彩色顆粒顯微圖像識別系統自動對焦模塊論文(編輯修改稿)

　

【文章內容簡介】 言進行交互。人機交互的語法基礎也隨之油然而生。要提高對焦速度，就應以包含對焦目標的最小窗口為對焦區域，而當視場內存在多目標時則應以靠近視場中心或人機交互的目標為對焦目標。與此同時，還應兼顧對焦效果。合理的選擇對焦窗口，可以進一步減少冗余信息的干擾，提高計算速度。應根據具體的要求和各種對焦方式的特點選擇合適的對焦窗口。各種對焦窗口的選擇方法有各自的優點與缺點，應根據不同的應用環境與所要達到的效果選擇與之相適應的方法。本方案所研究的是對彩色顆粒的自動對焦，而每次所進行對焦的顆粒不止一個且充滿整個屏幕。綜上所述，要包含全部的對焦信息就應對整個窗口進行對焦。5 對焦（清晰度）評價函數的選擇在自動對焦中圖像對焦評價函數的選取極為關鍵。選的合適則會將整個系統的性能提高，選的不合適則會影響整個系統的性能。對焦評價函數直接影響到最終對焦圖像的清晰度。要使得所獲得的圖像具有較好的清晰度，則應選擇相適應的評價函數。理想的對焦曲線具有以下幾個特點：單峰性、單調性、魯棒性。除此之外，還應具有無偏性好，靈敏度高，穩定性好，以及計算量小等特點。圖像模糊不清，是高頻分量的損失引起的。散焦嚴重程度決定圖像的模糊程度，而高頻分量的損失越嚴重散焦越嚴重。歸根結底，高頻分量的損失程度決定圖像的模糊程度。清晰度評價函數在相當大的程度上影響著聚焦效果，其評價依據:(1)在最佳對焦參數對應的點上具有峰值，在最佳點兩側時，清晰度評價函數是單調遞減的。(2)清晰度評價函數的魯棒性不會受到或很少受到環境中存在的各種復雜噪聲的影響。清晰度評價函數以以下三類的應用最為廣泛。1）熵函數。處于聚焦狀態圖像的熵大于處于離焦狀態的圖像，所以可把熵函數作為對焦清晰度評價標準的一種。也就是說，隨著熵函數的增大，圖像的清晰度也隨之增強。2）頻譜函數。相對于模糊的圖像來講清晰的圖像存有更多更準確的信息。圖像中的細節(細節意味著圖像有清晰可辨的邊緣，在局部有很強的灰級變化，灰級的躍變更加劇烈)可以被人們更好的分辨。3）梯度函數。在圖像處理過程中，提取圖像邊緣信息通常采用梯度函數。邊緣越尖銳的圖像聚焦程度越好，其對應的梯度值越大。常用的梯度函數有方差算子、能量梯度算子、拉普拉斯算子、差分算子法等。a方差算子:由于處于聚焦狀態的的圖像的灰級比處于模糊狀態的圖像的灰級大,不同的灰級對應著不同的聚焦離焦狀態。故方差算子可以作為對焦清晰度的評價標準,方差算子的定義如下: (1)式(3)中,，為平均灰級。b能量梯度算子：它用相鄰點的差分計算一個點的梯度值，然后取其平方和即可。 (2）式(4)中I(x,y)為圖像在點(x,y)的灰級值。c拉普拉斯算子:對圖像進行二階微分運算: (3)二階微分有著不同的模板,根據不同的微分方法選取如下對應的模板:表1 拉普拉斯算子系數1414204144評價因子:此處：d差分算子：一階差分算子函數,其表達式為 (4)其中,g(i,j)表示圖像在該點的灰度值。x向一階差分算子函數表達式為 (5)y向一階差分算子函數表達式為 (6)下面分別給出了x向一階差分、y向一階差分作為圖像聚焦評價函數對應的聚焦評價曲線,見圖2。將以上三種聚焦曲線放到一個坐標系中進行比較,見圖2d,容易發現,三種差分聚焦曲線所具有的特征是相同的,都可以作為較理想的清晰度評價曲線。ax 向一階差分算子曲線 by 向一階差分算子曲線c 一階差分算子曲線 d 三種差分測算子曲線比較圖2 多種聚焦測度實驗曲另外，小波變換,DCT變換等也是較為常用的清晰度評價函數。