聚焦评价算法_2（Focus Measure）

上一篇博客 聚焦评价算法_1对已有的聚焦评价算法进行分类，影响聚焦评价算法鲁棒性的因素有哪些？评判聚焦评价算法性能有哪些指标？本篇文章将进行进一步的总结。

一、聚焦评价算法的鲁棒性受到四个方面的影响

1.评价窗口的大小：总体上，小的评价窗口降低评价函数的性能。

2.噪声：噪声是最主要的影响聚焦评价算法的因素。

3.图像对比度：图像对比度对聚焦评价算法的影响相比于其他三个因素是最小的。不同的对比度等级，聚焦评价算法的性能几乎保持不变。

4.图像饱和度：对于几乎所有的聚焦评价算法，当图像饱和度低于30%，聚焦评价算法的性能几乎保持不变。当饱和度等级较高时(高于30%)，聚焦评价算法的性能降低。

二、聚焦评价算法的性能指标

        对聚焦算法性能的评判主要基于定性性能评价指标，这些指标依赖于人眼对评价函数曲线的直观观察，主观性较强，对函数实际性能的评估易出现偏差；为改善这一情况，研究者在长期的科研过程中总结出了一些定量性能评价指标，能够更加客观公正第评判聚焦函数的性能优劣。

1.定性性能评价指标

1）单峰性：在自动聚焦过程中，成像图片随镜头移动通常呈现“离焦—聚焦—离焦”的变化趋势，反映在评价函数曲线上即为先递增后递减，视觉上以单峰曲线的形式体现。

2）灵敏度：灵敏度在视觉效果的体现即为评价函数曲线的陡峭程度，曲线越陡峭，灵敏度越高。灵敏度高的算法更容易对样本序列清晰度作出区分评判。

3）无偏性：指评价曲线的走势应当对应符合图像序列的清晰度变化趋势，不应出现较大程度偏离。

4）抗噪性

2.定量性能评价指标

1）清晰度比率：图像序列中评价函数算子最大值和最小值的比值。反映了算法在清晰度识别能力上的差异，清晰度比率越大，代表算法分辨清晰图像与离焦图像的能力越强，越容易实现准确聚焦。

        R表示清晰度比率值， 表示评价函数曲线中所能取到的最大值， 表示所能取到的最小值。

2）平缓区波动量：平缓区指在评价函数曲线中分布在聚焦陡峭区两侧且变化较为平缓的区域。平缓区波动量可以用来衡量聚焦评价函数抗噪性能。波动量小，抗噪性能强。

         即为范围内N个采样点曲线取值的标准差，式中F(k)表示曲线上对应采样位置的评价函数值，为灰度均值。

3)灵敏度因子：可以理解为评价函数曲线的“斜率”。灵敏度因子越大，算法的清晰度辨识度越高。

        为极大值点，即聚焦位置的函数取值，表示横坐标偏移量，即为偏移点的函数值。

4）工作效率：是评价函数在处理图像序列的平均时耗，受算法复杂度、图像分辨率及仿真设备等因素影响。