田文利(陜西財經(jīng)職業(yè)技術(shù)學(xué)院, 咸陽 712000)

基于圖像清晰度評價函數(shù)與自動取窗對焦的目標視覺調(diào)焦算法

田文利
(陜西財經(jīng)職業(yè)技術(shù)學(xué)院, 咸陽 712000)

為了解決當(dāng)前顯微視覺系統(tǒng)在視場小、景深短和聚焦精度要求高的狀況下存在離焦問題，難以滿足精密制造業(yè)的高精度測量的要求，分別從清晰度評價、聚焦窗口動態(tài)選擇和對焦搜索的角度出發(fā)，提出了基于清晰度評價函數(shù)與自動取窗對焦的工業(yè)顯微視覺調(diào)焦系統(tǒng)。根據(jù)灰度梯度函數(shù)和頻域分析函數(shù)，設(shè)計了耦合空間域與頻域的清晰度評價算法，全面評價圖像清晰度。對圖像進行分塊處理，根據(jù)子塊灰度梯度變化程度，分離感興趣區(qū)域與背景，實現(xiàn)動態(tài)智能選擇聚焦窗口的目的。根據(jù)像方焦平面的單峰性特征，動態(tài)調(diào)整多步長與單步長，改進了爬山搜索算法，準確定位焦平面，提高聚焦準確度。實驗測試結(jié)果顯示：與當(dāng)前顯微視覺調(diào)焦技術(shù)相比，本文算法具有更高的準確性與實時性。

顯微視覺； 清晰度評價； 聚焦窗口； 爬山搜索； 灰度梯度函數(shù)； 對焦搜索

Abstract： In order to solve the current micro vision systems such as small visual field, short depth and insufficiency from coke in high accuracy requirement, from the definition evaluation algorithm, dynamic focusing window selection and focus search algorithm, this paper presents evaluation function and the automatic fetching window for industrial microscopic visual focusing system. First of all, according to the gray gradient function and frequency domain analysis function, it designs the coupling of clarity evaluation algorithm of time domain and frequency domain. And then, it blocks the image, based on the sub-block gray gradient change degree, to distinguish the interested region and background, and achieves the goal of dynamic intelligent choice focused window. Finally, according to the unimodal feature of the focal plane, like the organic adjustment of step length and step length, it puts forward an improved climbing search algorithm. Test results show that compared with the current microscopic visual focus systems, this system has higher accuracy and better real-time performance.

Keywords： Micro vision; Sharpness evaluation; Focusing window; Hill-climbing search; Gray level gradient function; Focus search

0 引言

精密制造行業(yè)對于零部件的測量要求往往很高，需要用到顯微視覺系統(tǒng)，對極小的物體進行成像測量，達到精密測量的目的[1-2]。但是顯微視覺系統(tǒng)由于本身的局限，成像視野小、景深小，從而對系統(tǒng)的快速準確聚焦能力很高，從而限制了精密制造業(yè)的進一步發(fā)展。

在顯微視覺方面，國內(nèi)研究人員已經(jīng)取得了一定研究成果，如郭建[3]提出了基于PSD的顯微鏡硬件自動聚焦系統(tǒng)，結(jié)合光學(xué)原理，進行了位置檢測，根據(jù)聚焦提出的精度，然后由MCU對實驗數(shù)據(jù)進行了線性化處理，從而得到了位移變化量和數(shù)據(jù)之間較好的對應(yīng)關(guān)系，最終獲得了精準的焦點位置。但是，此技術(shù)未充分考慮聚焦窗口對聚焦精度的影響，也未對清晰度函數(shù)做整合處理，不能全面的評價圖像清晰度，往往影響了聚焦準確性。朱倩[4]提出了梯度與相關(guān)性結(jié)合的自動聚焦系統(tǒng)，清晰度評價函數(shù)是自動聚焦技術(shù)的核心部分,性能良好的聚焦曲線應(yīng)該具有單峰性、無偏性、高靈敏度和抗噪性，通過將梯度差分與統(tǒng)計相關(guān)結(jié)合使用，提出了一種用鄰域互相關(guān)對每個像素的梯度值進行加權(quán)的算法，并設(shè)定閾值去除貢獻小的像素點。然而，這種技術(shù)僅考慮聚焦點有效性的優(yōu)化，未考慮焦平面搜索算法的準確度，往往不能達聚焦準確目的。

