CN113359403B - 一种用于无透镜数字全息成像的自动聚焦方法 - Google Patents

Abstract

本发明提供一种用于无透镜数字全息成像的自动聚焦方法，包括：将全息图像进行反向传播，得到全息重建图像；将引导滤波作为模糊图像函数，采用梯度向量平方函数计算重建图像与模糊图像的方向信息差值，得到全息重建图像的评价函数；将黄金分割搜索法与评价函数相结合，确定最优离焦量，得到最优重建图像。本发明采用引导滤波器来模糊重建后的全息图像，并分别提取重建图像和模糊图像在不同方向的信息。通过比较重建图像和模糊后重建图像方向信息的变化情况确定最优离焦量，方向信息差异越小表明图像越清晰，反之衍射条纹越多。本发明将图像滤波与边缘提取相结合，消除了衍射条纹对目标物体的干扰，使得评价函数能够准确计算出正确聚焦位置。

Description

一种用于无透镜数字全息成像的自动聚焦方法

技术领域

本发明涉及无透镜数字全息成像技术领域，具体而言，尤其涉及一种用于无透镜数字全息成像的自动聚焦方法。

背景技术

无透镜全息成像利用光电转换器件(CCD或CMOS)记录被测物体的全息图，并将数字化的全息图传入计算机，实现了全息图的快速与准确的记录。在无透镜数字全息成像系统中，物体所在平面和CCD成像面的位置距离称为离焦量，不能提前已知。但在数字全息重建算法中需要提供最优离焦量才能获得清晰的重建图像。因此为了获得最优离焦量，已有多种自动聚焦方法被提出。

目前出现的自动聚焦方法主要分为空域和频域两大类，从空域维度来分析，清晰聚焦的图像相较模糊离焦的图像灰度变化更加显著，边缘更加锐化。而从频域维度来看，当图像模糊时，其图像对比度比较小，也具有较少的图像高频分量。

2017年YIBO ZHANG等人的题为“Edge sparsity criterion for robustholographic autofocusing”的论文提出了一种基于复波前边缘稀疏性的自动聚焦方法。该方法获得在获得重建后的复数值全息图像并通过计算得到每幅图的边缘梯度方差，对梯度方差进行稀疏测量，求得最大值，该值即对应聚焦面。但是，该方法计算量很大，且极易受到系统和环境噪声的影响。导致评价函数曲线出现多个峰值，造成聚焦失败。

2018年专利文献CN108377658A发明公开了一种用于确定最优焦平面的自动聚焦方法。该方法在测量前重建全息图像，基于经重建图像的实部来执行至少两个经重建深度处的第一边缘检测，以及基于经重建图像的虚部来执行在这些经重建深度处的第二边缘检测，分别通过统计离差来获得清晰度标量测量。该方法提供了一种新的基于图像边缘信息的自动聚焦方法，计算同一图像中每个聚焦深度的实部与虚部清晰度，计算复杂且评价函数曲线不平滑，需要进行遍历查找每个评价值寻找最值点，因此该自动聚焦方法运行时间长，不能达到快速聚焦的效果。

综上，可以发现在进行数字全息自动聚焦时，自动聚焦方法极易受到系统、环境噪声、样本等的影响，导致聚焦失败或运行时间较长，不能准确化、快速化实现图像聚焦。

发明内容

根据上述提出的技术问题，而提供一种用于无透镜数字全息成像的自动聚焦方法。本发明基于引导滤波器设计了一种模糊评价函数，引导滤波器用来模糊重建后的全息图像，本发明中称为模糊图像，并分别提取重建图像和模糊图像在不同方向的信息。若重建图像包含了大量的衍射条纹，则重建图像的方向信息与模糊图像的方向信息变化会非常大，若重建图像中的衍射条纹较少时，重建图像的方向信息与经过模糊图像的方向信息变化不大。因此，通过比较重建图像和模糊后重建图像方向信息的变化情况确定最优离焦量，方向信息差异越小表明图像越清晰，反之衍射条纹越多。

本发明采用的技术手段如下：

一种用于无透镜数字全息成像的自动聚焦方法，包括：

S1、将采集到的全息图像进行反向传播，得到不同离焦量处的全息重建图像；

S2、将引导滤波作为模糊图像函数，采用梯度向量平方函数计算重建图像与模糊图像的方向信息差值，得到全息重建图像的评价函数；

S3、将黄金分割搜索法与所述步骤S2得到的评价函数相结合，确定最优离焦量，得到最优重建图像。

进一步地，所述步骤S2具体包括：

S21、获取全息重建图像的方向信息T_O，计算公式如下：

其中，O表示重建图像，M和N表示图像大小；

S22、将引导滤波作为模糊图像函数，获取模糊图像，计算公式如下：

P＝Guider_r,ε(I,W)

