好、时效性高、自适应性强，同时大大减少了聚焦次数，在近焦区仅仅需要采集5～6个点，即可实现σ/8高精度的聚焦。

附图说明：

图1为本发明的基于标定信息的自动聚焦方法总体流程图；

图2为本发明所述成像系统标定流程图；

图3为本发明所述成像系统标定高斯拟合示意图；

图4为本发明所述快速搜索聚焦流程图；

图5为本发明所述快速搜索聚焦步长变化示意图；

图6为本发明所述快速搜索聚焦中近焦区拟合示意图；

图7为本发明所述快速搜索聚焦中焦点邻域σ/2拟合示意图；

图8为本发明所述快速搜索聚焦中焦点邻域σ/4拟合示意图。

具体实施方式：

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

如图1所示的一种基于标定信息的自动聚焦方法，包括成像系统标定和快速搜索聚焦两个步骤。当成像系统的相机、镜头、光源等硬件不变时，仅需要对该成像系统进行一次标定即可。每次视野改变造成的离焦，都可以使用上述标定信息，自适应地产生聚焦搜索起点、步长、阈值等参数，进行快速搜索聚焦。标定板选用与被拍摄对象材质接近的平板。

如图2所示，成像系统标定步骤是对标定板进行一次离焦-聚焦-离焦的全过程图像采集，同时记录位置信息。然后使用Tenengrad函数

作为清晰度评价函数，对全过程图像进行处理得到一组清晰度评价值。

拟合所用的高斯公式为

其中σ与系统景深相关，DC为远焦区清晰度评价值，a为本次图像采集中高斯分布的幅值，b为本次图像采集中最佳的聚焦位置。

如图3所示，使用上述高斯公式对标定所得的清晰度评价值F和位置信息Z进行高斯拟合，求解出σ1和DC1是成像系统的固有特性，为系统不变量。

将Z＝b1-2σ1代入拟合公式中，得到ThreF1＝F(b1-2σ1)，作为近焦区清晰度阈值。

Z＝b1所对应的图像imageF为本组图像中，最佳聚焦的图像。在Z＝b1位置，对标定板再次采集20张图像(imageF1,imageF2,imageF3,…)，每次采集图像时，标定板均做平移和旋转，使本组图像中相机视野拍摄到标定板不同位置的纹理信息。对该组图像进行平均并归一化得到L1(x,y)，为当前成像系统的光源亮度分布系数。

如图4和图5所示，基于标定信息的自动聚焦方法，基于上述标定信息进行的快速搜索聚焦包括：远焦区搜索，近焦区拟合，焦点邻域拟合，聚焦完成四个步骤，具体如下：

1)远焦区搜索，以2σ1为步长，在远焦区进行采图分析，直到清晰度评价值大于阈值ThreF1。清晰度评价函数为

其中，G_x,G_y为图像image在像素点(x,y)处的sobel梯度，L1(x,y)为图像image在像素点(x,y)处的光源亮度分布系数。

2)近焦区拟合，以σ1为步长，对近焦区进行采图分析，直到出现清晰度开始下降。基于标定信息σ1，DC1，如图6所示，对近焦区的图像清晰度和位置信息进行高斯拟合，拟合公式为

得到首次拟合聚焦位置Fit1＝b1。

3)焦点邻域拟合，以σ1/2为步长，在首次拟合聚焦位置Fit1及其前后0.5*σ1，三个位置(Fit1+0.5*σ1,Fit1,Fit1-0.5*σ1)进行图像采集，添加到近焦区信息。为了增加方案的稳定性，当前述3次图像采集中Fit1对应的清晰度评价值不是最大时，继续以-0.5*σ1为步长在(Fit1-2*0.5*σ1，Fit1-3*0.5*σ1，Fit1-4*0.5*σ1，…)采集图像，直到出现清晰度评价值下降为止。如图7所示，对近焦区信息再次进行高斯拟合，得到第二次拟合位置Fit2＝b2。

4)聚焦完成，两次拟合聚焦位置差异|Fit2-Fit1|小于0.125*σ1，则停止搜索且聚焦位置为第二次拟合位置Fit2，否则，如图8所示，以0.25*σ1为步长重复步骤3)并将第三次拟合位置Fit3作为聚焦位置。

本发明通过成像系统标定对硬件中的不变特性进行了分析量化，后续搜索聚焦策略在全局上有了严谨的规划，效率和稳定性有很大的提升。本发明提出的自动聚焦方法单峰性好、时效性高、自适应性强，同时大大减少了聚焦次数，在近焦区仅仅需要采集5～6个点，即可实现σ/8高精度的聚焦。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (1)

1.一种基于标定信息的自动聚焦方法，其特征在于：包括成像系统标定和快速搜索聚焦两个步骤；

所述成像系统标定是进行一次离焦-聚焦-离焦的全过程图像采集，通过对清晰度评价值和位置信息的高斯拟合实现；

所述快速搜索聚焦是在远焦区、近焦区进行采图分析，对图像清晰度和位置信息进行高斯拟合，并将拟合位置作为聚焦位置；

成像系统标定中，输出的标定信息包括景深信息σ、远焦区清晰度评价值DC、近焦区清晰度阈值ThreF、光源亮度分布系数L(x,y)，其中σ和DC是成像系统的固有特性，为系统不变量；

快速搜索聚焦包括远焦区搜索、近焦区拟合、焦点邻域拟合、聚焦完成四个步骤，具体如下：

1)以2σ为步长，在远焦区进行采图分析，直到清晰度评价值大于阈值ThreF；

2)以σ为步长，对近焦区进行采图分析，直到出现清晰度开始下降，基于标定信息，对近焦区的图像清晰度和位置信息进行高斯拟合，拟合公式

3)以σ/2为步长，在首次拟合聚焦位置及其前后σ/2，三个位置进行图像采集，添加到近焦区信息，对近焦区信息第二次进行高斯拟合；

4)两次拟合聚焦位置差异小于σ/8，则停止搜索且聚焦位置为第二次拟合位置，否则以σ/4为步长重复步骤3)并将第三次拟合位置作为聚焦位置；

标定板选用与被拍摄对象材质接近的平板，标定过程中使用的清晰度评价函数是Tenengrad函数，快速搜索聚焦过程中使用的是基于Tenengrad函数改进的清晰度评价函数：

其中，G_x、G_y为图像image在像素点(x,y)处的sobel梯度。

Images