彭國(guó)晉，玉振明，于健海

（1.桂林電子科技大學(xué) 信息與通信學(xué)院，廣西 桂林541004；2.梧州學(xué)院，廣西 梧州543002）

引言

自動(dòng)聚焦技術(shù)是顯微鏡系統(tǒng)中的重要技術(shù)，主要分成兩大類：一類是通過距離信息來實(shí)現(xiàn)自動(dòng)聚焦的主動(dòng)式，另一類是基于數(shù)字圖像技術(shù)的被動(dòng)式。由于被動(dòng)式自動(dòng)聚焦通過采集的圖像序列即可分析系統(tǒng)的聚焦?fàn)顟B(tài)而不需要額外的設(shè)備，所以近年來得到廣泛應(yīng)用［1－2］。在被動(dòng)式自動(dòng)聚焦系統(tǒng)中，聚焦窗口的選擇是關(guān)鍵，直接影響自動(dòng)聚焦的速度和精度，甚至影響聚焦的成?。?］。傳統(tǒng)的聚焦窗口選擇方法有中心取窗法［4－5］，多點(diǎn)取窗法［6］等。文獻(xiàn)［7］闡述了傳統(tǒng)的固定聚焦窗口選擇方法的不足，提出高斯非均勻采樣的方法，該方法有效增大了聚焦窗口的視場(chǎng)，抑制了邊緣區(qū)域背景圖像的影響，但聚焦目標(biāo)偏移中心時(shí)會(huì)導(dǎo)致聚焦失敗。

顯微鏡在遠(yuǎn)焦區(qū)域開始聚焦時(shí)，圖像內(nèi)容分布及豐富程度是未知的，因此固定的取窗法對(duì)顯微鏡系統(tǒng)的適用性不強(qiáng)，尤其是圖像內(nèi)容稀少的情況下，無(wú)法保證關(guān)鍵的圖像內(nèi)容出現(xiàn)在聚焦窗口中，導(dǎo)致聚焦精度下降甚至失敗。近年來，針對(duì)顯微鏡系統(tǒng)的特性，出現(xiàn)了許多自適應(yīng)聚焦窗口選擇的方法。

文獻(xiàn)［8］基于圖像一階矩的自動(dòng)聚焦區(qū)域選擇算法，與文獻(xiàn)［9］基于AFSA的聚焦區(qū)域自適應(yīng)選擇算法，都可以跟蹤偏離中心的主體景物，提高了聚焦效率。文獻(xiàn)［10］提出一種基于內(nèi)容重要度加權(quán)的聚焦函數(shù)增強(qiáng)算法，有效去除了鏡頭雜質(zhì)的影響，但該算法相當(dāng)于將整幅圖像作為聚焦窗口，圖像濾波與求子塊權(quán)值過程計(jì)算復(fù)雜度高。而文獻(xiàn)［11］則在此基礎(chǔ)上提出一種基于圖像子塊重要程度加權(quán)的聚焦窗口選擇方法，根據(jù)最初兩幅圖像的對(duì)應(yīng)子塊梯度變換率獲取子塊權(quán)值，再利用子塊權(quán)值閾值篩選出內(nèi)容豐富子塊作為聚焦窗口，有效減少了計(jì)算量。但該方法的評(píng)價(jià)函數(shù)過于復(fù)雜，當(dāng)用以提取聚焦窗口的兩幅圖像間梯度變化不明顯時(shí)得到的內(nèi)容分布信息并不精確，并且固定子塊重要程度閾值使得聚焦窗口會(huì)隨著圖像內(nèi)容分布范圍的增大而增大，不能有效限制聚焦窗口大小。

針對(duì)上述方法中的不足，本文提出一種根據(jù)遠(yuǎn)焦到近焦過程中內(nèi)容像素變化量衡量子塊的圖像內(nèi)容含量并選擇聚焦窗口的方法，通過降采樣的方式減少高斯濾波與梯度計(jì)算過程的計(jì)算量；對(duì)焦平面圖像進(jìn)行背景模糊檢測(cè)，避免玻片雜質(zhì)造成的焦平面誤判。