為此，為了提高顯微視覺系統(tǒng)聚焦功能的穩(wěn)定性，以及精度與速度，本文提出了基于清晰度評價與自動取窗對焦的顯微視覺調(diào)焦算法，并編程實現(xiàn)與驗證本文調(diào)焦系統(tǒng)功能。

1 本文顯微視覺調(diào)焦算法

待聚焦原圖,如圖1所示。

為清晰度測試卡的對焦內(nèi)容，可見成像基本清晰，但是仍可進一步提高，本研究后續(xù)以該測試卡展開實驗分析。顯微視覺系統(tǒng)架構(gòu),如圖2所示。

圖1 待聚焦原圖

圖2 視覺打光結(jié)構(gòu)

測試卡在顯微采集視野的正下方，即視覺硬件打光方式。軟件系統(tǒng)整體架構(gòu),如圖3所示。

圖3 系統(tǒng)軟件架構(gòu)

首先進行顯微系統(tǒng)初始化，對測試卡進行鏡下圖像采集，根據(jù)本研究的聚焦窗口自主選擇技術(shù)，確定聚焦窗口位置，計算其所在區(qū)域的清晰度函數(shù)值，并綜合評價，然后開始調(diào)整鏡頭高低，搜索焦平面位置，最后達到準確對焦，得到清晰圖像的目的。

1.1 清晰度評價函數(shù)

準確聚焦的前提是準確應(yīng)用圖像清晰度評價函數(shù)判斷當(dāng)前圖像清晰與否，即判斷圖像細節(jié)是否豐富[5-7]。在空間域表現(xiàn)為相鄰像素特征值變化大小，在頻域表現(xiàn)為頻譜高頻分量的多少[8-10]。清晰度評價函數(shù)分為空間域與頻域兩類，空間域主要是灰度梯度函數(shù)利用圖像各像素點間的灰度變化來表示圖像清晰度，比如：梯度向量模函數(shù)、梯度濾波器函數(shù)、灰度漲落變化函數(shù)、拉普拉斯函數(shù)[11-13]。頻域主要是基于傅里葉變換的高頻幅值和函數(shù)。梯度向量模函數(shù)式如式(1)。

(1)

其中，F(xiàn)1代表梯度向量模方函數(shù)值]，f(x,y)為圖像中坐標(x,y)上的灰度值，M、N為圖像寬和高。梯度濾波器函數(shù)如式(2)。

(2)

其中，F(xiàn)2代表梯度濾波器函數(shù)值，k為梯度步長常數(shù)(本研究設(shè)置為6)?；叶葷q落變化函數(shù)如式(3)。

(3)

其中，F(xiàn)3代表灰度漲落變化函數(shù)值，u代表圖像灰度均值，如式(4)。

(4)

拉普拉斯函數(shù)式(5)。[14-15]

(5)

其中，F(xiàn)4代表拉普拉斯函數(shù)值。聚焦良好的圖像具有清晰邊緣與豐富細節(jié)，這些與頻域傅里葉變換后所含高頻含量對應(yīng)，高頻幅值和函數(shù)如式(6)。

(6)

其中，F(xiàn)5代表高頻幅值和函數(shù)值，代表高頻分量和，W1、W2如式(7)。

(7)

本研究的改進點在于綜合多種清晰度函數(shù)(梯度向量模函數(shù)、梯度濾波器函數(shù)、灰度漲落變化函數(shù)、拉普拉斯函數(shù)和高頻幅值和函數(shù))的計算結(jié)果，最后建立每個函數(shù)值必須達到清晰標準值的判斷機制，完成圖像清晰度評價，為聚焦窗口選擇和爬山搜索做好準備。

1.2 聚焦窗口與爬山對焦

普通聚焦系統(tǒng)往往對全局視野內(nèi)圖像數(shù)據(jù)進行清晰度評價，這樣不僅增加了不必要的計算量，同時也影響了清晰度評價的準確度[6-8]。因為圖像中的背景往往為無關(guān)信息或者不感興趣區(qū)域，為了解決上述問題，本研究提出自主聚焦窗口選擇技術(shù)，如圖4所示。