其中，P表示输出图像，Guider()表示引导滤波，r和ε表示滤波器参数，W表示引导图像，I表示输入图像；

S23、基于获取的模糊图像，计算模糊图像的方向信息T_P，计算公式如下：

S24、计算重建图像与模糊图像的方向信息差值，得到全息重建图像的评价函数，计算公式如下：

U＝T_O-T_P

其中，U表示方向信息差值，即评价函数值，因此，评价函数值计算形式为U＝EF(O)。

进一步地，所述步骤S3具体包括：

S31、设定黄金分割搜索法的初始聚焦区间[a_k,b_k]、最小误差值δ和区间分割值T；

S32、计算所述初始聚焦区间试探点的位置，将采集到的全息图像进行反向传播，计算试探点位置处的重建图像；

S33、计算试探点位置处的重建图像的评价函数值；

S34、比较区间长度，判断最优离焦量位置，得到最优离焦量对应的最优重建图像。

进一步地，所述步骤S32中计算初始聚焦区间试探点的位置，其计算公式如下：

λ_k＝b_k-Τ(b_k-a_k)

μ_k＝a_k+Τ(b_k-a_k)

其中，λ_k、μ_k分别表示初始聚焦区间的其中两个试探点位置，k表示搜索次数。

进一步地，所述步骤S33中，计算λ_k、μ_k处重建图像的评价函数值如下：

U(λ_k)＝EF(O_k)

U(μ₁)＝EF(Q₁)。

进一步地，所述步骤S34具体包括：

S341、若b_k-a_k≤δ，此时对应搜索区间中点位置

即为最优离焦量，并停止搜索；

S342、若b_k-a_k＞δ，则存在如下两种情况：

情况1：若U(λ_k)＞U(μ_k)，则a_k+1＝λ_k，b_k+1＝b_k，λ_k+1＝μ_k，μ_k+1＝a_k+1+Τ(b_k+1-a_k+1)；计算μ_k+1处重建图像评价函数值U(μ_k+1)，执行步骤S343；

情况2：若U(λ_k)≤U(μ_k)，则a_k+1＝a_k，b_k+1＝μ_k，μ_k+1＝λ_k，λ_k+1＝b_k+1-Τ(b_k+1-a_k+1)，计算λ_k+1处重建图像评价函数值U(λ_k+1)，执行步骤S343；

S343、置k＝k+1，重复执行步骤S34；

S344、输出最优离焦量对应的最优重建图像。

较现有技术相比，本发明具有以下优点：

1、本发明提供的自动聚焦方法，适用于所有同轴数字全息光路，每次只需计算两个不同聚焦位置的评价函数值，进行评价函数值的对比，并将黄金分割搜索法与评价函数相结合，大大减少了算法计算量，极大地提高了算法速度

2、本发明提供的自动聚焦方法，将图像滤波与边缘提取相结合，消除了衍射条纹对目标物体的干扰，使得评价函数可以准确计算出正确聚焦位置，具有准确率高和普适性广的优点。

基于上述理由本发明可在无透镜数字全息成像等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明实施例提供的无透镜显微成像装置结构示意图。

图3为本发明获取全息重建图像评价函数的方法示意图。

图4为本发明实施例提供的单子叶植物茎横切评价函数曲线。

图5为本发明自动聚焦方法示意图。

图6为本发明实施例提供的单子叶植物茎横切强度图像。

图7为本发明实施例提供的单子叶植物茎横切在1740um重建图。

图8为本发明实施例提供的单子叶植物茎横切在1739um重建图。

图9为本发明实施例提供的单子叶植物茎横切在1741um重建图。

图6中：(b)为(a)中A的局部放大图。

图7中：(b)为(a)中B的局部放大图。

图8中：(b)为(a)中C的局部放大图。

图9中：(b)为(a)中D的局部放大图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明提供了一种用于无透镜数字全息成像的自动聚焦方法，包括：

S1、将采集到的全息图像进行反向传播，得到不同离焦量处的全息重建图像；

具体实施时，按照图2中的结构组建了无透镜显微成像装置，主要包括：光源，小孔，被测样本、图像传感器和计算机。系统的工作方式如下：光源发出的光小孔后，照射到被测样本上，图像传感器采集样本的全息图像。该方法的优势在于不同的数字全息成像系统都只需要拍摄一张被测样本的全息图，即可确定被测样本图像正确重建距离。所用光源为LED光源，LED光源波长λ为625nm；所用小孔为100微米针孔；样本与小孔之间间隔为6cm；所用相机为单板工业相机，分辨率为1.85微米；所用计算平台为普通PC计算机，计算机与单板相机之间采用USB3.0进行有线连接。通过光波传播得到全息图像重建图像的过程可通过光波近场衍射传播进行描述，本实施例中采用了角谱法进行实现。

