本發(fā)明涉及一種基于圖像處理的自動聚焦技術。具體涉及一種基于最強邊緣梯度拉普拉斯算子累加的自動聚焦算法。利用本發(fā)明所建立的基于最強邊緣梯度拉普拉斯(Laplace)算子累加的自動聚焦算法可以對大多數(shù)顯微樣品實現(xiàn)快速聚焦。本發(fā)明主要用于光電成像系統(tǒng)自動聚焦領域。
技術背景
光電成像系統(tǒng)作為一種成像工具,在工業(yè)、農(nóng)業(yè)、科研等各個領域都發(fā)揮了重要的作用。在成像系統(tǒng)中,光學鏡頭的焦距對準是獲取清晰圖像的前提,隨著科學技術的發(fā)展,光學鏡頭的自動對焦成為了一項重要課題。近年來,隨著數(shù)字圖像處理技術的發(fā)展,基于圖像處理的自動對焦技術得到了長足的發(fā)展。這種方式不是依賴外部條件(如激光、紅外線或超聲波等)來測量透鏡和物體之間的距離,而是采用圖像處理技術來確定被觀察物體是否在焦平面上。然后通過驅(qū)動機構調(diào)整焦距或者控制物體與光學鏡頭的距離來實現(xiàn)自動對焦。在運動過程中實時計算圖像聚焦評價函數(shù)的值,評價函數(shù)最大值的物面位置即為聚焦平面。因此自動聚焦的關鍵是構造一個有效的聚焦評價函數(shù)。一個理想的聚焦評價函數(shù)應具有無偏性和單峰性,能夠在最佳聚焦位置獲得最大值,同時應具有良好的抗噪能力。本發(fā)明就是建立這樣一個聚焦評價函數(shù),在樣品聚焦時達到峰值,在離焦時能夠在一定范圍內(nèi)保持穩(wěn)定不變。
技術實現(xiàn)要素:
為了實現(xiàn)光學成像系統(tǒng)的自動聚焦,本發(fā)明在于提供一種自動聚焦清晰度評價方法,該聚焦評價函數(shù)具有單峰性和無偏性,能夠保證系統(tǒng)完成自動聚焦。
為實現(xiàn)上述目的,本發(fā)明技術方案:
一種基于最強邊緣梯度拉普拉斯算子累加的自動聚焦算法,包括以下步驟:
首先對當前圖像所有像素點拉普拉斯算子的兩個二階微分算子分量取絕對值后進行求和運算,獲得改進的拉普拉斯算子;
然后求取當前圖像中所有像素點離散后的改進拉普拉斯算子值;
對離散后的改進拉普拉斯算子值按大小進行排序,利用聚焦評價函數(shù)將前P個最大的值做平均運算,得到的平均值作為當前圖像的清晰度值;
通過相機依次采樣圖像,計算每幅圖像的清晰度值;當清晰度達到峰值時,則聚焦結束。
所述改進的拉普拉斯算子為:
其中G(x,y)為改進后的拉普拉斯算子,f(x,y)為圖像中(x,y)點的灰度值。
所述離散后的改進拉普拉斯算子為:
ML(x,y)=|2f(x,y)-f(x-1,y)-f(x+1,y)|
+|2f(x,y)-f(x,y-1)-f(x,y+1)|
其中ML(x,y)為離散后的改進拉普拉斯算子值。
所述聚焦評價函數(shù)為
其中,T為平均值,MAXi(ML(x,y)為排序后第i個最大的改進拉普拉斯算子值,P為常數(shù)。
本發(fā)明方法具有如下優(yōu)點:
1.本方法所建的聚焦評價函數(shù)曲線滿足自動聚焦曲線所要求的單峰性和無偏性,同時計算相對簡單,計算量小,效率高,容易實現(xiàn),能夠消除背景噪聲,適應大部分紋理特性的樣品自動聚焦。
