基于每像素监督的深度学习相机自动对焦方法及系统技术方案

本发明专利技术属于自动对焦技术领域，具体公开了一种基于每像素监督的深度学习相机自动对焦方法及系统，该方法包括如下步骤：S1，采集多个场景的不同焦距的图像数据集；S2，计算图像对应的每像素最优焦距图M和最优焦距预测值F；S3，构建基于每像素监督的最优焦距预测模型A；S4，对最优焦距预测模型A进行训练，得到训练完成的最优焦距预测模型A’；S5，将离焦图像输入最优焦距预测模型A’中，得到最优焦距预测图M’和最优焦距预测值F’，将相机焦距设置为F’完成自动对焦。采用本技术方案，使用每像素最优焦距图监督训练，具有更高的最优焦距预测精度，避免了其他自动对焦方法需要二次调整的问题。

【技术实现步骤摘要】

本专利技术属于自动对焦，涉及一种基于每像素监督的深度学习相机自动对焦方法及系统。

技术介绍

1、由于相机的景深受限，加上被摄物体与相机的距离不确定性，使得相机焦距的设置对照片质量至关重要。现有的自动对焦方法显著降低了用户调整焦距的复杂性，广泛应用于日常摄影、显微镜成像、全聚焦成像等多个领域。

2、传统的自动对焦方法主要分为主动对焦和被动对焦两种，主动对焦依赖于使用特殊设备事先测量相机与被摄物体之间的距离，然后根据测得的数据计算所需的焦距。这种方法需要额外的设备，成本较高，并且自动对焦算法常常与具体设备信息相关。相比之下，被动对焦是一种基于图像的自动对焦方法，也是主流方法之一。它的流程是先拍摄照片，然后通过不断调整焦距，根据图像的锐度信息，找到使图像锐度最大时的焦距。被动对焦方法的优点在于不受设备影响，具有广泛适用性。然而，这种方法需要多次对焦操作，难以一步到位，使用较繁琐。

3、近年来，随着深度学习的迅猛发展，计算机视觉领域取得了显著成就。卷积神经网络和transformer模型在图像分类、目标检测、语义分割、深度估计等领域的成功也本文档来自技高网...

【技术保护点】

1.一种基于每像素监督的深度学习相机自动对焦方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于每像素监督的深度学习相机自动对焦方法，其特征在于，步骤S2中计算图像对应的每像素最优焦距图M的方法为：

3.如权利要求1所述的基于每像素监督的深度学习相机自动对焦方法，其特征在于，步骤S2中计算图像对应的最优焦距预测值F的方法为：

4.如权利要求1所述的基于每像素监督的深度学习相机自动对焦方法，其特征在于，所述最优焦距预测模型A采用特征提取骨干网络，特征提取骨干网络包括两个输出头部，分别输出最优焦距预测图M’和最优焦距预测值F’，特征提取骨干网络以R...

【技术特征摘要】

1.一种基于每像素监督的深度学习相机自动对焦方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于每像素监督的深度学习相机自动对焦方法，其特征在于，步骤s2中计算图像对应的每像素最优焦距图m的方法为：

3.如权利要求1所述的基于每像素监督的深度学习相机自动对焦方法，其特征在于，步骤s2中计算图像对应的最优焦距预测值f的方法为：

4.如权利要求1所述的基于每像素监督的深度学习相机自动对焦方法，其特征在于，所述最优焦距预测模型a采用特征提取骨干网络，特征提取骨干网络包括两个输出头部，分别输出最优焦距预测图m’和最优焦距预测值f’，特征提取骨干网络以rgb离焦图、当前相机焦距值和聚焦区域图作为输入。

5.如权利要求4所述的基于每像素监督的深度学习相机自动对焦方法，其特征在于，所述聚焦区域图是尺寸与rgb离焦图相同的二值图像，其中需要聚焦的区域为一个h×w大小的矩形，该矩形内...

【专利技术属性】
技术研发人员：魏小林，伍星，杨瑞龙，何中市，邓秋菊，汪成亮，杨再林，刘耀，
申请(专利权)人：重庆大学，
类型：发明
国别省市：