1 干擾源與選窗時(shí)刻分析

1.1 干擾源分析

基于梯度的自動(dòng)聚焦方法易受隨機(jī)噪聲、鏡頭雜質(zhì)，玻片雜質(zhì)的干擾而導(dǎo)致聚焦失敗。隨機(jī)噪聲在聚焦過程中一直變化，而鏡頭雜質(zhì)的位置引起的梯度波動(dòng)在整個(gè)聚焦過程中變化不大。玻片雜質(zhì)主要分布在蓋玻片表面，其縱向分布不規(guī)則，各部分景深不一致，無(wú)法同時(shí)達(dá)到最清晰狀態(tài)。玻片雜質(zhì)容易被誤判為標(biāo)本內(nèi)容，導(dǎo)致聚焦過程提前結(jié)束，無(wú)法獲取理想焦平面。

對(duì)隨機(jī)噪聲，使用高斯平滑即可減弱其影響，而對(duì)鏡頭雜質(zhì)，可參考文獻(xiàn)［10］的方法，以遠(yuǎn)焦到近焦過程中梯度變化程度來評(píng)價(jià)圖像清晰度，可有效降低其干擾。對(duì)玻片雜質(zhì)的干擾，可對(duì)當(dāng)前焦平面圖像進(jìn)行模糊檢測(cè)來排除，若存在局部模糊，則進(jìn)行二次聚焦或多次聚焦。

1.2 選窗時(shí)刻分析

聚焦窗口中圖像內(nèi)容越豐富，聚焦效果越好?？紤]到可能存在鏡頭雜質(zhì)的干擾，聚焦窗口無(wú)法通過單一圖像直接確定，須通過載物臺(tái)移動(dòng)，使顯微圖像產(chǎn)生足夠的梯度變化，然后根據(jù)各子塊梯度變化程度確定圖像內(nèi)容分布，再劃分聚焦窗口。受噪聲與鏡頭雜質(zhì)的干擾，圖像梯度變化總量產(chǎn)生局部極值，難以把握有效的選窗時(shí)刻。選窗過早，圖像內(nèi)容的梯度變化量不足，與噪聲引起的梯度波動(dòng)區(qū)別不明顯，導(dǎo)致聚焦窗口精度不足；而選窗過晚則不能充分發(fā)揮聚焦窗口的作用，剔除無(wú)效背景子塊并降低聚焦過程中濾波與梯度計(jì)算復(fù)雜度，因此需要一種能自動(dòng)根據(jù)圖像內(nèi)容變化程度來確定聚焦窗口的靈活取窗方法。

2 方法改進(jìn)

2.1 圖像內(nèi)容變化量評(píng)價(jià)方式

對(duì)內(nèi)容區(qū)域的像素，從遠(yuǎn)焦到近焦過程中，其梯度變化緩慢，但灰度會(huì)有一定的變化；進(jìn)入近焦區(qū)域后，其灰度變化會(huì)放緩，但梯度變化明顯。本文將采集的圖像中灰度值較初始參考圖像有一定變化的像素稱為灰度差像素，將邊緣像素與灰度差像素統(tǒng)稱為內(nèi)容像素，并以其作為圖像內(nèi)容含量的指標(biāo)。這種以內(nèi)容像素?cái)?shù)量表征圖像內(nèi)容的方式能夠降低單個(gè)像素的運(yùn)算值在評(píng)價(jià)結(jié)果中的比重，無(wú)論噪聲引起的隨機(jī)波動(dòng)有多大，產(chǎn)生誤判后，評(píng)價(jià)結(jié)果變化量只是1，可提高圖像內(nèi)容變化量曲線的平滑程度。與評(píng)價(jià)曲線尖銳性的清晰度評(píng)價(jià)方式不同，平滑穩(wěn)定的子塊局部?jī)?nèi)容變化量曲線能有效區(qū)分鏡頭雜質(zhì)與圖像內(nèi)容，使聚焦窗口的選擇更加精確，而平滑的內(nèi)容變化總量曲線則有利于確定有效的選窗時(shí)刻，及早獲取聚焦窗口。

