自动聚焦清晰度评价指标算法

自动聚焦清晰度评价指标算法

自动聚焦简介

自动聚焦最简单的做法是遍历所有的聚焦点，判断每个聚焦点成像图片的清晰程度或聚焦程度，使得成像镜头停在图片清晰度最高的聚焦位置上。这样做的缺点非常明显，聚焦点的数量是非常多的，判断每个聚焦点的图片清晰程度会使得自动聚焦过程特别长。更一般的做法是定义搜索策略，根据搜索算法遍历有限个数的聚焦点。

这些做法都有一个关键的问题，如何判断图片的清晰度，如何设计一个清晰度评价指标？下面介绍现有的清晰度评价指标，或者说聚焦程度指标，因为清晰度评价指标是通过某个函数计算出一个代表清晰度的数值，因此称这个函数为聚焦函数。

原理

不同的聚焦位置，图片的清晰度不同，观察图片的像素值，可以发现，图片越清晰，相邻像素之间的差值越大，从而图片的边缘越尖锐。从频域上讲，图片越清晰，高频成分就越多。因此，可以在空域或频域中设计聚焦函数。但是采集图片一般是RGB格式，转换成频域需要复杂的计算，因此大多数聚焦函数都是在空域中对像素进行计算。

类型

目前有许多种聚焦函数¹，下面一一讲解。

基于导数的聚焦函数

基于导数的聚焦函数的原理是图片越清晰，相邻像素的差值越大。因此基于导数的聚焦函数一般都是计算相邻像素的差值，具体做法是使用一个卷积核与图片进行卷积，把每次卷积结果加起来作为清晰度评价指标。这种算法的缺点是对图片中的噪声敏感。

Thresholded Absolute Gradient:
$$F_{\text{th\_grad}}=\sum _{\text{Height}}\sum _{\text{Width}}\left|i(x+1,y)-i(x,y)\right|\text{\hspace{1em}(F-1)}$$
其中$\left|i(x+1,y)-i(x,y)\right|\ge \theta$，$\theta$为阈值。

Squared Gradient：
$$F_{\text{th\_grad}}=\sum _{\text{Height}}\sum _{\text{Width}}{\left(i(x+1,y)-i(x,y)\right)}^2\text{\hspace{1em}(F-2)}$$
其中${\left(i(x+1,y)-i(x,y)\right)}^2\ge \theta$。

Brenner Gradient:
$$F_{\text{Brenner}}=\sum _{\text{Height}}\sum _{\text{Width}}{\left(i(x+2,y)-i(x,y)\right)}^2\text{\hspace{1em}(F-3)}$$
其中${\left(i(x+2,y)-i(x,y)\right)}^2\ge \theta$。

Tenenbaum Gradient:
$$F_{\text{Tenengrad}}=\sum _{\text{Height}}\sum _{\text{Width}}\left(S_x(x,y{)}^2+S_y(x,y{)}^2\right)\text{\hspace{1em}(F-4)}$$
其中 S x ( x , y ) S_x (x, y)