圖4 聚焦過程

由于感興趣目標往往成深色，而背景為淺色，故采用二值分割方法，得到二值圖像，然后再圖像取反，得到包含感興趣區(qū)域在內(nèi)的二值圖像，如圖5所示。

圖5 二值化結(jié)果圖

然后由輪廓查找，得到白色聚集區(qū)域坐標并用綠色標注，如圖6所示。

圖6 窗口自動選擇結(jié)果圖

得到聚焦窗口，基于上節(jié)綜合清晰度評價函數(shù)計算，開始尋找焦平面，即聚焦開始。為了達到準確實時的搜索到焦平面，達到聚焦目的，本文設(shè)計了基于步長調(diào)整的爬山搜索算法：

(1)聚焦窗口內(nèi)，清晰度函數(shù)計算。

(2)以4個步長，調(diào)整鏡頭高度，返回(1)，直到清晰度函數(shù)值變化明顯，進入(3)。

(3)以2個步長，調(diào)整鏡頭高度，直到清晰度函數(shù)值開始減小，進入(4)。

(4)以1個步長，反向調(diào)整鏡頭高度，直到清晰度函數(shù)值開始減小，進入(5)。

(5)以0.5個步長，反向調(diào)整鏡頭高度，直到清晰度函數(shù)值達到最大，結(jié)束聚焦。

基于以上智能調(diào)整步長的爬山算法，得到如圖7所示。

圖7 聚焦結(jié)果

可見相比于原始圖1 ，聚焦效果明顯，圖像細節(jié)豐富化、邊緣銳利化。

2 實驗與討論

為了體現(xiàn)本文算法的優(yōu)勢，將定位聚焦性能較好的技術(shù)-文獻[3]、文獻[4]設(shè)為對照組，并基于VS2012平臺開發(fā)實現(xiàn)，算法實驗參數(shù)如：綜合清晰度標準向量為[123,837,333,431,335,623]、分割閾值(50)。

以圖8位目標，該圖像中邊緣信息銳利程度和細節(jié)豐富度不佳，利用本文算法、文獻[3]、文獻[4]三種系統(tǒng)對其進行聚焦，結(jié)果見圖9～圖13。

由于本文顯微聚焦視覺系統(tǒng)采用結(jié)合二值分割與圖像灰度取反處理，得到包含感興趣區(qū)域的二值圖像，如圖9所示，輪廓查找標準感興趣區(qū)域，如圖10所示，再經(jīng)過本文清晰度評價函數(shù)計算、步長調(diào)整爬山搜索算法的聚焦處理，如圖11所示，準確完成聚焦，可見在圖像細節(jié)豐富度和邊緣銳利有明顯提高。

而利用文獻[3]技術(shù)是基于光學(xué)原理進行了位置檢測，根據(jù)聚焦提出的精度，然后由MCU對實驗數(shù)據(jù)進行了線性化處理，從而得到了位移變化量和數(shù)據(jù)之間較好的對應(yīng)關(guān)系，最終獲得了精準的焦點位置。但是，此技術(shù)未充分考慮聚焦窗口對聚焦精度的影響，也未對清晰度函數(shù)做整合處理，不能全面的評價圖像清晰度，往往影響了聚焦準確性，如圖12所示，其清晰度不佳。

文獻[4]技術(shù)是通過將梯度差分與統(tǒng)計相關(guān)結(jié)合使用，提出了一種用鄰域互相關(guān)對每個像素的梯度值進行加權(quán)的算法，并設(shè)定閾值去除貢獻小的像素點。然而，這種技術(shù)僅考慮聚焦點有效性的優(yōu)化，未考慮焦平面搜索算法的準確度，往往不能達聚焦準確目的，如圖13所示，其邊緣銳利度、細節(jié)豐富程度不佳。

圖8 待聚焦原圖

圖9 二值化結(jié)果圖

圖10 窗口自動選擇結(jié)果圖

圖11 本文算法的聚焦結(jié)果圖

圖12 文獻[3]的聚焦結(jié)果

圖13 文獻[4]的聚焦結(jié)果

由于本研究聚焦結(jié)合自主聚焦窗口選擇和步長調(diào)整爬山搜索技術(shù)，而對照組采用全局窗口處理和固定步長搜索，使得本文聚焦系統(tǒng)的效率最高，其耗時約為156 ms，而文獻[3]、文獻[4]兩種技術(shù)的效率較低，其耗時分別為185 ms、193 ms，如圖14所示。