將圖像分塊，各子塊以灰度差閾值T1劃分灰度差像素，如（1）式，以梯度閾值T2劃分邊緣像素，如（2）式，其中梯度計(jì)算方法如（3）式，再通過（4）式對(duì)兩種像素加權(quán)平均。其中k表示載物臺(tái)移動(dòng)次數(shù)，（i，j）表示圖像子塊坐標(biāo)，（x，y）表示像素坐標(biāo)，fk（x，y）表示像素灰度值，G 表示子塊灰度差像素總和，E為邊緣像素總和，N′為兩者的加權(quán)平均。由于聚焦過程中光強(qiáng)總是保持穩(wěn)定的，可以不考慮光強(qiáng)變化對(duì)這種圖像內(nèi)容評(píng)價(jià)方式的影響。

使用均值濾波進(jìn)一步平滑子塊的內(nèi)容像素變化量曲線，如（5）式：

對(duì)于大小為m×n的子塊，像素總量上限為m×n，遠(yuǎn)比子塊梯度總和的分布范圍小，可將子塊像素總和的1%作為閾值，進(jìn)一步減少局部評(píng)價(jià)函數(shù)曲線的波動(dòng)，如（6）式：

2.2 聚焦窗口選擇

圖像濾波是聚焦過程不可缺少的環(huán)節(jié)，其中高斯濾波器效果較好，但計(jì)算復(fù)雜度較高。與直接對(duì)圖像進(jìn)行高斯濾波相比，對(duì)圖像降采樣處理后再進(jìn)行高斯濾波，能大幅降低計(jì)算復(fù)雜度。降采樣后圖像會(huì)損失一部分信息，但圖像內(nèi)容分布、各子塊內(nèi)容像素比例變化不大，可通過降采樣后圖像內(nèi)容分布情況估算出原圖像內(nèi)容分布情況。圖1（a）為顯微圖像序列的降采樣過程示例，圖1（b～d）分別為從聚焦起點(diǎn)到理想焦平面過程中的梯度變化量以及降采樣前后內(nèi)容像素變化量的歸一化分布情況。圖1（b～d）三者幅值最大的若干個(gè)子塊位置基本一致，可通過圖1（d）中內(nèi)容像素變化明顯的子塊的位置估計(jì)出圖1（c）梯度變化明顯的子塊的位置，從降采樣圖像中確定的聚焦窗口也可以應(yīng)用到原圖像中。

圖1 降采樣過程與歸一化圖像內(nèi)容分布Fig.1 Downsampling process and normalized image content distribution

內(nèi)容像素變化總量Hk由降采樣圖像中內(nèi)容像素變化量最大的4個(gè)子塊累加后，再以（5）式的方法進(jìn)行均值平滑獲得。當(dāng)Hk－1／Hk＞0.8時(shí)，內(nèi)容像素變化率降至25%，各子塊內(nèi)容像素含量關(guān)系趨于穩(wěn)定，在這個(gè)時(shí)刻確定聚焦窗口能有效保證聚焦窗口的精度，故將 Hk－1／Hk＞0.8作為取窗條件。以圖1（a）為例，圖2為相應(yīng)的內(nèi)容像素變化總量Hk曲線以及原圖像梯度變化總量曲線，圖3是相鄰圖像的內(nèi)容像素變化總量比值Hk－1／Hk曲線。

圖2 梯度、內(nèi)容像素變化總量曲線Fig.2 Total variation curve of gradient and content pixels

圖3 Hk－1／Hk 比值曲線Fig.3 Curve of Hk－1to Hkratio

圖2中，梯度變化總量曲線峰值尖銳，但波動(dòng)較大，存在較多的局部極值，而內(nèi)容像素變化總量曲線則比較平緩，波動(dòng)較少，這對(duì)確定選窗時(shí)刻十分有利。圖3中，滿足取窗條件的位置在x＝45處，若以梯度變化總量曲線峰值位置表示理想焦平面位置，如圖2中x＝65處，則取窗位置與理想焦平面的間隔 △x＝20，有效降低了后續(xù)的計(jì)算復(fù)雜度。

滿足選窗條件后，將內(nèi)容像素變化量最大的4個(gè)子塊Nk（i，j）max（0）～Nk（i，j）max（3）作為聚焦窗口備選子塊，若滿足（7）式，表示內(nèi)容像素增量只集中在4個(gè)備選子塊的前n個(gè)，選擇前n個(gè)作為聚焦窗口，否則4個(gè)子塊均作為聚焦窗口，這樣能將聚焦窗口限制在4個(gè)子塊以內(nèi)，不會(huì)隨圖像內(nèi)容變化而擴(kuò)大。圖4為最終的取窗效果，聚焦窗口由圖中的黑框子塊構(gòu)成，所含圖像內(nèi)容豐富，精度較高。