S2、将引导滤波作为模糊图像函数，采用梯度向量平方函数计算重建图像与模糊图像的方向信息差值，得到全息重建图像的评价函数；

具体实施时，作为本发明优选的实施方式，如图3所示，所述步骤S2具体包括：

S21、获取全息重建图像的方向信息T_O，计算公式如下：

其中，O表示重建图像，M和N表示图像大小；本实施例中，M＝1024，N＝1024；

S22、将引导滤波作为模糊图像函数，获取模糊图像，计算公式如下：

P＝Guider_r,ε(I,W)

其中，P表示输出图像，Guider()表示引导滤波，r和ε表示滤波器参数，W表示引导图像，I表示输入图像；重建图像O同时是输入图像I和引导图像W。

S23、基于获取的模糊图像，计算模糊图像的方向信息T_P，计算公式如下：

S24、计算重建图像与模糊图像的方向信息差值，得到全息重建图像的评价函数，计算公式如下：

U＝T_O-T_P

其中，U表示方向信息差值，即评价函数值，因此，评价函数值计算形式为U＝EF(O)。如图4所示，为本发明实施例提供的单子叶植物茎横切评价函数曲线。

S3、将黄金分割搜索法与所述步骤S2得到的评价函数相结合，确定最优离焦量，得到最优重建图像。

具体实施时，作为本发明优选的实施方式，如图5所示，所述步骤S3具体包括：

S31、设定黄金分割搜索法的初始聚焦区间[a_k,b_k]、最小误差值δ和区间分割值T；本实施例中，初始聚焦区间为[1000,2000]，最小误差值δ＝2um，区间分割值T＝0.618；

S32、计算所述初始聚焦区间试探点的位置，将采集到的全息图像进行反向传播，计算试探点位置处的重建图像；其计算公式如下：

λ_k＝b_k-Τ(b_k-a_k)

μ_k＝a_k+Τ(b_k-a_k)

其中，λ_k、μ_k分别表示初始聚焦区间的其中两个试探点位置，k表示搜索次数。

本实施例中，计算试探点1382um和1618um，将全息图进行反向传播，计算位置1382um和1618um处的重建图像O₁、Q₁，其计算公式如下：

1382＝2000-0.618(2000-1000)

1618＝1000+0.618(2000-1000)

S33、计算试探点位置处的重建图像的评价函数值；计算λ_k、μ_k处重建图像的评价函数值如下：

U(λ_k)＝EF(O_k)

U(μ₁)＝EF(Q₁)。

本实施例中，计算1382um和1618um处重建图像评价函数值，如下：

U(1382)＝EF(O₁)

U(1618)＝EF(Q₁)

S34、比较区间长度，判断最优离焦量位置，得到最优离焦量对应的最优重建图像。

具体实施时，所述步骤S34具体包括：

S341、若b_k-a_k≤δ，此时对应搜索区间中点位置

即为最优离焦量，并停止搜索；

S342、若b_k-a_k＞δ，则存在如下两种情况：

情况1：若U(λ_k)＞U(μ_k)，则a_k+1＝λ_k，b_k+1＝b_k，λ_k+1＝μ_k，μ_k+1＝a_k+1+Τ(b_k+1-a_k+1)；计算μ_k+1处重建图像评价函数值U(μ_k+1)，执行步骤S343；

情况2：若U(λ_k)≤U(μ_k)，则a_k+1＝a_k，b_k+1＝μ_k，μ_k+1＝λ_k，λ_k+1＝b_k+1-Τ(b_k+1-a_k+1)，计算λ_k+1处重建图像评价函数值U(λ_k+1)，执行步骤S343；

S343、置k＝k+1，重复执行步骤S34；

S344、输出最优离焦量对应的最优重建图像。

本实施例中，2000-1000＞2，U(1382)＞U(1618)，则搜索区间变为[1382，2000]，试探点改变为1618um和1764um，试探点1764um处的重建图像为1764＝1382+0.618(2000-1382)；计算1764um处重建图像评价函数值U(1764)，置k＝2；

此时搜索长度2000-1382＞2，U(1618)＞U(1764)，则搜索区间变为[1618，2000]，试探点改变为1764um和1854um，试探点1854um处的重建图像为1854＝1618+0.618(2000-1618)；计算1854um处重建图像评价函数值U(1854)，置k＝3；

