黃德天,劉雪超,張紅勝,趙晶麗,4
(1.華僑大學(xué) 工學(xué)院,福建 泉州 362021;2.中國科學(xué)院 長春光學(xué)精密機械與物理研究所,吉林 長春 130033;3.中國科學(xué)院 研究生院,北京 100049;4.中國科學(xué)院 光學(xué)系統(tǒng)先進制造技術(shù)重點實驗室,吉林 長春 130033)
自動調(diào)焦是光電成像系統(tǒng)獲取清晰圖像的關(guān)鍵過程,已成功應(yīng)用于空間遙感系統(tǒng)、自動監(jiān)控系統(tǒng)、顯微分析系統(tǒng)以及各種數(shù)碼攝像系統(tǒng)等[1-6]。與基于測距法、像檢測法等傳統(tǒng)的自動調(diào)焦法相比,基于圖像處理的自動調(diào)焦法具有智能化、高度集成化、低功耗、占用體積小和低成本等優(yōu)點,隨著數(shù)字圖像處理技術(shù)和超大規(guī)模集成電路的飛速發(fā)展,基于圖像處理的自動調(diào)焦法成為了調(diào)焦技術(shù)發(fā)展的主流。目前,基于圖像處理的自動調(diào)焦法的關(guān)鍵在于解決調(diào)焦評價函數(shù)和調(diào)焦搜索算法2個問題。調(diào)焦評價函數(shù)的主要作用是代替人眼對一幅圖像是否正確聚焦進行判斷;而調(diào)焦搜索算法是運用調(diào)焦評價函數(shù)判斷當前的調(diào)焦狀態(tài),從而實現(xiàn)對調(diào)焦機構(gòu)的控制。
小波變換在時間域和頻率域同時具有良好的局部特性,通過多分辨率分析,小波變換可以捕捉到調(diào)焦過程中圖像的任意細節(jié),因而,基于小波的調(diào)焦評價函數(shù)能夠很好地分辨出圖像聚焦和輕微離焦的情況。但由于該類調(diào)焦評價函數(shù)需要對圖像進行小波分解,計算量較大,以前由于嵌入式處理器速度的限制,在快速自動調(diào)焦系統(tǒng)中應(yīng)用較少。而現(xiàn)在一些DSP芯片擁有超高性能的計算能力,例如TI公司的C667x系列多核DSP,僅單核的處理速度就能達到10000MIPS(每秒百萬條指令),因此,在現(xiàn)有的硬件平臺上采用基于小波的調(diào)焦評價函數(shù)是完全可行的。此外,研究表明基于小波的調(diào)焦評價函數(shù)不但滿足實時性的要求,而且具有較強的抗干擾能力和較高的靈敏度[7-10]。
圖像經(jīng)若干層小波分解后得到一系列的高頻系數(shù),包括水平、垂直和對角方向的細節(jié)系數(shù)。傳統(tǒng)的方法是以各層高頻系數(shù)的平方和作為調(diào)焦評價函數(shù),但根據(jù)人類視覺系統(tǒng)(HVS)特性的研究成果[11],人眼對不同方向、不同空間頻率的刺激有著不同的敏感度,因此,不同層的高頻系數(shù)對視覺效果的貢獻并不相同,即使同一層不同方向的高頻系數(shù)對視覺效果的貢獻也有差異。為了使調(diào)焦評價函數(shù)既客觀準確,又符合人眼的視覺感知特性,本文根據(jù)小波變換與HVS多通道特性相匹配的特點,提出了一種基于HVS加權(quán)的小波調(diào)焦評價函數(shù)。
在調(diào)焦搜索算法中,最常用的是爬山法,以及研究人員改進的一些爬山法[12-14],但仍然需要較長的搜索時間,調(diào)焦速度往往不能滿足需求。為了提高搜索效率,將SOM(Self-organizing Map)神經(jīng)網(wǎng)絡(luò)[15-17]的自動聚類功能應(yīng)用到爬山法中,提出了一種帶有預(yù)測最佳聚焦位置功能的改進爬山搜索法。
