CN117197108A - 光学变焦图像质量评估方法、系统、计算机装置及介质 - Google Patents
光学变焦图像质量评估方法、系统、计算机装置及介质 Download PDFInfo
- Publication number
- CN117197108A CN117197108A CN202311237722.4A CN202311237722A CN117197108A CN 117197108 A CN117197108 A CN 117197108A CN 202311237722 A CN202311237722 A CN 202311237722A CN 117197108 A CN117197108 A CN 117197108A
- Authority
- CN
- China
- Prior art keywords
- image
- optical
- moment
- calculating
- quality
- 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.)
- Pending
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 23
- 238000003384 imaging method Methods 0.000 claims abstract description 36
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 238000012634 optical imaging Methods 0.000 abstract description 13
- 239000002699 waste material Substances 0.000 abstract description 2
- 239000000835 fiber Substances 0.000 description 16
- 239000000919 ceramic Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 210000000085 cashmere Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种光学变焦图像质量评估方法、系统、计算机装置及介质,该方法为输入光学图像;对光学图像进行包括灰度、降噪、二值化、去除小孔洞噪声在内的预处理;在与处理后的图像上寻找外轮廓,并计算最大轮廓面积;若最大轮廓面积大于设定阈值,则用黑色填充该轮廓区域;计算图像的均值、方差、二阶距;利用对焦质量数值;选取图像对焦质量数值最大的图层及相邻两张图层作为最优对焦情况下的图层范围;输出符合条件的最优变焦解。本发明可以实现光镜最优焦平面范围的快速选取,满足快速对焦需求,以保证成像质量,从而解决由光镜在连续扫描对焦过程中受其光学成像特性导致的光学失焦、模糊成像而产生的废片问题。
Description
技术领域
本发明属于光学成像技术领域,具体涉及一种基于图像矩的无参考的光学变焦图像质量评估方法、系统、计算机装置及介质,适用于光学镜头连续扫描下的光学图像对焦质量评估。
背景技术
光学成像技术是利用光学原理实现图像的采集和处理的技术,其基本原理是通过透镜或反射镜将被成像物体的光聚焦到成像面上,形成一幅清晰的图像。在图像采集过程中,由于成像系统的焦距和工作距离等因素的影响,图像可能会产生失焦现象。失焦通常指成像物体中心的点光源不在焦平面上,导致成像效果模糊,无法清晰识别。造成失焦现象的原因多种多样,光学系统中的透镜形状、曲率半径、镜头调焦失误等因素都可以导致一定程度的失焦。失焦对图像质量的影响主要表现在图像的清晰度和细节上,失焦度越大,图像的清晰度越差,细节部分的信息也会出现损失。
对于光学镜头变焦导致的失焦成像、图片模糊问题的研究,现有大部分的技术解决方案都是通过对图像进行轮廓提取,使用基于梯度变化的边缘检测的方法(如Laplace边缘检测,sobel边缘检测,canny边缘检测等)来进行图像质量判断。这种基于梯度的边缘检测方法对于大部分自然图像来说,可以有效提取灰度变化剧烈的图像边缘,从而根据灰度变化的剧烈程度来判断图像是否保留有更清晰的图像细节信息,即更好的成像质量。
