基于图像处理的自动对焦技术研究--文献阅读笔记pt2

接pt1：

一.聚焦窗口的选择

1.中央取窗法：在图片正中的位置选取一定大小的矩形区域作为聚焦窗口，一般而言，矩形区域的大小最大不超过整幅图像的70%。

2.多区域取窗法：通过选择多个小区域作为聚焦窗口，当目标偏离中心位置时聚焦稳定性依然能够保证。常见的有倒T字型取窗法和黄金分割取窗法。

倒T字型取窗法依据：大多数场景下成像目标仅位于图像中下部。

黄金分割取窗法依据：摄影艺术中的黄金分割点，该理论认为除中心点外，还存在几个黄金分割点也是人类关注的视觉重点。上图中的A、B、C、D四个黄金分割点以及中心点O将图像划分为了5个大小相等的区域，选择以这5个点为中心的5个区域为聚焦窗口。

多区域取窗法通过选择多个小区域为聚焦窗口，一定程度上能够适应主体偏离聚焦中心的情况，但这种方法也引入了更多的背景信息，增加了计算量，同时，该方法也不能避免成像主体偏离所有小聚焦区域时的情况。

3.非均匀采样取窗法：以整幅经非均匀采样后的图像为聚焦窗口，该方法既考虑了中央区域的细节信息，也包含到了图像四周边缘的信息，相比中央取窗法和多区域取窗法，有效解决了目标位置偏离聚焦窗口区域，引起的对焦结果下降的问题。从中心到边缘，随着距离的增加，采样率呈指数衰减，这样经采样后的图像在中心保持高分辨率，四周则为低分辨率。

对于以图像中心为坐标原点的大小为M x N的图像，可由下式转换为极坐标表示：

转换坐标系后，距离原点ρ处的采样率为：

达式如下：

使用高斯型非均匀采样函数后，图像的分辨率随着距中心距离的增加呈高斯分布下降，该方法有效解决了成像主体偏离中心位置的情况，但因为涉及大量的采样运算操作，面临着聚焦实时性的挑战。

上述方法存在的问题：

（1）中央取窗法应用的前提是成像主体位于图像的中心位置，当目标偏离中心位置时，聚焦性能急剧下降。
（2）多区域取窗法虽对目标偏移有一定的适应能力，弥补了中心取窗法的不足，但也引入了过多的背景信息，同时依然不能避免成像主体偏离聚焦窗口的情况。
（3）非均匀采样法以采样后的整幅图像为聚焦窗口，相对上述两种取窗法对于目标位置的偏离具有更好的适应性，但该方法在进行非均匀采样时，涉及大量的采样运算操作，面临着聚焦实时性的挑战。

二.自动对焦系统总体方案设计

上位机为PC机，下位机包括：控制器、电控平移台、CMOS相机、显微物镜等，如下图所示：

自动对焦的过程为：成像目标经显微物镜后成像至CMOS相机，COMS相机通过与PC机连接的USB接口将图像数据传给PC机，PC机接收到图像数据后在选择的聚焦窗口内计算此时图像的聚焦评价函数值，根据聚焦搜索策略向控制器发出控制指令，控制器接收到指令后控制驱动器驱动步进电机运动，以此形成一个闭环系统，直到找到最清晰的图像为止。

光源：环形可调的LED显微照明光源。

显微物镜：OptoSigma的PAL-5-L工业镜头。

图像采集模块：主要有两种图像采集模式，一种是使用数字/模拟工业相机+图像采集卡的方式；还有一种是采用数字工业相机+高速串行通信的方式（如IEEE1394，USB等）。

运动控制模块：控制器和电控平移台。控制器主要实现二大功能，一是与PC机的串行通信，二是完成对电控平移台运动方向、速度及步距的控制；采用改变物距的方式，将显微物镜，镜筒和CMOS相机固定在电控平移台上，通过电控平移台的移动改变物距实现自动对焦。

三.自动聚焦搜索算法

1.遍历搜索法

若步进电机移动区间为L，移动步距为s，则遍历搜索法如下所示：

该方法的优点是不受局部极值的影响，对焦精度只取决于所设定的搜索步长，只要所设的的步长足够小，就能取得较好的聚焦效果。但缺点也相对明显，通过等步距的遍历整个聚焦区间的方式，导致计算量相对较大，实时性不高。

2.斐波那契搜索法

是基于Fibonacci函数实现的一维单峰搜索方法，Fibonacci函数的表达式如下：

斐波那契搜索法实现原理简单，易于编程实现，且搜索精度随n值的增加而增大，但是该方法需要聚焦评价曲线具有理想的单峰性，而实际的聚焦评价曲线 往往并不满足理想的光滑曲线，因此该方法易陷入局部峰值点导致误判。

3.爬山搜索法

利用了理想聚焦评价曲线具有单峰性的特点，示意图如下：

该方法首先以大步距在初始设定方向采集两幅图像，并计算聚焦评价函数值，比较两幅图像聚焦函数值大小，以确定电机初始移动方向。上图中，在a，b两点 处进行了图像采集，且a点的聚焦评价函数值小于b点，说明此时处于爬山方向，步进电机应继续往该方向运动采集下幅图像，当新采集的图像聚焦评价函数值第 一次小于前一幅图像时，说明此时越过了极值点，应减小移动步距并向相反的方向运动，如此往复，直到达到所设定的终止条件为止。爬山搜索法实现原理简单，通过选取合适的步长与终止条件，能够达到较好的聚焦效果，是目前工程上常用的一种搜索算法。然而，爬山搜索法依然存在着缺陷，当聚焦评价函数曲线出现局部极值时，该方法很容易陷入局部极值点，导致聚焦失败。