聚焦评价算法_1（Focus Measure）

曾梦想瓜皮走天下

已于 2022-02-22 15:48:30 修改

阅读量7.2k

点赞数 11

文章标签：算法图像处理计算机视觉

于 2022-02-18 08:57:36 首次发布

本文链接：https://blog.csdn.net/zsk444/article/details/122985940

版权

聚焦评价算法主要应用于基于图像处理的自动调焦技术、聚焦恢复形貌技术(Shape From Focus)。通过阅读多篇论文，对聚焦评价算法进行分类总结。聚焦评价算法可大致分为四大类：基于梯度边缘的评价算法（空域）、频域评价算法、基于信息熵的评价算法、基于图像统计学的评价算法。

一、基于梯度边缘的评价算法（空域）

通过计算图像的梯度信息来评价图像的清晰度。在正焦的清晰图像中具有丰富的边缘信息，梯度值大，在离焦的模糊图像中边缘信息模糊，梯度值小。该类方法的普遍优点是计算简单、容易实现，具有一定的鲁棒性；但在低对比度图像如在平坦和无纹理区域，图像灰度差分值小，其评价性能较差。

1.灰度差分绝对值之和函数(SMD)

通过对水平、垂直方向相邻像素间灰度差的绝对值进行求和，提出灰度差分绝对值之和函数对图像的清晰度进行评价。

$F=\sum_{x}^{}\sum_{y}^{}[\left | f(x+1,y)-f(x,y) \right |+\left | f(x,y+1)-f(x,y) \right |]$

2.能量梯度函数(EOG)

将x方向和y方向相邻像素灰度值之差的平方和作为每个像素点的梯度值，再对所有梯度值累加求和。

$F=\sum_{x}^{}\sum_{y}^{}\left \{ [f(x+1,y)-f(x,y)]^{2}+ [f(x,y+1)-f(x,y)]^{2}\right \}$

3.Roberts函数

将4个相邻像素点灰度值交叉相减的平方和作为每个像素点的梯度值，再对所有的梯度值累加求和。

$F=\sum \sum \left \{ [f(x+1,y+1)-f(x,y)]^{2} +[f(x+1,y)-f(x,y+1)]^{2}\right \}$

4.Krish函数

将原图像邻域内8个方向的卷积核进行卷积，选取最大值作为清晰度评价依据。8个卷积核如下：

$h_{1}=\begin{pmatrix} 5 &5 &5 \\ -3 &0 &-3 \\ -3 &-3 &-3 \end{pmatrix}$ ， $h_{2}=\begin{pmatrix} -3 &5 &5 \\ -3 &0 &5 \\ -3 &-3 &-3 \end{pmatrix}$ ， $h_{3}=\begin{pmatrix} -3 &-3 &5 \\ -3 &0 &5 \\ -3 &-3 &5 \end{pmatrix}$ ， $h_{4}=\begin{pmatrix} -3 &-3 &-3 \\ -3 &0 &5 \\ -3 &5 &5 \end{pmatrix}$ ， $h_{5}=\begin{pmatrix} -3 &-3 &-3 \\ -3 &0 &-3 \\ 5 &5 &5 \end{pmatrix}$ ， $h_{6}=\begin{pmatrix} -3 &-3 &-3 \\ 5 &0 &-3 \\ 5 &5 &-3 \end{pmatrix}$ ，

$h_{7}=\begin{pmatrix} 5 &-3 &-3 \\ 5 &0 &-3 \\ 5 &-3 &-3 \end{pmatrix}$ ， $h_{8}=\begin{pmatrix} 5 &5 &-3 \\ 5 &0 &-3 \\ -3 &-3 &-3 \end{pmatrix}$

聚焦评价函数如下：

$F=\sum_{x}\sum_{y}max\left \{ I_{1},I_{2},I_{3},I_{4},I_{5},I_{6},I_{7},I_{8} \right \}$

式中 $I_{1}=f(x,y)\bigotimes h_{1}$ ，......，max{.}为取最大值操作。

5.Tenengrad函数

通过Sobel算子提取图像水平和垂直方向上的梯度，计算像素点的梯度的平方和。其中 $G_{x}(x,y)$ 和 $G_{y}(x,y)$ 分别是像素点水平方向和垂直方向上的Sobel梯度。

$G_{x}(x,y)=(f(x+1,y-1)+2\times f(x+1,y)+f(x+1,y+1))$

$-(f(x-1,y-1)+2\times f(x-1,y)+f(x-1,y+1))$

$G_{y}(x,y)=(f(x-1,y+1)+2 \times f(x,y+1)+f(x+1,y+1))$

$-(f(x-1,y-1)+2 \times f(x,y-1) + f(x+1,y-1))$

聚焦评价函数如下：

$F=\sum_{x} \sum_{y} G_{x}^{2}(x,y)+G_{y}^{2}(x,y)$

6.Brenner函数

通过计算相差两个单位的像素间梯度的平方，再进行累加求和运算。

$F=\sum_{x} \sum_{y}[f(x+2,y)-f(x,y)]^{2}$

7.拉普拉斯函数

通过采用拉普拉斯算子于各个像素点的灰度值进行卷积得到梯度矩阵，然后计算各像素点的梯度平方和。

$F = \sum_{x} \sum_{y} G^{2}(x,y)$

其中 $G(x,y)=f(x,y)\bigotimes \begin{pmatrix} 0 &1 &0 \\ 1 &-4 &1 \\ 0 &1 &0 \end{pmatrix}$

8.改进拉普拉斯函数(SML)

在Laplace算子基础上进行改进，计算x,y方向的二阶差分绝对值和的平方。

$F=\sum_{x}\sum_{y}\left | 2\times f(x,y)-f(x-1,y)-f(x+1,y) \right |+\left | 2\times f(x,y)-f(x,y-1)-f(x,y+1) \right |$

9.FSWM函数

频率选择中值滤波。

$F=\sum_{x}\sum_{y}F_{x}^{2}+F_{y}^{2}$

式中，

$F_{x}=med\left \{ f(x-1,y),f(x,y),f(x+1,y) \right \}$

$-\frac{1}{2}med\left \{ f(x-3,y-2),f(x-2,y-2),f(x-1,y-2) \right \}$

$-\frac{1}{2}med\left \{ f(x+1,y+2),f(x+2,y+2),f(x+3,y+2) \right \}$

$F_{y}=med\left \{ f(x,y-1),f(x,y),f(x,y+1) \right \}$

$-\frac{1}{2}med\left \{ f(x-2,y-3),f(x-2,y-2),f(x-2,y-1) \right \}$

$-\frac{1}{2}med\left \{ f(x+2,y+1),f(x+2,y+2),f(x+2,y+3) \right \}$

其中，med{.}是取中值操作。

二、频域评价算法

频域评价算法将图像从空域变换到频域，再对变换后的二维系数进行计算，得到频域变换后图像的清晰度评价函数。频域变换后的图像包括低频部分和高频部分，低频部分表示图像的概貌特征，高频部分表征图像的细节特征。聚焦清晰图像的高频分量比离焦模糊图像的丰富。该类方法灵敏度高，在低对比度图像中仍能得到优良的评价结果，鲁棒性强；但由于频域涉及复数计算，效率一般较低。