但这种方法对于光学变焦镜头下的成像图像来说,常具有一定的不准确性,主要是由于光学在成像上的特性所致。光学成像质量会严重受到光源、成像距离和成像材料对光的折反射效应所影响,在使用梯度边缘检测方法计算图像质量时,常会由于测量位点距离光源的距离不同而产生不同的光影效应,如在成像物体周围产生明亮或黑暗的阴影,从而导致对梯度的计算产生较大偏差。这种偏差并非是由于光学失焦所产生,而是由于光镜的成像特性所导致,因此使用此方法评估光学成像质量容易产生较大的误差。
发明内容
针对现有技术存在的不足,本发明提供了一种光学变焦图像质量评估方法、系统、计算机装置及介质,可以实现光镜最优焦平面范围的快速选取,满足快速对焦需求,有利于保证成像的质量。
为解决上述技术问题,实现上述技术效果,本发明通过以下技术方案实现:
一种光学变焦图像质量评估方法,其步骤包括:
S1、输入光学图像;
S2、对输入的光学图像进行预处理;
S3、在预处理后的图像上寻找外轮廓,并计算最大轮廓面积;
S4、对最大轮廓面积进行阈值判断,并对超过设定阈值的轮廓进行黑色填充;
S5、计算图像的均值和方差;
S6、计算图像的二阶距;
S7、根据得到的均值、方差、二阶矩,计算图像的对焦质量数值;
S8、选取图像对焦质量数值最大的图层及其相邻的两张图层作为最优对焦情况下的图层范围;
S9、输出符合条件的最优变焦解,从而完成一个无参考最优焦平面的快速评估流程。
进一步的,在步骤S2中,对于光学图像的预处理包括:
S201、将光学图像转换为灰度图像;
S202、使用高斯滤波对灰度图像分别在x方向(水平方向)和y方向(垂直方向)上进行降噪;
S203、将降噪后的图像使用OTSU自适应阈值二值化处理;
S204、去除二值化图像的小孔洞噪声。
进一步的,在步骤S3中,外轮廓的寻找和最大轮廓面积的计算具体包括:寻找轮廓边界框,寻找轮廓极端点、特征点,使用图像矩计算轮廓面积。
进一步的,在步骤S4中,预先设置所述设定阈值为800000像素单位,然后对最大轮廓面积进行阈值判断,若最大轮廓面积大于该设定阈值,则用黑色填充该轮廓区域。
进一步的,在步骤S5中,首先计算图像的均值,然后利用得到的均值计算图像的方差,计算公式如下:
(17);
(18);
式(17)、式(18)中,mean表示图像的均值,var表示图像的方差,f(x,y)为图像的灰度值,m、n分别为图像的长和宽。
进一步的,在步骤S6中,计算图像二阶距的步骤包括,计算图像x方向的二阶矩M20,计算图像y方向的二阶矩M02,计算图像xy方向的二阶矩M11,其中,
计算图像x方向的二阶矩M20的公式如下:
(19);
计算图像y方向的二阶矩M02的公式如下:
(20);
计算图像xy方向的二阶矩M11的公式如下:
(21);
式(19)、式(20)、式(21)中,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽。
进一步的,在步骤S7中,利用计算得到的图像的均值、方差和二阶矩,根据图像对焦成像质量的度量计算公式,计算图像的对焦质量数值,并将其保存在列表里;所述的图像对焦成像质量的度量计算公式如下:
(22);
式(22)中,M20表示图像x方向的二阶矩,M02表示图像y方向的二阶矩,M11表示图像xy方向的二阶矩,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽,var表示图像的方差,即为mean,表示图像的灰度均值,其公式如下:
(23);
式(23)中,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽。
一种光学变焦图像质量的快速评估系统,包括数据接收单元和数据处理单元;
所述数据接收单元用于获取待评估图像;
所述数据处理单元用于按照上述任意一项所述的光学变焦图像质量评估方法对待评估图像进行处理。
一种计算机装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信,所述存储器用于存放至少一条可执行指令,所述可执行指令使所述处理器执行上述任意一项所述的光学变焦图像质量评估方法对应的操作。
一种计算机存储介质,所述计算机存储介质中存储有至少一个可执行指令,所述可执行指令使处理器执行上述任意一项所述的光学变焦图像质量评估方法对应的操作。
