一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法制造技术

本发明专利技术涉及一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法，包括以下步骤：首先对当前图像所有像素点拉普拉斯算子的两个二阶微分算子分量取绝对值后进行求和运算，获得改进的拉普拉斯算子；然后求取当前图像中所有像素点离散后的改进拉普拉斯算子值；对离散后的改进拉普拉斯算子值按大小进行排序，利用聚焦评价函数将前P个最大值做平均运算，得到的平均值作为当前图像的清晰度值；通过相机依次采样图像，计算每幅图像的清晰度值；当清晰度达到峰值时，聚焦结束。本发明专利技术所建的聚焦评价函数满足自动聚焦曲线所要求的单峰性和无偏性，同时计算相对简单，计算量小，效率高，容易实现，能够消除背景噪声，适应大部分纹理特性的样品自动聚焦。

【技术实现步骤摘要】

本专利技术涉及一种基于图像处理的自动聚焦技术。具体涉及一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法。利用本专利技术所建立的基于最强边缘梯度拉普拉斯(Laplace)算子累加的自动聚焦算法可以对大多数显微样品实现快速聚焦。本专利技术主要用于光电成像系统自动聚焦领域。技术背景光电成像系统作为一种成像工具，在工业、农业、科研等各个领域都发挥了重要的作用。在成像系统中，光学镜头的焦距对准是获取清晰图像的前提，随着科学技术的发展，光学镜头的自动对焦成为了一项重要课题。近年来，随着数字图像处理技术的发展，基于图像处理的自动对焦技术得到了长足的发展。这种方式不是依赖外部条件(如激光、红外线或超声波等)来测量透镜和物体之间的距离,而是采用图像处理技术来确定被观察物体是否在焦平面上。然后通过驱动机构调整焦距或者控制物体与光学镜头的距离来实现自动对焦。在运动过程中实时计算图像聚焦评价函数的值,评价函数最大值的物面位置即为聚焦平面。因此自动聚焦的关键是构造一个有效的聚焦评价函数。一个理想的聚焦评价函数应具有无偏性和单峰性,能够在最佳聚焦位置获得最大值,同时应具有良好的抗噪能力。本专利技术就是建立这样一个聚焦评价函数，在样品聚焦时达到峰值，在离焦时能够在一定范围内保持稳定不变。
技术实现思路
为了实现光学成像系统的自动聚焦，本专利技术在于提供一种自动聚焦清晰度评价方法，该聚焦评价函数具有单峰性和无偏性，能够保证系统完成自动聚焦。为实现上述目的，本专利技术技术方案：一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法，包括以下步骤：首先对当前图像所有像素点拉普拉斯算子的两个二阶微分算子分量取绝对值后进行求和运算，获得改进的拉普拉斯算子；然后求取当前图像中所有像素点离散后的改进拉普拉斯算子值；对离散后的改进拉普拉斯算子值按大小进行排序，利用聚焦评价函数将前P个最大的值做平均运算，得到的平均值作为当前图像的清晰度值；通过相机依次采样图像，计算每幅图像的清晰度值；当清晰度达到峰值时，则聚焦结束。所述改进的拉普拉斯算子为：其中G(x,y)为改进后的拉普拉斯算子，f(x,y)为图像中(x，y)点的灰度值。所述离散后的改进拉普拉斯算子为：ML(x,y)＝|2f(x,y)-f(x-1,y)-f(x+1,y)|+|2f(x,y)-f(x,y-1)-f(x,y+1)|其中ML(x,y)为离散后的改进拉普拉斯算子值。所述聚焦评价函数为其中，T为平均值，MAXi(ML(x,y)为排序后第i个最大的改进拉普拉斯算子值，P为常数。本专利技术方法具有如下优点：1.本方法所建的聚焦评价函数曲线满足自动聚焦曲线所要求的单峰性和无偏性，同时计算相对简单，计算量小，效率高，容易实现，能够消除背景噪声，适应大部分纹理特性的样品自动聚焦。2.本算法能够消除显微镜背景噪声对清晰度值计算的影响，实现了评价函数曲线的单峰性和无偏性，能够在最佳聚焦位置取得最大值，具有很好的抗噪能力，对一定粗糙度和纹理特征的显微样本，甚至简单的图形的样品都具有很好的聚焦能力。3.通过本专利技术方法可以为光学成像系统的自动调焦提供有效的技术手段。附图说明图1为纹理复杂的标准栅格样品图像；图2为纹理简单的微电极样品图像；图3为栅格样品的整幅图像梯度均值聚焦评价函数曲线，图4为栅格样品的最强边缘梯度拉普拉斯算子累加聚焦评价函数曲线；图5为微电极样品的整幅图像梯度均值聚焦评价函数曲线；图6为微电极样品的最强边缘梯度拉普拉斯算子累加聚焦评价函数曲线。具体实施方式下面结合附图对本专利技术方法作进一步详细说明。首先对拉普拉斯算子的两个二阶微分算子分量取绝对值后进行求和运算获得改进的拉普拉斯算子。如下公式，则对应的离散的改进拉普拉斯算子可以表示为：ML(x,y)＝|2f(x,y)-f(x-1,y)-f(x+1,y)|+|2f(x,y)-f(x,y-1)-f(x,y+1)|然后求取视觉图像所有像素点的改进后拉普拉斯算子值，然后对所得到的改进拉普拉斯算子值按大小进行排序，最后提取前P个最大的值做平均运算，这个平均值就作为当前图像的清晰度值。由此建立聚焦评价函数如下:其中，T为平均值，MAXi(ML(x,y)为排序后第i个最大的改进拉普拉斯算子值。通过相机依次采样图像，计算每幅图像的清晰度值，当清晰度达到峰值时，则聚焦结束。在图形图像学中，通常用图像边缘强度来表征图像清晰度。一般情况下，图像边缘处的梯度值越大则图像越清晰。经过研究对比，本方法选用对图像边缘有加强作用的拉普拉斯算子作为本算法的基础。拉普拉斯算子是定义在N维欧几里德空间的二阶微分算子，具有各向同性和旋转不变性，从而满足不同走向的图像边界的锐化要求，并可以作为图像的高频分量的估计量。在图像处理领域，其广泛应用于图像边缘提取、图像边缘锐化、聚焦等领域。经典拉普拉斯算子定义式为：但由于拉普拉斯测度算子在x,y方向的变化趋势可能相反，以至相互抵消，所以在处理纹理图像时，这种现象频繁地出现会导致拉普拉斯算子的作用出现不稳定的情况。为了克服这种问题，可以把拉普拉斯算子改写为ML(Modified-Laplace)算子：这样，G(x,y)为改进后的拉普拉斯算子，f(x,y)为图像中(x,y)点的灰度值；改进的拉普拉斯算子计算出的值相等或大于原来的拉普拉斯算子计算的值。离散拉普拉斯算子通常使用3×3算子。这样，离散的改进拉普拉斯算子可以表示为：ML(x,y)＝|2f(x,y)-f(x-1,y)-f(x+1,y)|+|2f(x,y)-f(x,y-1)-f(x,y+1)|(3)在一幅聚焦图像中，图像的边缘往往是少量的。对于绝大多数的非边缘像素点而言，其梯度值很小。所以，这些非边缘点并不适合用来表征图像的清晰度。常规利用图像梯度进行聚焦的方法往往简单的用整幅图像的梯度均值表征图像的清晰度(如公式4)。这样即存在两个问题，第一，对于一幅纹理边缘少的聚焦图像来说，少量的梯度值较大的图像边缘点往往被大量的梯度值较小的非边缘点弱化，在这种情况下，梯度均值并不能很好的反映图像的清晰度变化。第二，在远离显微镜焦距一定距离，会有不规则背景噪声出现，如图3所示。这些噪声图形有很多纹理边缘，会有一定的梯度，从而使清晰度曲线产生多个峰值，进而使系统发生错误判断。式中，M、N分别为图像的行数和列数，MLmean为整幅图像梯度均值聚焦评价函数。由此，本专利技术提出了基于最强边缘梯度拉普拉斯算子累加图像清晰度评价方法。该方法的实现机理为：求取图像每一像素点的拉普拉斯算子值，取其中最大的前P个点做均值T来表征图像的清晰度(如公式5)，通常P取50到100均可。其中MAXi(ML(x,y)为第i个最大的清晰度值。本算法设计思想：本算法所采用的前P个最大的拉普拉斯算子值，因为数量少，基本可以认定是图像中梯度差别较大的边缘起到作用最大，基本消除了非边缘点所带来的影响；另外，由于片状背景噪声的边缘梯度与实际的样品纹理边缘梯度相比变化较缓，因此计算所得的清晰度值差别很大，因此实际应用中可以采用设定阈值的方法把片状背景噪声的影响消除掉，这样就保证了清晰度曲线的单峰性。用该方法与整幅图像梯度均值聚焦函数进行对比试验，分别采用纹理复杂、边缘较多的栅格样品(图1)与纹理简单、边缘较少的微电极样品(图2)进行试验。实验装置本文档来自技高网...

