一种基于强边缘检测的图像清晰度评价方法与流程

本发明涉及一种图像清晰度评价方法。

技术背景

随着各类数字成像技术的飞速发展，获取高质量的清晰图像对于成像系统本身和后续的图像处理(模式识别)等有着重大意义。在图像采集系统中，为获得清晰图像，焦距的调整尤为重要，这就要求摄像系统能够在获得图像清晰度的基础上进行自动调焦。而大多自动调焦算法是基于图像处理的，即通过对图像清晰度的评判，获取成像系统当前的调焦状态，进而根据调焦控制策略驱动调焦机构，获得最清晰的目标图像。如何客观有效地评价不同图像的清晰度，仍是目前研究的热点。因此，图像清晰度评价在图像分析和识别中有着举足轻重的意义。

一个理想的图像清晰度评价函数或称为调焦函数，应该具备单峰性、无偏性、敏感性、稳定性等特点。国内外提出的清晰度评价函数方法总结为以下四点：1、基于空域函数；2、基于频域函数；3、基于信息学函数；4、基于统计学函数。

而这些方法各有优缺点，如空域函数评价快而简洁，但对图像细节的微小变化不太敏感；频域函数虽然对清晰度变化敏感，但计算量大而慢，不能满足实时有效性要求；基于信息学的熵函数，依据图像聚焦时的信息熵比离焦时的信息熵要大来区分不同清晰度，但图像的内容不同会出现较大波动，甚至出现相反的结果，因此不能评价不同图像；基于统计学的函数，测量精度不是很高，评价结果不准确。以上方法没有或很少涉及到不同图像的清晰度比对，因此本发明在新八方向sobel模板基础上提出了自适应阈值强边缘检测算法。

技术实现要素：

为了解决现有技术的上述不足，本发明提供一种新的基于强边缘检测的图像清晰度评价函数方法，本发明具有计算量小、实时性高、单峰性强、无偏性好、灵敏度高等特点，而且还具有很好的抗噪性能，能够满足不同聚焦图像清晰度评价的要求。

为实现上述目的，本发明采用以下技术方案：

一种基于强边缘检测的图像清晰度评价函数方法，包括如下步骤：

步骤一，设定边缘检测算子，即八方向sobel算子；

传统的sobel算子只考虑了水平和竖直两个方向的空间位置，而实际情况中的梯度方向是未知的，所以其计算出来的结果往往会存在一定的误差。针对此问题，在基于传统sobel算子上，采用了一种八方向sobel算子，又因为在离焦模糊图像清晰度评价时考虑当前像素与其他像素空间位置时，采用了八个不同权值的模板。

这里只定义了八个方向模板，因为虽然继续增加模板的数量能够进一步提高计算的准确性，但出于对计算效率的考虑和边缘宽度的限制，不宜再增加模板的数量。

将八方向sobel模板转换为另八方向不同权值模板的结果：

步骤二，判定图像清晰度评价函数的设定：这里采用的是强边缘像素的强度均值，采用的八方向模板是步骤一所示转换后的模板。

边缘强度大小即图像中每个像素点的梯度值可采用计算公式：

i(x,y)＝|h1|+|h2|+|h3|+|h4|+|h5|+|h6|+|h7|+|h8|(3)

其中hi(i＝1,...,8)表示为八方向模板对图像中每个点进行邻域卷积计算，提取图像八个方向上的边缘成分：

h1＝f(x,y)*b1，h2＝f(x,y)*b2

h3＝f(x,y)*b3，h4＝f(x,y)*b4

h5＝f(x,y)*b5，h6＝f(x,y)*b6(4)

h7＝f(x,y)*b7，h8＝f(x,y)*b8

为判定当前边缘的梯度方向，只需要求出卷积结果最大所对应的模板即可：

θ＝max{hi,i＝1,2,...,8}(5)

为了能更好的得到评价指标，图像中每个像素点梯度值可以表示为：

其中，highthreshold表示梯度强度的高阈值，如果边缘强度大于此阈值，表示是有效的边缘。

对于highthreshold，即梯度强度的高阈值选取，其规则是取对应图像灰度梯度最大值的1/2。

然后求有效的边缘强度的均值，即为清晰度评价函数：

其中，f为本发明提出的清晰度评价函数，n为满足i(x,y)≥highthreshold的个数，是一个可变的数值。

本发明的优点是：采用的八方向模板考虑了不同方向的灰度差，增强了边缘提取的效果；考虑当前点的正方向与周围点的空间位置关系，应赋予差别不能太大的权值，避免了噪声的引入；边缘强度大小即图像中每个像素点的梯度值的计算公式采用范式1的计算方法，大大节省了平方再开方运算所需的时间，还利于提取图像边缘点。

附图说明

图1是本发明的不同阈值水平下的图片边缘提取；

图2是本发明的不同阈值水平下的laplacian评价值曲线图；

图3是本发明的相同清晰度比聚焦函数的图像；

图4是本发明的灵敏度定义示意图；

图5是本发明的实验待测序列图像，其中所含的图像依次是由离焦到聚焦过程中所采集的图像，其中，第6幅最清晰，第5幅次之，且第5幅、第4幅与第3幅清晰度相差不多，其他为模糊图像；