通过对光学成像失焦对焦的机械原理的研究,本发明提出了一种新的快速评估光学变焦图像质量的方法,使用数据统计结合图像矩来度量图像分布在水平和垂直方向的离散偏移程度,从而对光学变焦镜头的成像质量进行快速评估。这种方法相比于传统的基于图像梯度的边缘检测方法来说,主要是通过计算图像的离散偏移信息来对失焦程度进行度量,不易受光学成像特性的(如光源、成像距离等造成的明暗阴影)影响,从而更适用于光学镜头下失焦对焦的成像质量评估,且检测效果相比于传统方法判断更为准确,快速,鲁棒性更佳,可以实现光镜最优焦平面范围的快速选取,满足快速对焦需求,以保证成像质量,从而有效解决由光镜在连续扫描对焦过程中受其光学成像特性导致的光学失焦、模糊成像而产生的废片问题,更加适用于光学镜头成像下多种复杂情况的图像质量评估。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明光学变焦图像质量评估方法的步骤流程图;
图2为本发明对光学图像进行灰度化及降噪处理的前后对比图;
图3为本发明对光学图像进行灰度化、降噪处理、二值化及小孔洞噪声去除处理的前后对比图;
图4为本发明对光学图像进行灰度化、降噪处理、二值化、小孔洞噪声去除及黑色填充处理的前后对比图;
图5为本发明输出样本0000_0000案例的最优变焦解的结果验证情况图;
图6为本发明输出样本0013_0018案例的最优变焦解的结果验证情况图。
图7为发明输出样本0015_0026案例的最优变焦解的结果验证情况图。
图8为发明输出样本0017_0026案例的最优变焦解的结果验证情况图。
图9为发明输出样本0031_0013案例的最优变焦解的结果验证情况图。
图10为发明输出样本0031_0025案例的最优变焦解的结果验证情况图。
图11为发明输出样本0031_0024案例的最优变焦解的结果验证情况图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明,以便更清楚理解发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
在下文的描述中,出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是,相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下,与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
除非语境有其它需要,在整个说明书和权利要求中,词语“包括”和其变型,诸如“包含”和“具有”应被理解为开放的、包含的含义,即应解释为“包括,但不限于”。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此,在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外,特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
如该说明书和所附权利要求中所用的单数形式“一”和“所述”包括复数指代物,除非文中清楚地另外规定。应当指出的是术语“或”通常以其包括“和/或”的含义使用,除非文中清楚地另外规定。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参见图1所示,一种光学变焦图像质量评估方法,也可以称之为一种无参考最优焦平面的快速评估算法流程,该算法法通过 python语言编写,调用opencv,numpy,matplotlib等库辅助实现。其具体步骤包括:
步骤S1、输入光学图像;具体为,
利用光学镜头获取并输入待评估的光学图像。
步骤S2、读取光学图像,并对输入的光学图像进行包括灰度、降噪、二值化、去除小孔洞噪声在内的预处理;其每个预处理步骤分别为:
步骤S201、将光学图像转换为灰度图像;具体为,
使用opencv的函数cv2.imread()和cv2.cvtColor()进行光学图像的读取和灰度化处理;其中所涉及到的数学原理如下:
(1);
式(1)中,blue,green和red分别表示输入图像中的蓝色、绿色和红色通道在某个像素位置处的灰度值,gray表示灰度转化后的灰度值,范围为0~255。
步骤S202、使用高斯滤波器对灰度图像分别在水平方向(x方向)和垂直方向(y方向)上进行降噪;具体为,
使用opencv的函数cv2.GaussianBlur()对灰度图像进行进一步的滤波降噪处理,以使得图像更为平滑,消除高斯噪声干扰;其中所涉及到的数学原理如下:
(2);
式(2)中,表示沿着x方向的标准差,/>表示y方向的标准差;/>和/>分别为:
(3);
(4);
式(3)、式(4)中,ksize.width和ksize.height分别为高斯核的长和宽。