【技术保护点】
一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法，其特征在于包括以下步骤：首先对当前图像所有像素点拉普拉斯算子的两个二阶微分算子分量取绝对值后进行求和运算，获得改进的拉普拉斯算子；然后求取当前图像中所有像素点离散后的改进拉普拉斯算子值；对离散后的改进拉普拉斯算子值按大小进行排序，利用聚焦评价函数将前P个最大的值做平均运算，得到的平均值作为当前图像的清晰度值；通过相机依次采样图像，计算每幅图像的清晰度值；当清晰度达到峰值时，则聚焦结束。

【技术特征摘要】
1.一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法，其特征在于包括以下步骤：首先对当前图像所有像素点拉普拉斯算子的两个二阶微分算子分量取绝对值后进行求和运算，获得改进的拉普拉斯算子；然后求取当前图像中所有像素点离散后的改进拉普拉斯算子值；对离散后的改进拉普拉斯算子值按大小进行排序，利用聚焦评价函数将前P个最大的值做平均运算，得到的平均值作为当前图像的清晰度值；通过相机依次采样图像，计算每幅图像的清晰度值；当清晰度达到峰值时，则聚焦结束。2.按权利要求1所述的一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法，其特征在于所述改进的拉普拉斯算子为：G(x,y)=|∂2f(x,y)∂x2|+|∂2f(x,y)&pa...

【专利技术属性】
技术研发人员：刘连庆，于鹏，刘静怡，魏阳杰，刘柱，杨洋，焦念东，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁;21