matlab自动调焦,眼底照相机自动调焦算法

2 基于局部信息熵的自动调焦窗口选择

眼底图像的血管分布相对分散, 考虑到调焦算法中清晰度评价函数的计算量基本与参与计算的像素数目成正比, 若以整幅图像为处理对象, 必然增加后续处理的运算时间, 降低系统的实时性.此外, 眼底图像中血管的分布密度具有不均匀性, 且血管粗细各不相同, 只需计算血管密集区域即可.因此, 本文将血管密集区域作为调焦窗口.

传统的调焦窗口选择算法主要有以图像中心区域作为调焦窗口的中央区域法[结合过渡区概念提出基于局部信息熵的调焦窗口选择算法, 算法首先对图像进行窗口划分并计算子窗口的局部信息熵, 通过特定的阈值将子窗口划分为细节窗口与非细窗口, 在此基础上完成调焦窗口的选择; 张乐等[同样对图像进行窗口划分, 并计算子窗口的局部自相关函数值, 以整幅图像的自相关均值作为阈值并采用“ 重心” 法获取调焦窗口的重心; Wang等[采用结合改进粒子群优化算法的阈值完成图像边缘检测, 并采用灰度映射得到图像的“ 重心” , 该方法在细节区域较多且分布不均的图像中容易出现调焦窗口的偏离.

通过对眼底图像的特点及上述几种自动调焦窗口选择算法分析可知, 眼底图像中的细节区域分布较广, 但细节密集区域又相对集中, 即血管密集交错区域(如视盘区域), 因此, 相对于基于灰度映射的“ 重心” 查找法, 阈值法可更好地自动匹配图像细节中心, 而避免出现重心因为周围细节区域的影响而偏离, 同时也可以避免固定窗口法中出现将非细节区域包含在窗口中的情况.因此, 本文将在眼底图像自动调焦窗口选择中引入文献[21]提出的基于局部信息熵的算法, 并针对眼底图像的特点对算法中的阈值加以改进.

局部信息熵法在完成对整幅图像划分的基础上计算子窗口的局部信息熵[, 即

E=- ∑i=0L-1PilogPi (1)

式中, L代表子窗口中最大的灰度级.Pi表示对应灰度级i的概率, 即

Pi= niM×N(2)

式中, ni代表灰度级为i的像素点的个数, M× N代表子窗口图像的大小.

局部信息熵法需要将输入图像分成子窗口.图4中显示