高斯核的大小为3×3,意味着ksize.width和ksize.height的数值分别为3,x方向的标准差和y方向的标准差/>的取值分别经由式(3)和式(4)计算得到,计算结果为= 0.8,/>= 0.8;参见图2所示,图2中左图为原图图像,图2中右图为滤波处理后的图像。
步骤S203、将降噪后的图像使用OTSU自适应阈值二值化处理;具体为,
使用opencv的函数cv2.threshold(),用大津法cv2.THRESH_OTSU对图像进行二值化处理;使用OTSU选取自适应阈值,要求类间方差最大化,以使得分割效果最好;类间方差的计算公式如下:
(5);
式(5)中,ω 1为背景像素占比,其公式如下:
(6);
式(6)中,N1为背景所占像素数量,Sum为整体像素数量;
式(5)中,ω 2为前景像素占比,其公式如下:
(7);
式(7)中,N2 为前景所占像素数量,Sum为整体像素数量;
式(5)中,μ1为背景的平均灰度值,其公式如下:
(8);
式(5)中,μ2为前景的平均灰度值,其公式如下:
(9);
式(8)、式(9)中,Pi为某灰度值出现的概率,Pr为某类(背景或前景)中某像素点的条件概率,i为某类中的某像素点;C0为背景中的所有像素点;C1为前景中的所有像素点;M为灰阶值;t为背景值所占的灰阶数量。
式(5)中,μ为0~M灰度区间的灰度累计值,其公式如下:
(10)。
步骤S204、使用闭操作去除二值化图像的小孔洞噪声,闭操作在形态学上先进行腐蚀后膨胀;具体为,
使用opencv的函数cv2.getStructuringElement()和cv2.morphologyEx()对二值化后的小孔洞噪声进行剔除;其中所涉及到的数学原理如下:
(11);
(12);
参见图3所示,图3中左图为原图图像,图3中右图为小孔洞噪声去除处理后的图像。
步骤S3、在去除小孔洞噪声后的图像上寻找外轮廓,并计算最大轮廓面积;具体为,
使用opencv的函数cv2.findContours()进行轮廓查找,并使用 cv2.contourArea()进行轮廓面积计算,并保留最大轮廓id;外轮廓的寻找和最大轮廓面积的计算,主要包括寻找轮廓边界框,寻找轮廓极端点、特征点和使用图像矩计算最大轮廓面积;其中所涉及到的数学原理如下:
(13);
式(13)中,xi,yi为第n个点的坐标;x,y表示边界框左上角的横纵坐标;w,h表示边界框的宽度和高度;
(14);
(15)
式(14)、式(15)中,theta表示两点间的夹角,contours表示对夹角进行排序,默认从大到小,area表示最大轮廓面积,分别为轮廓凸包上的点。
步骤S4、对最大轮廓面积进行阈值判断,并对超过设定阈值的轮廓进行黑色填充;具体为,
将设定阈值预先设置为800000像素单位,然后对计算得到的最大轮廓面积进行阈值判断,当最大轮廓面积大于设定阈值800000像素单位的时候,使用cv2.drawContours()函数对该轮廓区域进行黑色填充;其中所涉及到的数学原理如下:
(16);
式(16)中,area 表示最大轮廓面积,f(x,y)表示图像在(x,y)处的灰度值;
参见图4所示,图4中左图为原图图像,图4中右图为轮廓区域进行黑色填充处理后的图像。
在经过灰度、降噪、二值化、去除小孔洞噪声等预处理以及寻找外轮廓,计算最大轮廓面积,对最大轮廓面积进行阈值判断,并对超过阈值的轮廓进行黑色填充之后,本发明提出了一种新的基于数据统计和图像矩估计的光学成像失焦度度量的数学计算方法,通过该数学计算方法计算得出的光学成像失焦度(对焦质量数值),可以为后续步骤提供条件。
本发明提出的这种新的基于数据统计和图像矩估计的光学成像失焦度度量的数学计算方法,核心为一个图像对焦成像质量的度量计算公式,其原理是先通过计算图像的均值、方差和二阶矩(分别对应以下步骤S5和步骤S6),然后利用计算得到的图像的均值、方差和二阶矩,根据该图像对焦成像质量的度量计算公式,计算出图像的对焦质量数值(对应以下步骤S7)。
步骤S5、首先计算图像的均值,然后利用得到的均值计算图像的方差;具体为,
使用opencv的函数cv2.meanStdDev()计算图像的均值和方差;其中所涉及到的数学原理如下:
(17);
(18);
式(17)、式(18)中,mean表示图像的均值,var表示图像的方差,f(x,y)为图像的灰度值,m、n分别为图像的长和宽。
步骤S6、计算图像的二阶距;具体为,
使用opencv的函数cv2.moments()分别计算图像x方向的二阶矩M20,图像y方向的二阶矩M02,图像xy方向的二阶矩M11;其中所所涉及的数学原理如下:
计算图像x方向的二阶矩M20,其公式如下:
(19);
计算图像y方向的二阶矩M02,其公式如下:
(20);
计算图像xy方向的二阶矩M11,其公式如下:
(21);
式(19)、式(20)、式(21)中,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽。
步骤S7、利用计算得到的图像的均值、方差和二阶矩,根据图像对焦成像质量的度量计算公式,计算图像的对焦质量数值,并将其保存在列表里;具体为,
根据本发明提出的图像对焦成像质量的度量计算公式进行图像质量分数计算,并使用 matplotlib的函数plt.plot()进行可视化;其中,本发明提出的图像对焦成像质量的度量计算公式如下:
(22);
式(22)中,M20是图像x方向的二阶矩,其公式如式(19);
M02是图像y方向的二阶矩,其公式如式(20);
M11是图像xy方向的二阶矩,其公式如式(21);
x,y分别表示图像中的横坐标和纵坐标;
m、n分别表示图像的长和宽;
var表示图像的方差;
即为mean,表示图像的灰度均值,其公式如下:
(23);
式(23)中,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽。
步骤S8、选取图像对焦质量数值最大的图层及其相邻的两张图层作为最优对焦情况下的图层范围。
步骤S9、输出符合条件的最优变焦解,并进行人工判断验证,从而完成一个无参考最优焦平面的快速评估流程。
对于本发明中涉及到的样本说明及方法验证如下。其中,实验所采用的样本来源于多机构羊毛、羊绒纤维纯样或混样制备样品,在20倍光学镜头下的成像数据。
对于本发明所使用的方法验证涉及到的样品说明如下。根据羊毛羊绒纤维的成像数据,将其大致分为以下几类:
1、多根纤维呈独立分散分布,纤维之间无交叉分布情况。
2、多根纤维之间存在交叉分布,有重叠区域,导致光学镜头下的成像部分失焦。
3、单根(长)纤维自身存在交叉分布,有重叠区域,导致光学镜头下的成像部分失焦。
4、样品中含有气泡杂质,影响光学成像特性。
下面展示本发明对于上述几种复杂成像情况的实验结果验证:
1)样本0000_0000:参见图5所示,单根或多根无重叠纤维,且纤维占整图比例很小;
2)样本0013_0018:参见图6所示,多根无重叠纤维,且纤维占整图比例较大;
3)样本0015_0026:参见图7所示,多根有重叠纤维,存在同一张光学图像中部分聚焦部分模糊部分清晰的情况;
4)样本0017_0026:参见图8所示,情况更为复杂的多根有重叠纤维,存在同一张光学图像中部分聚焦部分模糊部分清晰的情况;
5)样本0031_0013:参见图9所示,长纤维自身交叉重叠,存在同一张光学图像中部分聚焦部分模糊部分清晰的情况;
6)样本0031_0025:参见图10所示,纤维样本中含有气泡,且占整图比例小于50%;
7)样本0031_0024:参见图11所示,纤维样本中含有气泡,且占整图比例大于50%。
由此可见,本发明实质上是提出了一种适用于光学变焦图像的无参考最优焦平面的快速评估方法,其核心是进一步公开的一种基于数据统计和图像矩估计的光学成像失焦度度量的数学计算方法,该数学计算方法利用图像均值、方差和二阶矩计算图像的对焦质量数值,即使用数据统计结合图像矩来度量图像分布在水平和垂直方向的离散偏移程度,从而对光学变焦镜头的成像质量进行评估。
本发明的这种方法相比于传统的基于图像梯度的边缘检测方法来说,主要是通过计算图像的离散偏移信息来对失焦程度进行度量,不易受光学成像特性的(如光源、成像距离等造成的明暗阴影)影响,从而更适用于光学镜头下失焦对焦的成像质量评估,且检测效果相比于传统方法判断更为准确,快速,鲁棒性更佳,可以实现光镜最优焦平面范围的快速选取,满足快速对焦需求,以保证成像质量,从而有效解决由光镜在连续扫描对焦过程中受其光学成像特性导致的光学失焦、模糊成像而产生的废片问题,更适用于光学镜头成像下多种复杂情况的图像质量评估。
本发明还提供了一种光学变焦图像质量的快速评估系统,包括数据接收单元和数据处理单元;
所述数据接收单元用于获取待评估图像;
所述数据处理单元用于按照上述任意一项所述的光学变焦图像质量评估方法对待评估图像进行处理。
本发明还提供了一种计算机装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信,所述存储器用于存放至少一条可执行指令,所述可执行指令使所述处理器执行上述任意一项所述的光学变焦图像质量评估方法对应的操作。