圖4 構(gòu)成聚焦窗口的子塊Fig.4 Result of windows selection

2.3 玻片雜質(zhì)處理

一般認(rèn)為，標(biāo)本各部分均處于同一焦平面，而玻片雜質(zhì)的縱向分布不規(guī)則，各部分的焦平面并不相同。圖5為含玻片雜質(zhì)的顯微圖像序列，其中圖5（c）為理想焦平面圖像。當(dāng)玻片雜質(zhì)某部分處于正焦?fàn)顟B(tài)時(shí)，其余部分可能處于失焦模糊狀態(tài)，如圖5（a）所示。由于蓋玻片通常比較薄，當(dāng)焦平面處于蓋玻片表面位置時(shí)，視野中開始出現(xiàn)標(biāo)本模糊輪廓，如圖5（b）所示。因此，當(dāng)焦平面為非理想焦平面時(shí)，視野內(nèi)總存在局部模糊區(qū)域。根據(jù)這個(gè)特點(diǎn)，可通過對(duì)焦平面圖像進(jìn)行局部模糊檢測(cè)來確定當(dāng)前焦平面是否為理想焦平面。

圖5 含玻片雜質(zhì)的顯微圖像序列Fig.5 Microscopic image sequence with impurities on coverslips

局部標(biāo)準(zhǔn)差反映圖像局部灰度的變化程度［12］。局部失焦模糊區(qū)域銳利邊緣像素較少，灰度變化緩慢，故局部標(biāo)準(zhǔn)差較小，而正焦清晰區(qū)域銳利邊緣像素較多，一般具有較大的局部標(biāo)準(zhǔn)差，因此本文使用局部標(biāo)準(zhǔn)差與銳利邊緣像素?cái)?shù)量來聯(lián)合檢測(cè)當(dāng)前焦平面的局部模糊區(qū)域，如式（8）和式（9）。

式中：（i，j）表示子塊坐標(biāo)；（x，y）表示像素坐標(biāo)。對(duì)（8）式，Δf（x，y）為當(dāng)前焦平面圖像與參考圖像的像素灰度差，子塊大小為n×m，灰度均值為對(duì)（9）式，Gten表示以tenengrad函數(shù)計(jì)算的像素梯度，Sedge表示子塊的銳利邊緣像素總和。Ts為銳利邊緣像素的梯度判決閾值。Ts較小時(shí)，失焦模糊區(qū)域像素會(huì)誤判為銳利邊緣像素，而Ts過大時(shí)，清晰區(qū)域中銳利邊緣像素會(huì)大幅減少，均無(wú)法區(qū)分局部模糊區(qū)域與清晰區(qū)域。經(jīng)過多次實(shí)驗(yàn)，Ts取2 000時(shí)，模糊區(qū)域子塊存在一定的局部標(biāo)準(zhǔn)差，但幾乎不含銳利邊緣像素，區(qū)分效果較好。

玻片雜質(zhì)焦平面圖像的子塊主要分為清晰子塊，模糊子塊與零內(nèi)容子塊3種，其中模糊子塊的檢測(cè)是2次聚焦成功的關(guān)鍵。本文通過式（10）和（11）檢測(cè)模糊子塊，Lblur表示子塊模糊值。

對(duì)零內(nèi)容子塊，由于σk（i，j）＝0，故Lblur（i，j）＝0。

對(duì)模糊子塊，合適的Ts可使Sedge（i，j）＝0，σk（i，j）＞0，故：

Lblur（i，j）＝ ［σk（i，j）／0.1］≥10

對(duì)于清晰子塊，由于Sedge（i，j）≥1，σk（i，j）≥1，故Lblur≤ ［σk（i，j）／5.1］，若要Lblur≥10，則有σk（i，j）≥50。通常情況下，當(dāng)σk（i，j）≥50時(shí)，圖像內(nèi)容比較豐富，Sedge（i，j）數(shù)值比較大，這就使清晰子塊的模糊值滿足Lblur＜10。

