一种基于二阶矩函数的图像聚焦测度实现方法与流程

本发明属于信息处理技术领域，具体涉及一种基于二阶矩函数的图像聚焦测度实现方法。

背景技术：

日常生活中的拍照设备，例如单反相机、具有照相功能的手机以及路口的监控抓拍系统等都可以获得清晰的图像。然而清晰图像的获取是依赖于拍照设备的自动聚焦性能实现的。目前，市场上的拍照设备主要采用被动成像的自动聚焦技术。其核心是设计一个用于评价图像清晰度的聚焦测度，通过聚焦测度来选择最清晰的图像并保存。因此，一个性能优良的聚焦测度实现方法直接影响到所拍摄图像的质量。

目前使用较为广泛的图像聚焦测度方法是基于图像细节信息来构建的，例如基于图像边缘提取的聚焦测度。典型的方法有图像一阶高斯导数方法、二阶导数方法、一阶偏导数方法、梯度求和方法以及拉普拉斯求和方法等。此类方法的本质是构造一个尺寸为3×3或者5×5卷积模板，用该模板与整幅图像进行卷积运算。卷积运算的结果是提取出图像的边缘信息，然后采用取绝对值或者平方求和的形式来构造整幅图像的聚焦测度。此类构造聚焦测度的方法存在如下两个主要缺点。首先是卷积运算复杂度高，需要对整幅图像的所有像素点进行遍历操作，目前还没有较为成熟的快速算法，尤其是硬件设备上的快速算法，使得此类聚焦测度方法的聚焦实时性指标较差。其次是图像的噪声与边缘信息均属于高频信息，经过卷积运算后会增强噪声信息，也就是说此类聚焦测度易受噪声影响，最终导致错误的聚焦。

另外一类聚焦测度方法是基于图像变换的方法，即在变换域(频域)提取图像的高频信息来构建聚焦测度。典型的方法有细尺度小波系数的和、高频与低频小波系数的比率、基于离散余弦变换的聚焦测度、基于s变换的聚焦测度以及多项式变换的聚焦测度。这些基于变换的方法有一个共同的特点，就是对图像进行变换后提取高频信息，以此来作为图像聚焦测度值。这类方法和前面基于边缘提取的方法在思想方法上是一致的，均强调高频信息。只不过前者是在空域采用卷积的方法来构造聚焦测度，而后者是在频域采用变换的方式来构造聚焦测度。基于图像变换的方法也容易受噪声影响，并且有些变换的计算复杂度比较大，例如小波变换和多项式变换，均没有成熟的硬件快速算法。

上述两类方法还有一个共同的特点是以整幅图像的全局信息来构建聚焦测度。如果图像的背景比较均匀或者比较平滑，此时极易受噪声影响，使得相应的聚焦测度无法反映出图像的清晰度信息。例如用手机的拍照功能在光照条件比较弱的室内或者夜间场景下进行拍照，我们会发现(手机)相机的自动对焦功能并不好用，所拍摄出的图像存在模糊现象并且有颗粒感。这就是聚焦测度算法失效的一个体现。因此，如何构建具有噪声鲁棒性的聚焦测度具有重要的研究意义与实用价值。

技术实现要素：

针对现有技术中存在的问题，本发明提供了一种具有强噪声鲁棒性的图像聚焦测度实现方法，本发明所采取的技术方案如下：

一种基于二阶矩函数的图像聚焦测度实现方法，包括如下步骤：

步骤s1：将原始图像像素的行数和列数均调整为2ⁿ的整数倍，其中n为正整数，得到图像f(x，y)，图像f(x，y)的行数和列数分别用m和n表示；

步骤s2：对图像f(x，y)进行分块处理，得到大小为2ⁿ×2ⁿ像素的子图像si(x，y)，其中i＝1，2，...，m×n/2²ⁿ；子图像si(x，y)的变量取值为：x＝0，1，...，2ⁿ-1，y＝0，1，...，2ⁿ-1；

步骤s3：计算每一幅子图像si(x，y)的矩函数mi(u，v)，其中u和v代表频域变量，u＝0，1，...，2ⁿ-1，v＝0，1，...，2ⁿ-1；

步骤s4：选取每一幅子图像的矩函数mi(u，v)来构造该子图像的清晰度fi；

步骤s5：将所有子图像清晰度fi所构成的集合记为{fi|i＝1，2，...，m×n/2²ⁿ}，求该集合的方差，并把方差值作为整幅图像的聚焦测度值。

优选地，所述步骤s3中的矩函数计算公式为：

其中xc＝mi(1，0)/mi(0，0)，yc＝mi(0，1)/mi(0，0)，分别代表子图像重心坐标的x轴分量和y轴分量。

优选地，所述步骤s4中清晰度fi的计算公式为：

与现有技术相比，本发明具有的有益效果是：本发明原理简单，采用图像分块的方式和矩函数的计算来构造图像细节信息，具有计算复杂度低的优点，同时通过步骤s2～s5的实施，很大程度上降低了噪声对图像细节信息的干扰，使得本方法所得到的聚焦测度有较高的噪声鲁棒性，适合于相机的被动成像系统，尤其是低对比度成像条件下的抗噪声能力较强，适合于推广使用。