本发明还提供了一种计算机存储介质,所述计算机存储介质中存储有至少一个可执行指令,所述可执行指令使处理器执行上述任意一项所述的光学变焦图像质量评估方法对应的操作。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光学变焦图像质量评估方法,其特征在于,包括:
S1、输入光学图像;
S2、对输入的光学图像进行预处理;
S3、在预处理后的图像上寻找外轮廓,并计算最大轮廓面积;
S4、对最大轮廓面积进行阈值判断,并对超过设定阈值的轮廓进行黑色填充;
S5、计算图像的均值和方差;
S6、计算图像的二阶距;
S7、根据得到的均值、方差、二阶矩,计算图像的对焦质量数值;
S8、选取图像对焦质量数值最大的图层及其相邻的两张图层作为最优对焦情况下的图层范围;
S9、输出符合条件的最优变焦解。
2.根据权利要求1所述的光学变焦图像质量评估方法,其特征在于,在步骤S2中,对于光学图像的预处理包括:
S201、将光学图像转换为灰度图像;
S202、使用高斯滤波对灰度图像分别在x方向和y方向上进行降噪;
S203、将降噪后的图像使用OTSU自适应阈值二值化处理;
S204、去除二值化图像的小孔洞噪声。
3.根据权利要求1所述的光学变焦图像质量评估方法,其特征在于,在步骤S3中,外轮廓的寻找和最大轮廓面积的计算具体包括:寻找轮廓边界框,寻找轮廓极端点、特征点,使用图像矩计算轮廓面积。
4.根据权利要求1所述的光学变焦图像质量评估方法,其特征在于,在步骤S4中,预先设置所述设定阈值为800000像素单位,然后对最大轮廓面积进行阈值判断,若最大轮廓面积大于该设定阈值,则用黑色填充该轮廓区域。
5.根据权利要求1所述的光学变焦图像质量评估方法,其特征在于,在步骤S5中,首先计算图像的均值,然后利用得到的均值计算图像的方差,计算公式如下:
(17);
(18);
式(17)、式(18)中,mean表示图像的均值,var表示图像的方差,f(x,y)为图像的灰度值,m、n分别为图像的长和宽。
6.根据权利要求1所述的光学变焦图像质量评估方法,其特征在于,在步骤S6中,计算图像二阶距的步骤包括,计算图像x方向的二阶矩M20,计算图像y方向的二阶矩M02,计算图像xy方向的二阶矩M11,其中,
计算图像x方向的二阶矩M20的公式如下:
(19);
计算图像y方向的二阶矩M02的公式如下:
(20);
计算图像xy方向的二阶矩M11的公式如下:
(21);
式(19)、式(20)、式(21)中,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽。
7.根据权利要求1所述的光学变焦图像质量评估方法,其特征在于,在步骤S7中,利用计算得到的图像的均值、方差和二阶矩,根据图像对焦成像质量的度量计算公式,计算图像的对焦质量数值,并将其保存在列表里;所述的图像对焦成像质量的度量计算公式如下:
;
(22);
式(22)中,M20表示图像x方向的二阶矩,M02表示图像y方向的二阶矩,M11表示图像xy方向的二阶矩,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽,var表示图像的方差,即为mean,表示图像的灰度均值,其公式如下:
(23);
式(23)中,x,y分别表示图像中的横坐标和纵坐标,m、n分别表示图像的长和宽。
8.一种光学变焦图像质量的快速评估系统,其特征在于:包括数据接收单元和数据处理单元;
所述数据接收单元用于获取待评估图像;
所述数据处理单元用于按照权利要求1-7中任意一项所述的光学变焦图像质量评估方法对待评估图像进行处理。
9.一种计算机装置,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信,所述存储器用于存放至少一条可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任意一项所述的光学变焦图像质量评估方法对应的操作。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有至少一个可执行指令,所述可执行指令使处理器执行如权利要求1-7中任意一项所述的光学变焦图像质量评估方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311237722.4A CN117197108A (zh) | 2023-09-25 | 2023-09-25 | 光学变焦图像质量评估方法、系统、计算机装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311237722.4A CN117197108A (zh) | 2023-09-25 | 2023-09-25 | 光学变焦图像质量评估方法、系统、计算机装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197108A true CN117197108A (zh) | 2023-12-08 |