2.本算法能夠消除顯微鏡背景噪聲對清晰度值計算的影響,實現(xiàn)了評價函數(shù)曲線的單峰性和無偏性,能夠在最佳聚焦位置取得最大值,具有很好的抗噪能力,對一定粗糙度和紋理特征的顯微樣本,甚至簡單的圖形的樣品都具有很好的聚焦能力。
3.通過本發(fā)明方法可以為光學成像系統(tǒng)的自動調(diào)焦提供有效的技術手段。
附圖說明
圖1為紋理復雜的標準柵格樣品圖像;
圖2為紋理簡單的微電極樣品圖像;
圖3為柵格樣品的整幅圖像梯度均值聚焦評價函數(shù)曲線,
圖4為柵格樣品的最強邊緣梯度拉普拉斯算子累加聚焦評價函數(shù)曲線;
圖5為微電極樣品的整幅圖像梯度均值聚焦評價函數(shù)曲線;
圖6為微電極樣品的最強邊緣梯度拉普拉斯算子累加聚焦評價函數(shù)曲線。
具體實施方式
下面結合附圖對本發(fā)明方法作進一步詳細說明。
首先對拉普拉斯算子的兩個二階微分算子分量取絕對值后進行求和運算獲得改進的拉普拉斯算子。如下公式,
則對應的離散的改進拉普拉斯算子可以表示為:
ML(x,y)=|2f(x,y)-f(x-1,y)-f(x+1,y)|
+|2f(x,y)-f(x,y-1)-f(x,y+1)|
然后求取視覺圖像所有像素點的改進后拉普拉斯算子值,然后對所得到的改進拉普拉斯算子值按大小進行排序,最后提取前P個最大的值做平均運算,這個平均值就作為當前圖像的清晰度值。由此建立聚焦評價函數(shù)如下:
其中,T為平均值,MAXi(ML(x,y)為排序后第i個最大的改進拉普拉斯算子值。
通過相機依次采樣圖像,計算每幅圖像的清晰度值,當清晰度達到峰值時,則聚焦結束。
在圖形圖像學中,通常用圖像邊緣強度來表征圖像清晰度。一般情況下,圖像邊緣處的梯度值越大則圖像越清晰。經(jīng)過研究對比,本方法選用對圖像邊緣有加強作用的拉普拉斯算子作為本算法的基礎。
拉普拉斯算子是定義在N維歐幾里德空間的二階微分算子,具有各向同性和旋轉(zhuǎn)不變性,從而滿足不同走向的圖像邊界的銳化要求,并可以作為圖像的高頻分量的估計量。在圖像處理領域,其廣泛應用于圖像邊緣提取、圖像邊緣銳化、聚焦等領域。經(jīng)典拉普拉斯算子定義式為:
但由于拉普拉斯測度算子在x,y方向的變化趨勢可能相反,以至相互抵消,所以在處理紋理圖像時,這種現(xiàn)象頻繁地出現(xiàn)會導致拉普拉斯算子的作用出現(xiàn)不穩(wěn)定的情況。為了克服這種問題,可以把拉普拉斯算子改寫為ML(Modified-Laplace)算子:
這樣,G(x,y)為改進后的拉普拉斯算子,f(x,y)為圖像中(x,y)點的灰度值;改進的拉普拉斯算子計算出的值相等或大于原來的拉普拉斯算子計算的值。離散拉普拉斯算子通常使用3×3算子。這樣,離散的改進拉普拉斯算子可以表示為:
ML(x,y)=|2f(x,y)-f(x-1,y)-f(x+1,y)|
+|2f(x,y)-f(x,y-1)-f(x,y+1)| (3)
