【文章內(nèi)容簡介】 言進(jìn)行交互。人機(jī)交互的語法基礎(chǔ)也隨之油然而生。要提高對焦速度，就應(yīng)以包含對焦目標(biāo)的最小窗口為對焦區(qū)域，而當(dāng)視場內(nèi)存在多目標(biāo)時則應(yīng)以靠近視場中心或人機(jī)交互的目標(biāo)為對焦目標(biāo)。與此同時，還應(yīng)兼顧對焦效果。合理的選擇對焦窗口，可以進(jìn)一步減少冗余信息的干擾，提高計算速度。應(yīng)根據(jù)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(yōu)點與缺點，應(yīng)根據(jù)不同的應(yīng)用環(huán)境與所要達(dá)到的效果選擇與之相適應(yīng)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(jìn)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(yīng)對整個窗口進(jìn)行對焦。5 對焦（清晰度）評價函數(shù)的選擇在自動對焦中圖像對焦評價函數(shù)的選取極為關(guān)鍵。選的合適則會將整個系統(tǒng)的性能提高，選的不合適則會影響整個系統(tǒng)的性能。對焦評價函數(shù)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(yīng)選擇相適應(yīng)的評價函數(shù)。理想的對焦曲線具有以下幾個特點：單峰性、單調(diào)性、魯棒性。除此之外，還應(yīng)具有無偏性好，靈敏度高，穩(wěn)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(yán)重程度決定圖像的模糊程度，而高頻分量的損失越嚴(yán)重散焦越嚴(yán)重。歸根結(jié)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(shù)在相當(dāng)大的程度上影響著聚焦效果，其評價依據(jù):(1)在最佳對焦參數(shù)對應(yīng)的點上具有峰值，在最佳點兩側(cè)時，清晰度評價函數(shù)是單調(diào)遞減的。(2)清晰度評價函數(shù)的魯棒性不會受到或很少受到環(huán)境中存在的各種復(fù)雜噪聲的影響。清晰度評價函數(shù)以以下三類的應(yīng)用最為廣泛。1）熵函數(shù)。處于聚焦?fàn)顟B(tài)圖像的熵大于處于離焦?fàn)顟B(tài)的圖像，所以可把熵函數(shù)作為對焦清晰度評價標(biāo)準(zhǔn)的一種。也就是說，隨著熵函數(shù)的增大，圖像的清晰度也隨之增強(qiáng)。2）頻譜函數(shù)。相對于模糊的圖像來講清晰的圖像存有更多更準(zhǔn)確的信息。圖像中的細(xì)節(jié)(細(xì)節(jié)意味著圖像有清晰可辨的邊緣，在局部有很強(qiáng)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(shù)。在圖像處理過程中，提取圖像邊緣信息通常采用梯度函數(shù)。邊緣越尖銳的圖像聚焦程度越好，其對應(yīng)的梯度值越大。常用的梯度函數(shù)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?fàn)顟B(tài)的的圖像的灰級比處于模糊狀態(tài)的圖像的灰級大,不同的灰級對應(yīng)著不同的聚焦離焦?fàn)顟B(tài)。故方差算子可以作為對焦清晰度的評價標(biāo)準(zhǔn),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(jìn)行二階微分運算: (3)二階微分有著不同的模板,根據(jù)不同的微分方法選取如下對應(yīng)的模板:表1 拉普拉斯算子系數(shù)1414204144評價因子:此處：d差分算子：一階差分算子函數(shù),其表達(dá)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(shù)表達(dá)式為 (5)y向一階差分算子函數(shù)表達(dá)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(shù)對應(yīng)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(biāo)系中進(jìn)行比較,見圖2d,容易發(fā)現(xiàn),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(shù)。其它的評價函數(shù)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(shù)綜合運用。不同的評價函數(shù)有自身的相應(yīng)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(shù),再下來是梯度函數(shù),梯度函數(shù)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(xiàn)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(shù)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(yīng)選擇與之相應(yīng)的對焦評價函數(shù)?？傊瑢乖u價函數(shù)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(tǒng)要進(jìn)行實時對焦，故應(yīng)選擇運算速度快的算子作為評價清晰度的函數(shù)。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(shù)。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(yōu)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(jīng)過6次計算聚焦測度函數(shù),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(shù)的函數(shù)值與離焦量之間的函數(shù)關(guān)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(shù)值,即計算F(x0)。物鏡以步距u移動Step1后,得到F(x1)。根據(jù)F(x)的單調(diào)性,通過F(x0),F(x1)及Step1的運動方向可以唯一推斷出x0,x1。當(dāng)前位置的離焦量即為x1,將此離焦量轉(zhuǎn)換為電機(jī)運動的當(dāng)量脈沖數(shù),使鏡頭通過Step2的運動達(dá)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(jīng)過多次運算可以訓(xùn)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(shù)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(shù)與不同的搜索步長，根據(jù)不同的需求來調(diào)節(jié)其精度。故“爬山式”搜索策略可應(yīng)用性更強(qiáng)。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(diào)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(yīng)點各自的評價函數(shù)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(shù)值增大的方向，亦即山頂方向，也就是圖上的N點。經(jīng)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(jié)束。然后由P1點開始進(jìn)行第二次搜索。每增加一次搜索相應(yīng)的步距應(yīng)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(tǒng)一起來。常常會出現(xiàn)顧此失彼的現(xiàn)象。這樣的方法主要是速度和精度無法協(xié)調(diào),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(jù)當(dāng)前聚焦評價函數(shù)的梯度值大小來選擇合適的評價函數(shù)和步長是本課題提出的算法關(guān)鍵之所在。多次實驗結(jié)果表明聚焦評價函數(shù)在離焦比較遠(yuǎn)時其梯度值比較小,而當(dāng)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(shù)與鏡頭位置關(guān)系曲線如圖6所示，當(dāng)聚焦評價函數(shù)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(shù)值的比較，即可判斷聚焦馬達(dá)的驅(qū)動方向。圖6 聚焦評價函數(shù)與鏡頭位置關(guān)系曲線