Family
ID=88986844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311237722.4A Pending CN117197108A (zh) | 2023-09-25 | 2023-09-25 | 光学变焦图像质量评估方法、系统、计算机装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197108A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117459830A (zh) * | 2023-12-19 | 2024-01-26 | 北京搜狐互联网信息服务有限公司 | 一种移动设备自动变焦的方法及系统 |
-
2023
- 2023-09-25 CN CN202311237722.4A patent/CN117197108A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117459830A (zh) * | 2023-12-19 | 2024-01-26 | 北京搜狐互联网信息服务有限公司 | 一种移动设备自动变焦的方法及系统 |
CN117459830B (zh) * | 2023-12-19 | 2024-04-05 | 北京搜狐互联网信息服务有限公司 | 一种移动设备自动变焦的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN109668904A (zh) | 一种光学零件疵病检测装置及方法 | |
CN110428463B (zh) | 非球面光学元件离焦模糊定中图像自动提取中心的方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN117197108A (zh) | 光学变焦图像质量评估方法、系统、计算机装置及介质 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
US6993187B2 (en) | Method and system for object recognition using fractal maps | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN112396575A (zh) | 基于影像的分类系统 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN116990323A (zh) | 一种高精密印刷版视觉检测系统 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
CN107784673B (zh) | 一种基于非均匀性校正的光纤图像处理方法 | |
EP4211893A1 (en) | Systems and methods for quantifying light flares in images | |
JP3860540B2 (ja) | エントロピーフィルタ及び該フィルタを用いた領域抽出法 | |
CN109816609B (zh) | 一种基于傅里叶变换的数字pcr图像还原方法及其应用 | |
CN117152016A (zh) | 基于改进暗通道先验的图像去雾方法及其系统 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN109934817A (zh) | 一种果体外部轮廓畸形检测方法 | |
CN115619796A (zh) | 获取光伏组件模板的方法及装置、非易失性存储介质 |
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 |