其它的評價函數均是由這幾種方法而長生的。,例如把求梯度的平方改成求絕對值,又如幾種評價函數綜合運用。不同的評價函數有自身的相應的特點，有著不同的靈敏度和速度。單考慮靈敏度,靈敏度最高的為頻譜函數,再下來是梯度函數,梯度函數中靈敏度最高的是拉普拉斯算子。但是就簡單程度而言梯度算子明顯容易實現編程，而一階差分算子又是梯度算子中最為簡單的一種，故一階差分算子簡單程度最佳。[3][10]對焦評價函數有著各自不同的特點，有的適合粗對焦、有的適合精對焦。本課題將對焦過程分為兩步即粗對焦和精對焦。對焦的不同步驟應選擇與之相應的對焦評價函數?？傊?，對焦評價函數選的合適就會有較好的對焦精度，而且也可以一定程度的提高對焦速度。再者，對于對焦的成功率的提高也有所幫助。由于彩色顆粒顯微成像系統要進行實時對焦，故應選擇運算速度快的算子作為評價清晰度的函數。綜上所述，本方案選擇一階差分算子法作為清晰度評價函數。6 對焦搜索算法 “爬山法”聚焦搜索算法和“2步法”聚焦搜索算法聚焦搜索算法是一維尋優問題的特例，是使用最多的聚焦搜索算法。圖3是一例簡單的“爬山法”自動對焦搜索算法:經過6次計算聚焦測度函數,通過6個步距長度的運動來完成自動對焦。圖3 “爬山式”聚焦搜索算法“2步法”自動聚焦搜索算法的核心是找聚焦評價函數的函數值與離焦量之間的函數關系F(x),見圖4。聚焦策略為:物鏡處于起始點x0,攝取圖像并計算聚焦評價函數值,即計算F(x0)。物鏡以步距u移動Step1后,得到F(x1)。根據F(x)的單調性,通過F(x0),F(x1)及Step1的運動方向可以唯一推斷出x0,x1。當前位置的離焦量即為x1,將此離焦量轉換為電機運動的當量脈沖數,使鏡頭通過Step2的運動達到聚焦位置。[3]圖4 “2步法”聚焦策略 對焦搜索算法的選取“爬山法”經過多次運算可以訓的最佳聚焦位置。與“爬山法”相比,“兩步法”自動聚焦搜索算法使對聚焦評價函數值的計算量和搜索路徑長度很大程度的減少。但是，“爬山式”自動聚焦策略其搜索精度可通選用不同的評價函數與不同的搜索步長，根據不同的需求來調節其精度。故“爬山式”搜索策略可應用性更強。兩種對焦搜索算法各有千秋，其使用的場合也各不相同。本課題研究的是彩色顆粒的顯微圖像的自動對焦，因此其對精度要求較高。因此，本方案的聚焦搜索算法采用的爬山式自動調焦搜索算法，如圖3。首先，對焦鏡頭以一定的步長作任意方向搜索，假定從M點開始搜索，判斷M點與其左右兩測一個步長的對應點各自的評價函數值的大小，判斷完之后，即可確定搜索方向，搜索方向即評價函數值增大的方向，亦即山頂方向，也就是圖上的N點。經過不斷的判斷與不斷的搜索知道搜索到P1點，第一次搜索結束。然后由P1點開始進行第二次搜索。每增加一次搜索相應的步距應減少，直到能滿足精度要求為止。其流程圖如圖5所示。[9]圖5 爬山式自動對焦方式然而僅僅采用一定步長的“爬山法”自動聚焦搜索算法，其聚焦精度與聚焦速度很難統一起來。常常會出現顧此失彼的現象。這樣的方法主要是速度和精度無法協調,本課題中提出的自動聚焦算法能較好地解決這個問題。根據當前聚焦評價函數的梯度值大小來選擇合適的評價函數和步長是本課題提出的算法關鍵之所在。多次實驗結果表明聚焦評價函數在離焦比較遠時其梯度值比較小,而當快接近焦點時其梯度值會顯著地增加。 對焦搜索過程聚焦評價函數與鏡頭位置關系曲線如圖6所示，當聚焦評價函數值最大時圖像最清晰，所以通過與相鄰的兩個聚焦評價函數值的比較，即可判斷聚焦馬達的驅動方向。圖6 聚焦評價函數與鏡頭位置關系曲線