附图说明

图1为本发明的实施步骤框图。

具体实施方式

为了便于技术人员理解本发明的技术方案，现结合说明书附图和实施例对本发明的技术方案作进一步详细描述。

本发明提出了一种基于二阶矩函数的图像聚焦测度实现方法，其实施步骤框图如图1所示，在本实施例中，选择n＝3，则该方法的具体步骤细化为：

步骤s1，将原始图像像素的行数和列数调整为8的整数倍，可以通过对图像进行裁剪或者插值来实现，这样便得到图像f(x，y)。这里，f(x，y)的行数和列数分别用m和n表示。之所以对图像行数和列数进行调整是因为本发明所提出的方法是基于图像分块实现的，当n＝3时，需要把图像划分为大小为8×8像素的若干幅子图像。

为了降低图像噪声(主要是高斯噪声、椒盐噪声和乘性冲击噪声)的影响，接下来的步骤s2～s5起到了关键作用。

步骤s2，对图像f(x，y)进行分块处理，得到若干幅大小为8×8的子图像si(x，y)，其中i＝1，2，...，m×n/64。注意子图像的大小为8×8，因此子图像si(x，y)的变量取值为：x＝0，1，...，7，y＝0，1，...，7。之所以对图像进行分块处理是出于降低计算复杂度的考虑。这与传统的空域滤波计算过程中采用逐像素点进行处理的方式相比，大大降低了计算复杂度。此外，基于分块的计算方法还有平滑滤波的效果，能够初步降低噪声对图像清晰度量化结果的影响。

步骤s2中对图像f(x，y)进行分块处理，其分块的大小为8×8像素，若要进一步降低计算复杂度，可以选择分块大小为16×16像素。注意，若步骤s2中子图像的大小发生变化，对应的步骤s1中，图像的行数和列数也应进行相应倍数的调整。

步骤s3，计算每一幅子图像si(x，y)的矩函数mi(u，v)，其中u和v代表频域变量，u＝0，1，...，7，v＝0，1，...，7。

矩函数计算公式为：

其中xc＝mi(1，0)/mi(0，0)，yc＝mi(0，1)/mi(0，0)，分别代表子图像重心坐标的x轴分量和y轴分量。在矩函数的计算公式中，用子图像变量减去相应的重心坐标可以消除图像平移所造成的幅值波动。

步骤s4，选取每一幅子图像的矩函数mi(u，v)来构造该子图像的清晰度fi，具体计算公式为：

子图像的清晰度fi的计算公式中使用了mi(2，0)、mi(0，2)、mi(1，1)和mi(0，0)这四个不同的矩函数，主要出于如下考虑：

把u＝2，v＝0带入到矩函数的计算公式中得到：

在统计学上，mi(2，0)的计算表达式从本质上来讲是二维图像在x轴方向上的方差，利用mi(2，0)可以提取出子图像中水平方向上的细节信息。

把u＝0，v＝2带入到矩函数的计算公式中得到：

在统计学上，mi(0，2)的计算表达式从本质上来讲是二维图像在y轴方向上的方差，利用mi(0，2)可以提取出子图像中垂直方向上的细节信息。

把u＝1，v＝1带入到矩函数的计算公式中得到：

在统计学上，mi(1，1)的计算表达式从本质上来讲是二维图像在对角线方向上的协方差，利用mi(1，1)可以提取出子图像中对角线方向上的细节信息。

mi(2，0)、mi(0，2)和mi(1，1)的求和代表了子图像在x轴、y轴和对角线这三个主要方向上的细节信息，这三者的和再除以mi(0，0)可以增强清晰度fi的描述能力。这是因为，在一些成像设备中，焦距的变化会导致所拍摄的图像发生一定程度的缩放，引入了一些不必要的噪声。为了降低图像缩放对聚焦测度的影响，图像清晰度的公式中用mi(0，0)作为分母来进行归一化操作，这使得清晰度fi具有一定的尺度不变特性，从而降低图像尺度变化所带来的影响。

步骤s5，所有子图像清晰度信息fi所构成的集合记为{fi|i＝1，2，...，m×n/64}，求该集合的方差，并把方差值作为整幅图像的聚焦测度值。对于一幅聚焦良好的图像，其所包含的细节信息较多，具体有边缘信息或者区域边界信息，并且这些细节信息均出现在图像的局部区域中。而这部分信息的提取对于聚焦测度的计算至关重要。这也是本发明实施步骤s2中对图像f(x，y)进行分块操作的另外一个原因。实际上，图像越清晰，图像的亮度变化越明显，从图像像素值的角度来考虑就是清晰图像的像素值具有较大的离散度。在统计学上通常使用方差来衡量这一离散特性。因此，本发明在步骤s5中通过计算所有子图像清晰度信息fi的方差来得到聚焦测度。

步骤s5所计算出来的方差值越大就意味着每一幅子图像中所包含的清晰度信息的对比度越大，即图像中包含的细节信息越多。

在其他施例中，可以根据待处理图像的像素数量以及对方法的实时性需求等因素选择n值，n值越大，分块数量越少，方法的实时性越好，但是聚焦效果越差；反之，n值越小，分块数量越多，聚焦效果越好，但是方法的实时性变差，所以选择一个折中的n值非常重要。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。