因此，可令TL＝15，通過（11）式將零內(nèi)容子塊與清晰子塊歸為一類。對(duì)焦平面圖像，若存在Lblur＞TL的子塊，則認(rèn)為該焦平面不是理想焦平面，可剔除當(dāng)前聚焦窗口后重新選取模糊值最大的若干個(gè)子塊作為聚焦窗口進(jìn)行二次聚焦，否則結(jié)束調(diào)焦。

圖6（a）～（c）為圖5（a）～（c）焦平面圖像的模糊值分布。從圖6中可以看出，非理想焦平面圖像中包含較多圖像模糊子塊，無(wú)法同時(shí)達(dá)到清晰狀態(tài)。而理想焦平面圖像各子塊模糊值幾乎全為0，不存在失焦模糊區(qū)域。通過聚焦窗口獲取焦平面圖像后，再利用本文方法能有效檢測(cè)出失焦模糊區(qū)域，確定當(dāng)前焦平面是否為理想焦平面，降低焦平面誤判率。

圖6 各焦平面圖像的模糊值分布Fig.6 Distribution of Lblurat each focal plane

3 聚焦實(shí)驗(yàn)

實(shí)驗(yàn)平臺(tái)采用梧州學(xué)院信號(hào)處理實(shí)驗(yàn)室與梧州奧卡光學(xué)儀器公司聯(lián)合研發(fā)的遠(yuǎn)程顯微工作站，實(shí)物與軟件界面如圖7（a）和7（b）。實(shí)驗(yàn)均使用離焦－清晰－離焦的顯微圖像序列，分辨率統(tǒng)一為640pix×480pix，圖像采集間隔為0.05mm。

圖7 顯微工作站Fig.7 Microscope work station

3.1 內(nèi)容變化量評(píng)價(jià)方式

將基于內(nèi)容像素變化與基于梯度變化的兩種圖像內(nèi)容變化量評(píng)價(jià)方式進(jìn)行比較，選取兩組受隨機(jī)噪聲與鏡頭雜質(zhì)干擾的顯微圖像序列，正焦圖像如圖8（a）和8（b），其中序列8（a）內(nèi)容稀少，而序列8（b）內(nèi)容豐富，T1取15，T2取35。圖9和圖10分別是序列8（a）和8（b）中，內(nèi)容區(qū)域與鏡頭雜質(zhì)區(qū)域從遠(yuǎn)焦到近焦過程中tenengrad、brenner梯度變化量曲線以及內(nèi)容像素變化量曲線。

圖8 含噪聲與鏡頭雜質(zhì)的序列的正焦圖像Fig.8 Ideal focal plane images of microscopic image sequences with noise and lens impurities

從圖9（a）和9（b）、圖10（a）和10（b）可以看出，tenengrad、brenner方法中內(nèi)容區(qū)域的梯度變化量曲線波動(dòng)較小，而雜質(zhì)區(qū)域梯度變化量曲線一直處于波動(dòng)狀態(tài)。當(dāng)顯微鏡處于遠(yuǎn)焦?fàn)顟B(tài)時(shí)，如圖9（a）和9（b）中x＜40的區(qū)間與圖10（a）和10（b）的x＜60的區(qū)間，圖像內(nèi)容梯度變化被鏡頭雜質(zhì)的梯度波動(dòng)淹沒，基于梯度變化量的內(nèi)容分布信息并不準(zhǔn)確；直到顯微鏡處于近焦?fàn)顟B(tài)時(shí)，如圖9（a）和9（b）中x＞50的區(qū)間與圖10（a）和10（b）中x＞70的區(qū)間，圖像內(nèi)容與鏡頭雜質(zhì)的梯度變化量才有較明顯的區(qū)別。

從圖9（c）和圖10（c）可以看出，無(wú)論是雜質(zhì)區(qū)域還是內(nèi)容區(qū)域，內(nèi)容像素變化量曲線在聚焦過程中波動(dòng)極小，可以直觀區(qū)分內(nèi)容區(qū)域與鏡頭雜質(zhì)區(qū)域，精確地得到各區(qū)域的內(nèi)容像素變化量情況，從而確定圖像內(nèi)容分布。

圖9 圖8（a）的內(nèi)容區(qū)域與雜質(zhì)區(qū)域的局部?jī)?nèi)容變化曲線Fig.9 Image content changing curves of content area and impurities area in Fig.8（a）

