基于红外图像能量值的自动聚焦算法

2014-11-28李申燕

山西电子技术 2014年4期

李申燕

(广州飒特红外股份有限公司，广东广州 510730)

聚焦就是使图像变得更清晰、对比度高、细节突出，聚焦效果差的图像对后续的图像处理和分析有很大影响。在红外视觉领域中，受到镜头、探测器、环境因素的影响，图像本身信息量少，如果聚焦不好就很难将需要的信息提取出来，所以，图像正确聚焦是提高红外图像质量的关键技术。

手动聚焦需要人为操作使得图像达到最好的聚焦位置，这种方法实现简单而且准确率高，但是在现实使用中带来很多不便。所以自动聚焦技术应用越来越重要。传统的聚焦方法在可见光照相机、摄像仪等应用效果较为稳定，但在红外设备中，受到各种外界因素的影响，自动聚焦算法的精确度、稳定性以及抗噪声性能等方面仍然有待于进一步提高。理想的清晰度评价函数应该具有无偏性、单峰性、能反映离焦的极性、对于不同对比度的图像要具有很好的聚焦稳定性［1］，同时对于受到一定噪声污染的图像也能够精确的聚焦，具有较好的抗噪性能。本文采用红外热图像的能量值为清晰度评价函数的输入值，利用步进电机单步控制焦点的位置，实现了红外图像快速稳定聚焦，并且聚焦图像清晰度较高。

1 红外图像区域能量值清晰度评价函数

1.1 几种常用的评价函数

常用的聚焦评价函数有灰度梯度函数、信息学函数、频域函数等。

1.1.1 灰度梯度函数

这里主要介绍的灰度差分法，灰度差分法是一种形式简单聚焦评价函数，它利用图像的相邻像素差的绝对值之和作为聚焦评价函数，即:

当图像聚焦清晰时，F(x，y)最大。对于亮度变化比较均匀的图像，灰度差分法计算所得的数据值之间差异较小，经常出现不符合单调要求的点，其聚焦效果不好，不能明显反应出镜头在不同位置上获得的图像质量［2］。

1.1.2 信息学函数

目前比较成熟的熵函数，对焦良好的图像的熵大于没有对焦清晰的图像，因此可以作为一种评价标准。对于一帧图像，图像的熵函数表达式为:

此函数相对复杂，依靠此函数判断图像清晰度会受到外界因素的影响，噪声太大时，对计算结果影响非常大，稳定性差，需要根据处理的具体对象进行适应性训练。

1.1.3 频谱函数

此类函数是基于傅里叶变换的，其理论依据是:高频分量处于图像的边缘，清晰的图像比模糊的图像［3］具有更清晰的边缘和丰富的细节。这类函数主要有:

1)全频段积分法，表达式为:

2)阈值积分法，表达式为:

式中，f(x，y)＞φ(图像灰度阈值)。取高频分量作为清晰度判据是自动聚焦的常用手段。

1.2 能量值评价函数

传统的评价函数都是采用图像的灰度值或亮度值作为评价函数的输入值，在聚焦过程中受到外界噪声的干扰，图像信息值会丢失，得到的图像清晰度评价值非常不准确，所以聚焦准确率低下。

红外图像通过探测器输出能量值，将整幅图像的能量值映射为灰度值0～255 的范围显示图像。能量值是红外图像的原始数据，不会受任何外界因素的干扰，我们这里在常用的评价函数基础上，直接选用能值作为评价函数的计算值，省去转换步骤，不需要对图像进行预处理，大大提高聚焦速率，并且清晰度评价值准确率高。将一帧图像中间区域的能量值与周围八个像素点的能量值差的平方和再取平均作为图像的聚焦评价函数，表达式如下:

式中，f(x，y)为图像灰度阈值，M，N 分别为中间区域横向和纵向的像素个数。

2 聚焦搜索策略

搜索策略通常采用盲人爬山比较法［2］。首先将镜头光轴转动到起始位置，获取此位置图像信息，并计算出此时的评价函数值;然后，驱动步进电机向另一个方向转动，带动光轴移动一步，比较此时的图像评价函数值与前者的大小，若此时聚集评价函数值较大，就继续向相同的方向移动光轴，如此一步一步移动，直至图像的聚焦评价函数值小于前一位置，则前一位置就是图像最清晰的位置，聚焦结束。该算法快速简单，但在实际应用中，评价值并不是单调的，评价值小于前一位置并不一定是最佳位置。因此，本文利用步进电机记步，将步进电机从镜头一个极限转到另一个极限，两个极限中间划分n 个步进段，步进电机每转动一个步进段采集一帧图像，根据提出的图像清晰度评价函数计算此时图像的评价值，并记录步进电机的步数，与上一次的评价值作比较。直到电机从一个极限转到另一个极限，记录评价值最大时步进电机的步数，此时就是聚焦最好的位置，步进电机立即转动到此位置，从而实现自动聚焦。