人類視覺系統(tǒng)(human visual system,HVS)是由大量功能形態(tài)各異的神經(jīng)細胞通過一定的方式連接組成的信息處理系統(tǒng),是現(xiàn)有的最復(fù)雜的圖像處理系統(tǒng)。目前,許多實驗已經(jīng)發(fā)現(xiàn)了HVS的一系列特性[11],如視覺多通道特性、視覺非線性特性、視覺敏感度帶通特性和掩蓋效應(yīng)等。其中,視覺多通道特性是指人類視覺系統(tǒng)類似于一組有方向的帶通濾波器,對不同顏色,不同方向,不同空間頻率的刺激有著不同的敏感度。視覺敏感度帶通特性是指人眼分辨亮度差異的能力,受到很多條件的影響,空間頻率不同時,對比度敏感的響應(yīng)也不同。視覺敏感度帶通特性可以采用對比敏感度函數(shù)(Contrast Sensitivity Function,CSF)來表征,雖然不同實驗得出的CSF函數(shù)形式各異,但基本都認為HVS的對比度敏感是空間頻率f的函數(shù),且具有帶通濾波器的性質(zhì),為各向異性。目前在圖像處理中常用的CSF函數(shù)表達式為[18]:
其中:f表示圖像的空間頻率,A(f)表示人類視覺的帶通特性。
圖1 CSF特性曲線Fig.1 CSF property curve
CSF函數(shù)的頻率響應(yīng)曲線如圖1所示,橫軸為圖像的空間頻率,單位為周/度(cycle/degree);縱軸為CSF的幅值。從圖1可以看出人眼視覺對某一區(qū)間內(nèi)的空間頻率對比度變化最為敏感,而在頻率較低或較高處敏感度降低。
小波變換是一種時頻分析方法,具有很好的局部時頻特性,能有效地提取信號的局部信息,享有“數(shù)字顯微鏡”的美稱。圖像經(jīng)n層小波分解后,可得到一系列不同頻率不同方向的子帶:低頻子帶LLn反映了圖像的大體結(jié)構(gòu),而高頻子帶HLi、LHi和HHi(i∈1,2,…,n)反映了圖像的邊緣、區(qū)域輪廓等細節(jié)信息。其中,HLi子帶包含了水平方向的高頻信息,LHi子帶包含了垂直方向的高頻信息,HHi包含了對角線方向的高頻信息。
圖像聚焦時,小波分解得到的高頻系數(shù)能量最大,隨著圖像離焦程度的加劇,小波分解后的高頻系數(shù)能量隨之變小。傳統(tǒng)的小波變換評價函數(shù)是將各層小波高頻系數(shù)的平方和作為調(diào)焦評價函數(shù)[19-20],其表達式如下:
式中:n 為小波分解的層數(shù),WHLi、WLHi、WHHi分別為第i層分解所對應(yīng)的水平、垂直、對角方向的高頻系數(shù);SHLi、SLHi、SHHi分別為第i層分解所對應(yīng)的水平、垂直、對角方向的高頻窗口。但根據(jù)人類視覺系統(tǒng)的特性,不同層的高頻系數(shù)對視覺效果的貢獻并不相同,同一層不同方向的高頻系數(shù)對視覺效果的影響也并有差異。為了使調(diào)焦評價函數(shù)既滿足客觀準確的要求,又符合人眼的視覺效果,提出了一種基于HVS加權(quán)的小波調(diào)焦評價函數(shù):
其中:λi為第i層高頻系數(shù)對應(yīng)的權(quán)值(簡稱:空間頻率權(quán)值);α、β、γ分別為水平、垂直、對角方向高頻系數(shù)對應(yīng)的權(quán)值(簡稱:空間方向權(quán)值)。
2.2.1 小波基的選擇
選擇不同的小波基對同一圖像進行分解,得到的分析效果往往差異很大,因此首先應(yīng)該選擇合適的小波基。由于提出的調(diào)焦評價函數(shù)是基于小波變換和HVS視覺多通道特性的相似性,所以選用的小波基不僅需要具有緊支集小和消失矩高的特性,同時,還需要具有很好的能量集中特性和精確重構(gòu)特性。具體的小波基選取標準可以參考文獻[21],本文選用該文獻中的sym8作為小波基。
2.2.2 分解層數(shù)的確定
對圖像進行小波分解時,即使在同一小波基下也會因分解層數(shù)不同而得到不同的效果,因此還需要確定合適的小波分解層數(shù)。采用sym8小波基,對從離焦到正焦再到離焦的圖像序列分別進行1、2、3、4、5層小波分解,對高頻系數(shù)能量的統(tǒng)計結(jié)果如圖2所示。當進行5層小波分解時,清晰度評價函數(shù)出現(xiàn)了拐點,由此可知,對圖像進行5層小波分解時,出現(xiàn)了偽高頻成分,即第5層的高頻成分受到了低頻成分的影響。而只進行1層、2層或3層分解時,評價函數(shù)在聚焦圖像兩側(cè)出現(xiàn)了較大的飽和區(qū),不利于搜索鏡頭的聚焦位置,因此選擇分解層數(shù)n=4比較合適。