圖10 圖8（b）的內(nèi)容區(qū)域與雜質(zhì)區(qū)域的局部?jī)?nèi)容變化曲線Fig.10 Image content changing curves of content area and impurities area in Fig.8（b）

另外，從遠(yuǎn)焦到近焦過程中，內(nèi)容區(qū)域出現(xiàn)模糊輪廓時(shí)梯度變化并不明顯，但像素的灰度已有一定的變化。如圖9（a）和9（b）的25＜x＜40區(qū)間與圖10（a）和10（b）的40＜x＜60區(qū)間，內(nèi)容區(qū)域的梯度變化量仍然淹沒在雜質(zhì)區(qū)域的梯度波動(dòng)中，而本文方法的內(nèi)容像素變化量曲線在這2個(gè)區(qū)間已可以有效地將2個(gè)區(qū)域區(qū)分開，如圖9（c）和10（c）。因此，本文的內(nèi)容像素變化量評(píng)價(jià)方法可以較早提取內(nèi)容豐富區(qū)域，從而確定聚焦窗口。

3.2 聚焦窗口選擇

圖11 顯微圖像序列Fig.11 Microscopic image sequences

將本文方法與傳統(tǒng)的固定取窗方法、文獻(xiàn)［11］的非固定取窗方法進(jìn)行對(duì)比實(shí)驗(yàn)，選用的4組顯微圖像序列，正焦圖像如圖11（a）～11（d）。梯度計(jì)算均使用性能優(yōu)異的tenengrad函數(shù)。序列（1）和（3）起始點(diǎn)在遠(yuǎn)焦區(qū)域，序列（4）起始點(diǎn)在近焦區(qū)域，起始點(diǎn)到焦平面附近所需的大致移動(dòng)步數(shù)分別為85、70、64、25。序列（1）和（2）內(nèi)容豐富，序列（3）和（4）內(nèi)容稀少，其中序列（3）的內(nèi)容分布比較零散，并含有較多的鏡頭雜質(zhì)與噪聲；序列（4）的內(nèi)容只分布在圖像右下角。

3.2.1 與固定取窗方法比較

圖12 本文方法與傳統(tǒng)方法比較Fig.12 Comparison between proposed method and traditional method

與傳統(tǒng)的固定取窗方法比較的實(shí)驗(yàn)結(jié)果如圖12（a）～12（d），分別對(duì)應(yīng)序列（1）～（4）。從實(shí)驗(yàn)結(jié)果可以看出，對(duì)內(nèi)容豐富序列（1）和（2），倒T法和黃金分割多點(diǎn)取窗法效果略優(yōu)于本文方法，這是由于固定取窗法窗口比例較大，在圖像內(nèi)容豐富的情況下能納入更多的圖像內(nèi)容，因此曲線比較尖銳。而對(duì)圖像內(nèi)容稀少的序列（3）和（4），傳統(tǒng)的固定取窗方法由于聚焦窗口內(nèi)圖像內(nèi)容較少，納入的非內(nèi)容區(qū)域過多，導(dǎo)致聚焦評(píng)價(jià)曲線出現(xiàn)形變和局部峰值，而本文所提的方法仍能較好地保持尖銳性和單峰性，從聚焦起始點(diǎn)至焦平面的局部峰值較少，對(duì)圖像內(nèi)容分布不同的序列均能獲取有效的聚焦窗口。對(duì)4個(gè)序列，本文方法的取窗時(shí)刻分別在43、63、45、17處，離曲線的頂點(diǎn)還有一段距離，可降低后續(xù)焦平面搜索過程的計(jì)算量。