直至当搜索区间为[1739，1741]时，1741-1739≤2，此时对应搜索区间中点位置m＝1740即为最优离焦量，并停止搜索；

最终，输出最优离焦量1740um对应的最优重建图像。

如图6所示，给出了相机采集的单子叶植物茎横切强度图像，将采集到的全息图直接进行不同距离下的角谱反向传播得到不同清晰度的复数重建图像，将不同清晰度的重建图像进行评价函数计算得到最终输出结果。

如图7所示，为以1740um为聚焦距离进行角谱反向传播得到的重建图像；如图8所示，为以1739um为聚焦距离进行角谱反向传播得到的重建图像；如图9所示，为以1741um为聚焦距离进行角谱反向传播得到的重建图像。可以看到1740um对应的重建图像边缘清晰，无衍射现象，样本组织内部细节结构清晰。

因此本发明提出的自动聚焦方法每次以0.618倍区间缩短率和每次至多进行2次评价函数值运算就可以得到最优全息重建图像。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种用于无透镜数字全息成像的自动聚焦方法，其特征在于，包括：

S1、将采集到的全息图像进行反向传播，得到不同离焦量处的全息重建图像；

S2、将引导滤波作为模糊图像函数，采用梯度向量平方函数计算重建图像与模糊图像的方向信息差值，得到全息重建图像的评价函数；

所述步骤S2具体包括：

S21、获取全息重建图像的方向信息T_O，计算公式如下：

其中，O表示重建图像，M和N表示图像大小；

S22、将引导滤波作为模糊图像函数，获取模糊图像，计算公式如下：

P＝Guider_r,ε(O,O)

其中，P表示输出图像，Guider()表示引导滤波，r和ε表示滤波器参数，将重建图像O作为引导滤波中的输入图像和引导图像；

S23、基于获取的模糊图像，计算模糊图像的方向信息T_P，计算公式如下：

S24、计算重建图像与模糊图像的方向信息差值，得到全息重建图像的评价函数，计算公式如下：

U＝T_O-T_P

其中，U表示方向信息差值，即评价函数值，因此，评价函数值计算形式为U＝EF(O)；

S3、将黄金分割搜索法与所述步骤S2得到的评价函数相结合，确定最优离焦量，得到最优重建图像。

2.根据权利要求1所述的用于无透镜数字全息成像的自动聚焦方法，其特征在于，所述步骤S3具体包括：

S31、设定黄金分割搜索法的初始聚焦区间[a_k,b_k]、最小误差值δ和区间分割值T；

S32、计算所述初始聚焦区间试探点的位置，将采集到的全息图像进行反向传播，计算试探点位置处的重建图像；

S33、计算试探点位置处的重建图像的评价函数值；

S34、比较区间长度，判断最优离焦量位置，得到最优离焦量对应的最优重建图像。

3.根据权利要求2所述的用于无透镜数字全息成像的自动聚焦方法，其特征在于，所述步骤S32中计算初始聚焦区间试探点的位置，其计算公式如下：

λ_k＝b_k-Τ(b_k-a_k)

μ_k＝a_k+Τ(b_k-a_k)

其中，λ_k、μ_k分别表示初始聚焦区间的其中两个试探点位置，k表示搜索次数。

4.根据权利要求2所述的用于无透镜数字全息成像的自动聚焦方法，其特征在于，所述步骤S33中，计算λ_k、μ_k处重建图像的评价函数值如下：

U(λ_k)＝EF(O_k)

U(μ₁)＝EF(Q₁)。

5.根据权利要求2所述的用于无透镜数字全息成像的自动聚焦方法，其特征在于，所述步骤S34具体包括：

S341、若b_k-a_k≤δ，此时对应搜索区间中点位置

即为最优离焦量，并停止搜索；

S342、若b_k-a_k＞δ，则存在如下两种情况：

情况1：若U(λ_k)＞U(μ_k)，则a_k+1＝λ_k，b_k+1＝b_k，λ_k+1＝μ_k，μ_k+1＝a_k+1+Τ(b_k+1-a_k+1)；计算μ_k+1处重建图像评价函数值U(μ_k+1)，执行步骤S343；

情况2：若U(λ_k)≤U(μ_k)，则a_k+1＝a_k，b_k+1＝μ_k，μ_k+1＝λ_k，λ_k+1＝b_k+1-Τ(b_k+1-a_k+1)，计算λ_k+1处重建图像评价函数值U(λ_k+1)，执行步骤S343；

S343、置k＝k+1，重复执行步骤S34；

S344、输出最优离焦量对应的最优重建图像。

Images