圖2 不同分解層分析的性能比較Fig.2 Comparison of performance at different depths
2.2.3 調(diào)焦評價函數(shù)的權(quán)值選取
(1)空間頻率權(quán)值
利用CSF的非線性帶通特性,取相應(yīng)頻帶內(nèi)CSF幅值的平均值作為不同頻帶的高頻系數(shù)的空間頻率權(quán)值。對于4級小波分解,整個頻帶按頻率劃分成5部分,帶有權(quán)值的CSF特性曲線如圖3所示,各個頻帶[LH1,HL1,HH1],[LH2,HL2,HH2],[LH3,HL3,HH3],[LH4,HL4,HH4],LL4在其對應(yīng)頻段上的權(quán)值分別為0.0872,0.5688,0.9455,0.8583,0.42,對其中的高頻子帶的權(quán)值進行歸一化,得到與第i層高頻系數(shù)對應(yīng)的空間頻率權(quán)值分別為:λ1=0.0355、λ2=0.2312、λ3=0.3844、λ4=0.3489。
(2)空間方向權(quán)值
空間方向權(quán)值的確定比較簡單,根據(jù)HVS的視覺多通道特性,視覺系統(tǒng)對水平方向(0°)和垂直方向(90°)的刺激最敏感,而往對角方向的敏感性逐漸減弱,對于對角線方向(45°或135°)的刺激最不敏感。因此,在同一層小波分解后的高頻系數(shù)中,對表示水平方向和垂直方向的高頻系數(shù)賦予較大的權(quán)值,對表示對角方向的高頻系數(shù)賦予較小的權(quán)值,得到各層HL、LH、HH對應(yīng)的空間方向權(quán)值分別為α=0.4、β=0.4、γ=0.2。
圖3 帶有加權(quán)值的CSF特性曲線Fig.3 Weighted CSF property curve
在自動調(diào)焦的搜索算法中,最常用的是爬山法及一些改進的爬山法。爬山法在搜索過程中,電機每前進一個步長就需要停下來計算該位置對應(yīng)圖像的調(diào)焦評價值,然后根據(jù)評價值的變化情況來確定電機下一步的前進方向,且需要對整個調(diào)焦區(qū)域進行全局判斷搜索,這樣大大增加了搜索時間。此外,爬山法容易受到評價函數(shù)局部峰值的干擾而不能準確聚焦。為了克服爬山法的上述缺點,提出了一種基于SOM神經(jīng)網(wǎng)絡(luò)的搜索算法。
自組織映射(Self-organizing Map,SOM)神經(jīng)網(wǎng)絡(luò)[15-17]是一種良好的無導(dǎo)師學(xué)習(xí)聚類網(wǎng)絡(luò),能夠自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性,自組織、自適應(yīng)地改變網(wǎng)絡(luò)權(quán)值和結(jié)構(gòu)。SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是基于競爭學(xué)習(xí)算法實現(xiàn)的。圖4為二維形式的SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
將SOM神經(jīng)網(wǎng)絡(luò)的輸入層和競爭層分別定義如下:
圖4 二維SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Two-dimensional SOM neural network structure
其中:n是輸入層神經(jīng)元的個數(shù);a和b分別是競爭層神經(jīng)元的行數(shù)和列數(shù)。
競爭層k的每個神經(jīng)元k的維數(shù)都與輸入層s的維數(shù)相同,因此,權(quán)向量wi可以表示為:
輸入層各神經(jīng)元通過權(quán)向量wi將外界信息匯集到競爭層的各神經(jīng)元。本文中,輸入層的訓(xùn)練樣本為鏡頭在不同位置處對不同距離的景物所采集圖像的調(diào)焦評價值。根據(jù)自動調(diào)焦的原理,聚焦的圖像對應(yīng)較高的調(diào)焦評價值,而離焦的圖像對應(yīng)較低的調(diào)焦評價值。為了便于說明,僅討論3個目標物體O1、O2、O3在3種不同物距L1、L2、L3下的調(diào)焦情況,根據(jù)提出的小波調(diào)焦評價函數(shù)計算出在不同鏡頭位置處采集的圖像對應(yīng)的調(diào)焦評價值,如圖5所示,并將這一系列評價值作為SOM神經(jīng)網(wǎng)絡(luò)的輸入樣本,SOM網(wǎng)絡(luò)根據(jù)輸入樣本的數(shù)值自動調(diào)節(jié)其網(wǎng)絡(luò)權(quán)值wi,在這種情況下,訓(xùn)練之后的SOM網(wǎng)絡(luò)的輸出層自動分成了9類:第1類對應(yīng)O1和L1,第2類對應(yīng)O1和L2,…,第9類對應(yīng)O3和L3。需要說明的是,權(quán)向量wi的初始值可以定義為任意的隨機數(shù)。
圖5 不同景物在不同鏡頭位置所對應(yīng)的調(diào)焦評價值Fig.5 Focus measures of different objects with different lens positions
通過計算s與wi的歐氏距離,從中選出距離最小的神經(jīng)元作為獲勝神經(jīng)元b (s),其表達式如下:
一旦找到獲勝神經(jīng)元,權(quán)向量wi就可以更新了,與獲勝神經(jīng)元鄰近的所有神經(jīng)元的向量權(quán)值按照式(8)進行調(diào)整:
其中:t為時間參數(shù);η(t)是學(xué)習(xí)率,為隨時間衰減的函數(shù)(t)為以獲勝神經(jīng)元b(s)為中心的鄰域函數(shù),本文采用高斯鄰域函數(shù),其表達式如下:
SOM神經(jīng)網(wǎng)絡(luò)首先需要通過輸入樣本完成訓(xùn)練,訓(xùn)練完成的SOM就可以根據(jù)輸入樣本的數(shù)據(jù)確定其對應(yīng)的輸出類別,電機就根據(jù)定義好的輸出類別將鏡頭移到預(yù)先定義的最佳聚焦位置。用矩陣z來表示預(yù)先定義的最佳聚焦位置,其對應(yīng)的表達式如式(10):
其中:z的維數(shù)與競爭層k的維數(shù)相同。
基于SOM神經(jīng)網(wǎng)絡(luò)的搜索算法的工作流程如圖6所示,在SOM神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練的前提下,首先將鏡頭移回起始位置,接著通過3個鏡頭位置s0、s1和s2的調(diào)焦評價值作為SOM神經(jīng)網(wǎng)絡(luò)的輸入,經(jīng)過訓(xùn)練完成的SOM神經(jīng)網(wǎng)絡(luò)預(yù)測得到最佳聚焦位置s3,然后將鏡頭快速移動到位置s3,再通過SOM網(wǎng)絡(luò)預(yù)測得到一個更加精確的最佳聚焦位置,然后由電機帶動鏡頭繼續(xù)搜索;如此反復(fù)幾次,鏡頭的最佳聚焦位置sw可以輕易找到。
圖6 基于SOM神經(jīng)網(wǎng)絡(luò)的搜索算法Fig.6 Searching algorithm based on SOM neural network
為了驗證提出的調(diào)焦方法,設(shè)計了基于PC機的自動調(diào)焦系統(tǒng)實驗平臺,其流程如圖7所示。系統(tǒng)采用XC-EI30CE CCD攝像機和焦距為10~330mm的Raymax鏡頭,在PC機端使用圖像采集卡天敏SDK2000完成對CCD攝像機輸出圖像的采集,然后在VC++中根據(jù)提出的調(diào)焦算法完成調(diào)焦評價值的計算和調(diào)焦搜索算法對鏡頭的控制,最后通過RS-232接口發(fā)送控制命令到調(diào)焦電機控制板,由其控制電機帶動鏡頭以實現(xiàn)自動調(diào)焦。