3.2.2 與非固定取窗方法比較

在一定范圍內(nèi)，所選的聚焦窗口越小，后續(xù)的聚焦過程計(jì)算量越小，并且聚焦窗口在理想焦平面的像素梯度均值越大，表明聚焦窗口的圖像內(nèi)容越豐富，本文用聚焦窗口的大小與像素梯度均值衡量取窗效果，與文獻(xiàn)［11］方法進(jìn)行比較實(shí)驗(yàn)。文獻(xiàn)［11］將圖像分成48個(gè)子塊，各子塊比重均值為1／48，本文選取0.025、0.035、0.045作為比重閾值，從起始點(diǎn)移動(dòng)15、45、60后用子塊比重閾值確定聚焦窗口，結(jié)果如表1所示。取窗點(diǎn)落在近焦區(qū)域時(shí)，如序列（1）～（3）移動(dòng)距離為60時(shí)以及序列（4）移動(dòng)距離為15時(shí)，文獻(xiàn)［11］方法能有效獲取聚焦窗口；當(dāng)取窗點(diǎn)落在遠(yuǎn)焦區(qū)域時(shí)，如序列（1）～（3）移動(dòng)步數(shù)為15、45時(shí)，由于各子塊的梯度變化量均不明顯，比重閾值大于0.035時(shí)容易導(dǎo)致取窗失敗，而以0.025為閾值時(shí)，各序列的聚焦窗口平均大小為原圖像的19%，則難以限制聚焦窗口。因此對(duì)聚焦起點(diǎn)未知的情況，文獻(xiàn)［11］方法難以確定統(tǒng)一的子塊比重閾值與移動(dòng)距離，取窗靈活度有限。

本文方法能在聚焦起始點(diǎn)未知的情況下自動(dòng)根據(jù)圖像內(nèi)容變化情況來確定聚焦窗口，并限制在4個(gè)子塊以內(nèi)，有效解決圖像內(nèi)容分布均勻情況下聚焦窗口擴(kuò)大的問題，并且本文方法選取的聚焦窗口在理想焦平面內(nèi)像素梯度均值較高，圖像內(nèi)容豐富。

表1 取窗效果比較Table 1 Comparison of windows selection

3.3 算法實(shí)時(shí)性

在PC機(jī)上測(cè)試本文方法的實(shí)時(shí)性，PC機(jī)參數(shù)為CPU：intel E5700，內(nèi)存3G，與傳統(tǒng)方法比較，所得結(jié)果如表2所示。從表2可以看出，本文方法處理圖片的平均耗時(shí)在4ms以內(nèi)，與中心取窗法、倒T選擇法、黃金分割多點(diǎn)取窗法相當(dāng)，可以有效保證聚焦實(shí)時(shí)性。取窗越早，或者所選擇的聚焦窗口越小，圖片處理的平均耗時(shí)就越小，如序列（1），理想焦平面在x＝85附近，在x＝43處取窗，取窗較早，而序列（4）的圖像內(nèi)容只集中在一個(gè)子塊，需要處理的內(nèi)容少，故兩者圖片處理平均耗時(shí)都較少。

表2 圖片處理平均耗時(shí)Table 2 Average time cost for image processing ms

4 總結(jié)

光學(xué)顯微鏡系統(tǒng)聚焦過程中，無(wú)法預(yù)知圖像內(nèi)容分布與豐富程度，傳統(tǒng)的固定取窗方法難以保證聚焦窗口中有足夠的圖像內(nèi)容，當(dāng)圖像內(nèi)容偏離聚焦窗口時(shí)容易導(dǎo)致聚焦失敗。本文使用分塊檢測(cè)方式獲取圖像內(nèi)容分布信息，以內(nèi)容像素變化量表征圖像內(nèi)容含量，并據(jù)此選取聚焦窗口，大大減小噪聲干擾，同時(shí)提高鏡頭雜質(zhì)區(qū)域與內(nèi)容區(qū)域的內(nèi)容變化量曲線平滑程度，有效區(qū)分鏡頭雜質(zhì)與圖像內(nèi)容。而平滑穩(wěn)定的內(nèi)容變化量曲線也有利于根據(jù)圖像內(nèi)容含量，精確選擇取窗時(shí)刻，及早獲得聚焦窗口，降低計(jì)算復(fù)雜度。

由于聚焦過程中易受玻片劃痕、雜質(zhì)等的干擾，所獲取的焦平面可能并不是理想焦平面，只能得到雜質(zhì)的清晰圖像而無(wú)法得到標(biāo)本的清晰圖像。針對(duì)這種情況，可對(duì)當(dāng)前焦平面圖像采用局部標(biāo)準(zhǔn)差與銳利邊緣像素聯(lián)合檢測(cè)局部模糊區(qū)域，若存在局部模糊區(qū)域，則選取模糊量比較大的子塊進(jìn)行二次聚焦，能有效解決玻片雜質(zhì)干擾導(dǎo)致無(wú)法獲取理想焦平面的問題。

［1］ Zhang Yatao，Ji Shupeng，Wang Qiangfeng.Definition evaluation algorithm based on regional contrast［J］.Journal of Applied Optics，2012，33（2）：293－299.張亞濤，吉書鵬，王強(qiáng)鋒，等.基于區(qū)域?qū)Ρ榷鹊膱D像清晰度評(píng)價(jià)算法 ［J］.應(yīng)用光學(xué)，2012，33（2）：293－299.