图6是本发明的四种不同函数清晰度评价结果的示意图；

图7是本发明的不同图像类别清晰度函数评价结果的示意图；

图8是本发明的区域9下的模糊图片；

图9a是本发明的八方向sobel算子的前4张最清晰图片；

图9b是本发明的前4张最清晰图片；

图10是本发明的实验用的聚焦图片；

图11a～图11b是本发明的不同函数评价曲线，图11a是tenengrad清晰度函数评价结果，图11b是laplacian清晰度函数评价结果，图11c是八方向sobel清晰度函数评价结果，图11d是强边缘清晰度函数评价结果。

具体实施方式

下面结合附图，进一步说明本发明的技术方案。

本发明提出了一种新的基于强边缘检测的图像清晰度评价函数方法，针对不同图像清晰度无法统一评判问题，采用了一种自适应阈值的强边缘检测与八方向sobel算子结合的方法，通过每种图像不同的最高强度阈值对边缘梯度进行评判，最后算其均值作为清晰度评价。经实验结果表明，该算法不仅计算量小、实时性高、单峰性强、无偏性好、灵敏度高等特点，而且还具有很好的抗噪性能，能够满足不同聚焦图像清晰度评价的要求。本发明主要介绍了算子的确定、评价函数的确定和强边缘检测阈值的确定，最后通过做实验的方法，进行各评价函数算法的比较，从而来体现本发明的如上所述特点。

参照附图，基于强边缘检测的图像清晰度评价函数方法，步骤如下：

步骤一，设定边缘检测算子，即八方向sobel算子：

传统的sobel算子只考虑了水平和竖直两个方向的空间位置，而实际情况中的梯度方向是未知的，所以其计算出来的结果往往会存在一定的误差。针对此问题，在基于传统sobel算子上，采用了一种八方向sobel算子，又因为在离焦模糊图像清晰度评价时考虑当前像素与其他像素空间位置时，采用了八个不同权值的模板。

这里只定义了八个方向模板，因为虽然继续增加模板的数量能够进一步提高计算的准确性，但出于对计算效率的考虑和边缘宽度的限制，不宜再增加模板的数量。

将八方向sobel模板转换为另八方向不同权值模板的结果：

步骤二，判定图像清晰度评价函数的设定：这里采用的是强边缘像素的强度均值，采用的八方向模板是步骤一所示转换后的模板。

边缘强度大小即图像中每个像素点的梯度值可采用计算公式：

i(x,y)＝|h1|+|h2|+|h3|+|h4|+|h5|+|h6|+|h7|+|h8|(3)

其中hi(i＝1,...,8)表示为八方向模板对图像中每个点进行邻域卷积计算，提取图像八个方向上的边缘成分：

h1＝f(x,y)*b1，h2＝f(x,y)*b2

h3＝f(x,y)*b3，h4＝f(x,y)*b4

h5＝f(x,y)*b5，h6＝f(x,y)*b6(4)

h7＝f(x,y)*b7，h8＝f(x,y)*b8

为判定当前边缘的梯度方向，只需要求出卷积结果最大所对应的模板即可：

θ＝max{hi,i＝1,2,...,8}(5)

为了能更好的得到评价指标，图像中每个像素点梯度值可以表示为：

其中，highthreshold表示梯度强度的高阈值，如果边缘强度大于此阈值，表示是有效的边缘。

对于highthreshold，即梯度强度的高阈值选取，其规则是取对应图像灰度梯度最大值的1/2。

然后求有效的边缘强度的均值，即为清晰度评价函数：

其中，f为本发明提出的清晰度评价函数，n为满足i(x,y)≥highthreshold的个数，是一个可变的数值。

为了验证本发明的优越性，对几种不同的评价函数进行了对照实验，同时对不同highthreshold的选择也进行了对照。

首先进行不同highthreshold选择的对照。

由附图1中的实验结果研究表明，对不同的图片，当阈值水平取为最大值的10％时，是很容易引进噪声的；而当阈值水平为50％时，较好地提取到了最清晰的边缘部分；随着阈值的增加，若当阈值超过一定水平时，所提取的边缘像素点逐渐减少，不能较好地反映图片信息。

为说明阈值选取的可靠性，增加了对比实验。本实验采用了400×400的6张图片，其部分图片在附图5中所示。

对几种不同的评价函数进行了如下对照实验。

实验中，将tenengrad梯度阈值函数所提出的方法做为了本实验的对照组。设置较小的梯度值t0＝15，这样减少了中间过渡带的引入；其次给梯度矩阵加一个较大的阈值t1＝40以减小高频噪声的影响。接着，对laplacian梯度函数所提出的方法进行了相应的阈值处理，对进行平滑处理后的图像采用普拉斯函数法计算图像清晰度函数，计算得到适合本实验的阈值。如附图2所示，这里设置t0＝25，此时的敏感度最好，各个图像的差别显然较大，有利于精准评价图像清晰度。这样在低阈值上提高数值，能够很好地满足本实验图片的边缘提取要求。最后用普通八方向算子进行实验，其每移动一步都要计算八方向的sobel卷积结果并比较其标准差与阈值的大小。以上为增设的三组不同的清晰度评价函数，作为本发明的对照，其对比量化的标准从清晰度比率、陡峭度、灵敏度这三个指标进行评价。