圖7 自動調(diào)焦系統(tǒng)流程圖Fig.7 Chart of the auto-focusing system
通過連續(xù)改變鏡頭的位置采集一系列從離焦到聚焦再到離焦的圖像,一共41幅,其中第21幅為聚焦圖像。分別采用文獻[20]提出的基于各層高頻系數(shù)平方和的小波評價函數(shù)、文獻[22]提出的小波評價函數(shù)、以及本文提出的基于HVS加權(quán)的小波評價函數(shù)對采集到的圖像進行分析,得到的調(diào)焦評價曲線如圖8所示。從圖8可以看出,提出的基于HVS加權(quán)的小波評價函數(shù)比文獻[20]提出的小波評價函數(shù)有更高的靈敏度;而與文獻[22]提出的小波評價函數(shù)曲線相比,雖然文獻[22]提出的小波評價函數(shù)曲線在聚焦位置附近具有較高的靈敏度,但是該曲線的有效調(diào)焦區(qū)域過小,過大的調(diào)焦飽和區(qū)不利于調(diào)焦搜索算法尋找最佳聚焦位置;綜上所述,本文提出的小波評價函數(shù)的調(diào)焦曲線特性優(yōu)于文獻[20]和文獻[22]提出的小波評價函數(shù)。
圖8 三種小波調(diào)焦評價函數(shù)的曲線Fig.8 Curves of 3kinds of measure function based on wavelet
先通過改變鏡頭位置對不同物距的景物采集一系列圖像,并將這一系列圖像的調(diào)焦評價值作為訓(xùn)練樣本,用以完成SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練完成的SOM神經(jīng)網(wǎng)絡(luò)就可以用來預(yù)測鏡頭的最佳聚焦位置了,實驗中,將SOM網(wǎng)絡(luò)的輸出層分成49種類別。
選取不同的場景進行了100次調(diào)焦實驗,限于篇幅,僅給出最具代表性的兩組實驗進行分析比較。第1組實驗使用的場景是實驗室對面的大煙囪,如圖9所示,其圖像序列描述了從離焦到聚焦的整個過程,圖像在第6幀時已經(jīng)聚焦。第2組實驗使用的場景是外場的建筑,如圖10所示,其圖像序列描述了從離焦到聚焦的整個過程,圖像在第8幀時已經(jīng)聚焦。
圖9 第1組調(diào)焦實驗的圖像序列Fig.9 Experiment I:Image sequence in auto-focusing process
圖10 第2組調(diào)焦實驗的圖像序列Fig.10 Experiment II:Image sequence in auto-focusing process
自動調(diào)焦的時間主要包括采集圖像、評價圖像和電機驅(qū)動鏡頭的時間。為了將提出的搜索算法與基于全局搜索的爬山法對比,進行了相應(yīng)的比較實驗,記錄了100次調(diào)焦實驗中需要采集和評價的圖像數(shù)目,并做了統(tǒng)計,統(tǒng)計結(jié)果如表1所示。由表1可知,采用提出的改進爬山法在搜索最佳聚焦位置的過程中,平均僅需要采集和評價7.3幅圖像,與基于全局搜索的爬山法相比,減少了電機驅(qū)動鏡頭的次數(shù),節(jié)省了大量時間,提高了自動調(diào)焦的速度。
表1 采集和評價圖像的數(shù)目統(tǒng)計Tab.1 Statistics of the number of images collected and measured
分析了人類視覺系統(tǒng)特性的研究成果,針對HVS多通道特性和小波變換相匹配的特點,提出了一種基于HVS加權(quán)的小波調(diào)焦評價函數(shù)。根據(jù)視覺多通道特性和視覺敏感度帶通特性,分別對不同方向、不同空間頻率的小波高頻系數(shù)進行加權(quán)運算。由于提出的調(diào)焦評價函數(shù)模擬了人類視覺系統(tǒng)的特性,獲得的聚焦圖像更接近于人的主觀評價。為了提高自動調(diào)焦的搜索速度,利用SOM神經(jīng)網(wǎng)絡(luò)的自動聚類功能,提出了一種帶有預(yù)測功能的搜索算法。與基于全局搜索的爬山法相比,提出的搜索算法僅需要采集處理7.3幅圖像就能找到鏡頭的最佳聚焦位置,減少了電機驅(qū)動鏡頭的次數(shù),節(jié)省了大量的搜索時間。實驗結(jié)果表明,本文提出的調(diào)焦方法可以得到符合人眼視覺的調(diào)焦效果,同時調(diào)焦速度也有了較大的提高。