［2］ You Yuhu，Liu Tong，Liu Jiawen.Survey of the autofocus method based on image processing［J］.Laser ＆Infrared，2013，42（2）：132－136.尤玉虎，劉通，劉佳文.基于圖像處理的自動(dòng)對(duì)焦技術(shù)綜述［J］.激光與紅外，2013，42（2）：132－136.

［3］ Zheng Yuanyuan.Studies on auto－focus system［D］Jinan：Shandong University，2012.鄭媛媛.自動(dòng)聚焦算法研究［D］.濟(jì)南：山東大學(xué)，2012.

［4］ Chen Guojin.Study on the auto－focusing technology of digital image and realization for an auto－focusing system［D］.Xi’an：Xidian University，2007.陳國(guó)金.數(shù)字圖像自動(dòng)聚焦技術(shù)研究及系統(tǒng)實(shí)現(xiàn)［D］.西安：西安電子科技大學(xué)，2007.

［5］ He Jie，Zhou Rongzhen，Hong Zhiliang.Modified fast climbing search auto－focus algorithm with adaptive step size searching technique for digital camera［J］.IEEE Transactions on Consumer Electronics，2003，49（2）：257－262.

［6］ Li Qi，F(xiàn)eng Huajun，Xu Zhihai.Autofocus system experiment study using variational image－sampling［J］Acta Photonica Sinica，2003，32（12）：1499－1501.李奇，馮華君，徐之海.自動(dòng)對(duì)焦系統(tǒng)中圖像非均勻采樣的實(shí)驗(yàn)研究［J］.光子學(xué)報(bào)，2003，32（12）：1499－1501.

［7］ Zhu Kongfeng，Jiang Wei，Gao Zan.Focusing windows choice and parameters determination in automatic focusing system［J］.Acta Optica Sinica，2006，26（6）：777－778.朱孔鳳，姜威，高贊，等.自動(dòng)聚焦系統(tǒng)中聚焦窗口的選擇及參量的確定［J］.光學(xué)學(xué)報(bào)，2006，26（6）：777－780.

［8］ Zhang Le，Jiang Wei，Gao Zan.Automatic focusing region selection algorithm based on first order of digital image［J］.Optical Technique，2008，34（2）：163－169.張樂，姜威，高贊，等.數(shù)字圖像一階矩的自動(dòng)聚焦區(qū)域選擇算法［J］.光學(xué)技術(shù)，2008，34（2）：163－169.

［9］ Wang Yanfang，Jiang wei.Application of artificial fish swarm algorithm on adaptive auto－focusing window selection［J］.Computer Engineering and Applications，2011，47（14）：180－229.王彥芳，姜威.應(yīng)用于聚焦窗口自適應(yīng)選擇的人工魚群算法改進(jìn)［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（14）：180－229.

［10］Zhai Yongping，Liu Yunhui.Auto focusing method for microscope with low image content density［J］.Journal of Software，2012，23（5）：1281－1294.翟永平，劉云輝.稀疏圖像內(nèi)容情況下顯微鏡自動(dòng)聚焦算法［J］.軟件學(xué)報(bào)，2012，23（5）：1281－1294.

［11］Li Huiguang，WANG Shuai.Study of auto focusing technique of micro－vision system［J］.Opto－Electronic Engineering，2014，41（8）：1－9.（in Chinese）.李惠光，王帥.顯微視覺系統(tǒng)中自動(dòng)聚焦技術(shù)的研究［J］.光電工程，2014，41（8）：1－9.

［12］Xian Zhaoyong.Research on image blur detection and blurred region segmentation［D］.Nanning：Guangxi University，2013.咸兆勇.圖像模糊檢測(cè)與模糊區(qū)域分割研究［D］.南寧：廣西大學(xué)，2013.