在一幅聚焦圖像中,圖像的邊緣往往是少量的。對于絕大多數(shù)的非邊緣像素點而言,其梯度值很小。所以,這些非邊緣點并不適合用來表征圖像的清晰度。常規(guī)利用圖像梯度進行聚焦的方法往往簡單的用整幅圖像的梯度均值表征圖像的清晰度(如公式4)。這樣即存在兩個問題,第一,對于一幅紋理邊緣少的聚焦圖像來說,少量的梯度值較大的圖像邊緣點往往被大量的梯度值較小的非邊緣點弱化,在這種情況下,梯度均值并不能很好的反映圖像的清晰度變化。 第二,在遠離顯微鏡焦距一定距離,會有不規(guī)則背景噪聲出現(xiàn),如圖3所示。這些噪聲圖形有很多紋理邊緣,會有一定的梯度,從而使清晰度曲線產(chǎn)生多個峰值,進而使系統(tǒng)發(fā)生錯誤判斷。
式中,M、N分別為圖像的行數(shù)和列數(shù),MLmean為整幅圖像梯度均值聚焦評價函數(shù)。
由此,本發(fā)明提出了基于最強邊緣梯度拉普拉斯算子累加圖像清晰度評價方法。該方法的實現(xiàn)機理為:求取圖像每一像素點的拉普拉斯算子值,取其中最大的前P個點做均值T來表征圖像的清晰度(如公式5),通常P取50到100均可。
其中MAXi(ML(x,y)為第i個最大的清晰度值。
本算法設計思想:本算法所采用的前P個最大的拉普拉斯算子值,因為數(shù)量少,基本可以認定是圖像中梯度差別較大的邊緣起到作用最大,基本消除了非邊緣點所帶來的影響;另外,由于片狀背景噪聲的邊緣梯度與實際的樣品紋理邊緣梯度相比變化較緩,因此計算所得的清晰度值差別很大,因此實際應用中可以采用設定閾值的方法把片狀背景噪聲的影響消除掉,這樣就保證了清晰度曲線的單峰性。
用該方法與整幅圖像梯度均值聚焦函數(shù)進行對比試驗,分別采用紋理復雜、邊緣較多的柵格樣品(圖1)與紋理簡單、邊緣較少的微電極樣品(圖2)進行試驗。實驗裝置采用美國Navitar光學顯微鏡,物鏡放大倍數(shù)10倍,工作距離為34mm,CCD為加拿大PointGrey公司1394相機。樣品從焦平面以下約1.25mm 位置開始聚焦,采集3000張圖像進行分析,其中,圖像間距為0.5um。分別用兩種算法進行處理,其中P取50。
圖3為柵格樣品的整幅圖像梯度均值聚焦評價函數(shù)曲線,圖4為柵格樣品的最強邊緣梯度拉普拉斯算子累加聚焦評價函數(shù)曲線。從圖中我們可以看出,在邊緣較多的情況下,兩種算子都能得到很好的聚焦評價函數(shù)曲線。但是最強邊緣梯度拉普拉斯算子評價曲線峰值點清晰度值是普通算法峰值點的6倍,并且最強邊緣梯度拉普拉斯算子評價曲線峰值點清晰度值是離焦點清晰度值的18倍,而普通算法只有14倍,相對而言,本算法區(qū)分度更加明顯。
圖5所示為微電極樣品的整幅圖像梯度均值聚焦評價函數(shù)曲線。圖6為微電極樣品的最強邊緣梯度拉普拉斯算子累加聚焦評價函數(shù)曲線。在普通算法下,由于微電極樣品的邊緣較少,在聚焦狀態(tài)下的梯度變化會被非邊緣點的值給“平均掉”而弱化,因此產(chǎn)生的峰值清晰度甚至比遠焦的片狀噪聲產(chǎn)生的峰值清晰度還小,其評價函數(shù)曲線存在多個波峰,無法作為自動聚焦的評價曲線。而最強邊緣梯度算子由于能夠選擇梯度變化最強的邊緣參與最終清晰度值運算,因此能夠有效的濾除干擾,具有單峰性,滿足自動聚焦的要求。
經(jīng)過以上實驗可以證明,基于最強梯度的拉普拉斯算子可以有效的濾除包括背景噪聲在內(nèi)的干擾,實現(xiàn)更好的聚焦效果。