[1]Wang D J,Ding W,Zhang T,et al.A fast auto-focusing technique for the long focal lens TDI CCD camera in remote sensing applications[J].Optics and Laser Technology,2012,7(5):1-8.
[2]盧振華,郭永飛,李云飛,等.利用CCD拼接實現(xiàn)推掃式遙感相機的自動調(diào)焦[J].光學(xué) 精密工程,2012,20(7):1559-1565.Lu Z H,Guo Y F,Li Y F,et al.Realization of auto-focus on APRC using CCD stitching[J].Optics and Precision Engineering,2012,20(7):1559-1565.(in Chinese)
[3]劉炳強,張帆,李景林,等.空間相機調(diào)焦機構(gòu)運動同步性誤差分析[J].中國光學(xué),2013,6(6):946-951.Liu B Q,Zhang F,Li J L,et al.Analysis of synchronous motion error for focusing mechanism of space camera[J].Chinese Optics,2013,6(6):946-951.(in Chinese)
[4]許志濤,龍科慧,劉金國,等.空間相機調(diào)焦機構(gòu)精度檢測系統(tǒng)設(shè)計[J].液晶與顯示,2013,28(6):943-947.Xu Z T,Long K H,Liu J G,et al.Design of focusing mechanism accuracy detection system of space camera[J].Chinese Journal of Liquid Crystals and Displays,2013,28(6):943-947.(in Chinese)
[5]楊會生,張銀鶴,柴方茂,等.離軸三反空間相機調(diào)焦機構(gòu)設(shè)計[J].光學(xué) 精密工程,2013,21(4):948-954.Yang H S,Zhang Y H,Chai F M,et al.Design of focusing mechanism for off-axis TMA space camera[J].Optics and Precision Engineering,2013,21(4):948-954.(in Chinese)
[6]陳偉,丁亞林,惠守文,等.推掃式航空遙感器像面調(diào)焦機構(gòu)設(shè)計[J].中國光學(xué),2012,5(1):30-34.Chen W,Ding Y L,Hui S W,et al.Design of image plane focusing structure for push-scan aerial remote sensing instrument[J].Chinese Optics,2012,5(1):30-34.(in Chinese)
[7]Yin A J,Chen B Q,Zhang Y.Focusing evaluation method based on wavelet transform and adaptive genetic algorithm [J].Optical Engineering,2012,51(2):023201.