首先确定对照实验中的对照因子，即性能评价指标的设计：

1.清晰度比率指标

定义清晰度比率r为：

其中fmax为聚焦函数的最大值，fmin为聚焦函数的最小值，清晰度比率r表征了不同离焦程度的图像分辨能力，其值越大清晰图像与模糊图像的差别越大，也越容易分辨。

2.陡峭度指标

即使如附图3那样会出现清晰度比率相同的情况，但此时函数的陡峭度是不同的，所以此时引入了陡峭度指标，同时注意到左右边的陡峭度不一定对称相等，可分别定义左陡峭度和右陡峭度来表征。其左陡峭度公式为：

同理，定义右陡峭度为：

那么聚焦函数总的陡峭度可以定义为左右陡峭度的均值，即：

其中，fmax为聚焦函数最大值，flcp为左临界点的聚焦函数值，frcp为右临界点的函数值，w为陡峭区宽度。该参量s充分考虑了陡峭区宽度w对曲线形态的影响，因此在具有相同清晰度比率的情况下，反映聚焦函数的另一内在特征如陡峭度时，评价的结果是更为精确的。

3.灵敏度指标

在聚焦函数的最大值附近，若横坐标改变一个ε大小的位移量，不同聚焦函数值会发生不同剧烈的变化。在附图4中，函数f1和f2都变化了ε，而函数值f2变化了δ2，f1只变化了δ1，即两者敏感度不同。在聚焦过程中，聚焦函数最大值附近变化越剧烈，就越容易找到真实的焦平面。

用灵敏度来表征聚焦函数在最大值附近变化的剧烈程度，灵敏度越高说明变化越剧烈，反之，越缓和，其计算式子为：

其中，fmax为聚焦函数的最大值，而横坐标移动ε后的聚焦函数值为f(xmax+ε)。

然后根据已确定因子来对不同评价函数所得出的结果进行对比：

从附图6可以看出，虽然laplacian算法的陡峭度较好，但因第1幅和第2幅明显是模糊图像，清晰度比第3、4幅和第5幅差，因此该算法不是最理想的方法。而清晰度评价函数最不理想的是tenengrad算法，其评价出现了截然相反的结果。而对比这三个指标，本发明的评价指标较优，次之是八方向sobel算法。

因此，本发明为一种精确方法，计算结果可以始终保持较好评价结果，计算准确性较高。进一步的，下面从不同类别图像中比较各个算法的适用性与模型的泛化能力。

由于不同评价函数所得出的结果其评价图像只涉及相同类型的图片，具有一定的局限性为了对不同图像清晰度比较，增加到了17种图片类型来比较适用性。各个评价函数筛选出的最佳清晰图像编号(index)结果如附图7所示，各个聚焦函数的评价结果存在一定的差异，但是，本实验设计了几组明显特征的区域，通过对比原图分析发现八方向sobel算法和本发明算法最佳，本发明又优于八方向sobel。如区域9故意放置了几张模糊的图片(附图10)，一个好的清晰度评价函数理应避免选中模糊图片。本发明的算法很好地避开了这个陷阱，所选最佳图片编号为nan，即无清晰图片。又如附图9显示的是一组对不同类型图片进行清晰度由好到差排序的前4张图片，八方向sobel算法和本发明算法排序结果有所差异，右侧两张八方向sobel算法的图片明显是模糊图片，而本发明方法排序结果表现较佳。

为了说明本方法的实用性，又采取了四张相近聚焦的图片(附图10)，来比较相近清晰度下的不同聚焦函数表现，理论上这四张聚焦的清晰图片，其清晰度评价的函数值是相同的，或者说是有较高相近度的，评价结果理应是相近的。为避免不同量纲的影响，各个清晰度函数评价值已经归一化到[0,1]的范围，只需要观察变化幅度的影响。由附图11的结果来看tenengrad算法、laplacian算法、八方向的sobel算法存在明显的波动情况，而本发明的方法表现出各个图像评价值相近，差别较小。所以本发明的方法最好，能够应用于评判不同类型图像的清晰度。

本方案的优点：通过合理而简便地计算边缘特性和不同图像的阈值确定，能够满足不同类型图像的清晰度评价需求，特别是在摄像系统中能够实现不同场景的聚焦功能，及时捕捉最清晰的图片。例如在航空、遥感摄影时，由于相机所处的环境气压大、温度变化不稳定等，使影像模糊，现在只需要通过图像清晰度评价函数进行聚焦，从原理上来说更为方便简单。此外，如果可以采用较低成本的摄像头装置来获取场景中最清晰的图片，这大大减少了经费投入。

说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。