圖14 三種聚焦系統(tǒng)的效率測試結(jié)果

3 結(jié)論

為了解決當(dāng)前工業(yè)顯微調(diào)焦系統(tǒng)精度不穩(wěn)定的問題，本文分別從系統(tǒng)硬件和軟件出發(fā)，提出了基于綜合清晰度評價函數(shù)和自動取窗聚焦的工業(yè)顯微視覺調(diào)焦系統(tǒng)。首先，綜合分析多種清晰度函數(shù)，覆蓋空域灰度差異和頻域高頻分量，達到準確評價圖像清晰度目的。然后設(shè)計綜合二值化分割與圖像取反的圖像處理，達到自主選擇聚焦窗口的目的。最后，設(shè)計有機調(diào)整步長的爬山搜索機制，達到精確定位焦平面的目的，實驗結(jié)果表明：相較普通技術(shù)，本文工業(yè)顯微調(diào)焦方法具有更高精度和穩(wěn)定性，在精密制造業(yè)具有一定的應(yīng)用價值。

[1] J. Apolinar, Muoz Rodríguez. Three-dimensional Microscope Vision System Based on Micro Laser Line Scanning and Adaptive Genetic Algorithms[J]. Optics Communications, 2016, 385(15): 1-8.

[2] 黃特生, 高健, 周志強. 面向電子制造的高速精密宏微運動平臺研究[J]. 組合機床與自動化加工技術(shù), 2015, 2(2): 50-54.

[3] 郭建. 基于PSD的顯微鏡硬件自動聚焦系統(tǒng)研究[J]. 機電工程，2016, 13(21)：71-76.

[4] 朱倩.梯度與相關(guān)性結(jié)合的自動聚焦算法[J]. 光學(xué)技術(shù), 2016,18(15)：42-47.

[5] 李惠光. 顯微視覺系統(tǒng)中自動聚焦算法的研究[J]. 計算機工程與應(yīng)用，2016,21(21)：283-287.

[6] Gui Tang Wang, Jian Lin Zhu. Research on Vickers Hardness Image Definition Evaluation Function[J]. Advanced Materials Research, 20111, 38(9): 134-138.

[7] Fei Li, Lin Li, Bao Yu Hong. Research on Definition Evaluation Algorithm of the Test Equipments for Phoropters[J]. Key Engineering Materials, 2013, 29(11): 428-433.

[8] 李惠光. 顯微視覺系統(tǒng)大范圍自動聚焦及控制[J]. 光電工程，2016, 16(4)：181-185.

[9] Zuojiang Xiao, Di Han, Haibin Zhu. Research on automatic focusing technique based on image autocollimation[J]. Optik-International Journal for Light and Electron Optics, 2016, 33(17): 1201-1207.

[10] 楊明偉, 黃永東, 常霞. 基于SML特征檢測的RPCA域多聚焦圖像融合[J]. 計算機工程與應(yīng)用, 2016, 33(11): 809-915.

[11] 鄭媛媛. 自動聚焦算法研究[D]. 山東：山東大學(xué), 2012: 22-25.

[12] 谷元保, 肖加俊. 一種基于圖像處理的二次聚焦算法[J]. 長春理工大學(xué)學(xué)報(自然科學(xué)版), 2015, 3(1): 96-100.

[13] 潘雪娟. 基于梯度計算的自動聚焦圖像清晰度評價函數(shù)仿真分析[J]. 紅外技術(shù)，2016, 16(4)：181-185.

[14] Elhassan ElJaoui, Said Melliani, L Saadia Chadli. Solving Second-order Fuzzy Differential Equations by the Fuzzy Laplace Transform Method [J]. Advances in Difference Equations, 2015, 2015(1): 1-14.

[15] 韓瀟，彭力.基于改進拉普拉斯金字塔的圖像融合方法 [J]. 自動化與儀器儀表, 2014, 10(5):191-194.

ObjectMicroscopicVisionFocusSystemBasedonClarityEvaluationFunctionandAutomaticFocusingWindow

Tian Wenli
(Shanxi Vocational College of Finance and Economics, Xianyang, Shanxi, 712000)

TP391

A

2017.04.28)

田文利(1980-),女，寶雞人，碩士，講師，研究方向：圖像處理、計算機應(yīng)用.

1007-757X(2017)09-0075-05