[8]王德江,李文明,許永森,等.TDI-CCD全景航空相機快速自動檢調(diào)焦方法[J].光電子·激光,2012,23(8):1452-1457.Wang D J,Li W M,Xu Y S,et al.A fast auto-focusing technique for the TDI-CCD panoramic aerial camera[J].Journal of Optoelectronics·Laser,2012,23(8):1452-1457.(in Chinese)
[9]Pertuz S,Puig D,Garcia M A.Analysis of focus measure operators for shape-from-focus[J].Pattern Recognition,2012:1-18.
[10]陳曉彬.基于小波的自動對焦算法研究[J].通信技術(shù),2010,43(6):210-212.Chen X B.Study on auto-focus algorithm based on wavelet transform [J].Communications Technology,2010,43(6):210-212.(in Chinese)
[11]Daubeehies,Swelden W.Factoring wavelet transforms into lifting steps[J].J.Fourier Anal.Appl,1998,4(3):245-267.
[12]黃德天,吳志勇,劉雪超,等.一種適用于任意目標的離焦深度快速自動聚焦技術(shù)[J].光電子·激光,2013,24(4):799-804.Huang D T,Wu Z Y,Liu X C,et al.A depth from defocus fast auto-focusing technology for any target[J].Journal of Optoelectronics·Laser,2013,24(4):799-804.(in Chinese)
[13]王代華,周鋒,吳朝明.基于閾值的調(diào)焦方向判斷方法[J].儀器儀表學(xué)報,2010,31(8):1813-1818.Wang D H,Zhou F,Wu Z M.Direction judgment method for autofocus based on threshold[J].Chinese Journal of Scientific Instrument,2010,31(8):1813-1818.(in Chinese)
[14]Xu D J.A unified approach to autofocus and alignment for pattern localization using hybrid weighted Hausdorff distance[J].Pattern Recognition Letters,2011(32):1747-1755.
[15]Kohonen T.The self-organization maps[J].Proceedings of the IEEE,1990,78(9):1464-1480.
[16]Kohonen T.Self-Organization and Associative Memory [M].2nd Ed.Berlin:Springer-Verlag,1987.
[17]Kohonen T.Essentials of the self-organizing map[J].Neural Networks,2013(37):52-65.
[18]Mannos J L,Sakrison D J.The effect of a visual fidelity criterion on the encoding of images[J].IEEE Transactions on Inform.Theory,1974,20(2):525-536.
[19]張樂,姜威.多分辨力分析在自動聚焦算法抗噪聲性能中的應(yīng)用[J].光學(xué)學(xué)報,2007,27(12):2150-2154.Zhang L,Jiang W.Application of multi-resolution analysis in anti-noise capability of auto-focusing algorithm [J].Acta Optica Sinica,2007,27(12):2150-2154.(in Chinese)
[20]菅維樂,姜威,周賢.一種基于小波變換的數(shù)字圖像自動聚焦算法[J].山東大學(xué)學(xué)報:工學(xué)版,2004,34(6):38-40,59.Jian W L,Jiang W,Zhou X.Auto-focusing algorithm of digital image based on wavelet transform [J].Journal of Shandong University:Engineering Science,2004,34(6):38-40,59.(in Chinese)
[21]丁藝芳.基于小波變換和視覺系統(tǒng)的圖像質(zhì)量綜合評價新算法[D].上海:上海大學(xué),2001.Ding Y F.A new algorithm for integrated image quality measurement base on wavelet transform and human visual system [D].Shanghai:Shanghai University,2001.(in Chinese)
[22]王義文,劉獻禮,謝暉.基于小波變換的顯微圖像清晰度評價函數(shù)及3-D自動調(diào)焦技術(shù)[J].光學(xué)精密工程,2006,14(6):1063-1069.Wang Y W,Liu X L,Xie H.A wavelet-based focus measure and 3-D autofocusing for microscope images[J].Optics and Precision Engineering,2006,14(6):1063-1069.(in Chinese)