基于梯度計算的自動聚焦圖像清晰度評價函數仿真分析

潘雪娟，朱尤攀，潘 超，韓 娟，李大慶，張 皓，羅 琳，李澤民

?

基于梯度計算的自動聚焦圖像清晰度評價函數仿真分析

潘雪娟1,2，朱尤攀1,2，潘 超1，韓 娟1，李大慶3，張 皓1，羅 琳1，李澤民1

（1. 昆明物理研究所，云南 昆明 650223；2. 微光夜視技術重點實驗室，陜西 西安 710065；3. 中國人民解放軍63963部隊，北京 100072）

基于梯度計算的評價函數在自動聚焦系統中應用廣泛，函數形式變化多樣，本文基于圖像梯度計算的數學原理，通過MATLAB仿真分析，對比了常見梯度類評價函數的性能，總結了梯度類評價函數應用中結合系統成像質量控制算法性能的方法。

梯度算子；評價函數；數學原理；自動聚焦；MATLAB

0 引言

在基于圖像處理的自動聚焦方法中，準確的像質評價是聚焦位置搜索（占整個自動聚焦過程的大部分時間[1]）的前提，圖像清晰度評價函數在閉環系統中非常重要。由于場景的隨機性、成像系統的成像質量、噪聲干擾等問題，目前并沒有一種通用的評價函數能夠適用于所有場合。在眾多評價函數中，基于像素梯度計算的評價函數數量大、變化多、應用廣，各種梯度類評價函數的差別主要體現在梯度算子的不同，即差分對像素灰度變化不同的近似（方向、階數），以及像素梯度到評價值的映射處理，即對高頻信息的衡量（取絕對值、平方運算、求模等）。本文從梯度算子的數學原理出發，結合MATLAB仿真分析，對常見的梯度類評價函數比較，總結出一些基本的設計原則，對設計梯度類函數作為自動聚焦系統評價函數性能的把控提供參考。

1 基于梯度的評價函數原理

1.1 微分運算的差分近似原理

圖像清晰度評價的原理：清晰圖像比模糊圖像對比度高，邊緣細節豐富（高頻分量多），評價函數的實質基本都在檢測加強高頻信息，梯度類函數以像素梯度反映灰度的變化情況。灰度局部變化用微分來檢測，由于變化短促，一階和二階微分特別適合于這種目的[2]。如二維圖像的二階導數差分近似：拉普拉斯算子（梯度的散度）：

圖像像素位置關系如下：

一階導數通常在圖像中產生較粗的邊緣；導數的幅度可用于檢測圖像中的某個點處是否存在一個邊緣。二階導數對精細細節，如細線、孤立點和噪聲有較強的響應，導數對每條邊緣生成兩個值，零交叉點可用于定位粗邊緣的中心。在純粹的二階導數操作中就會出現對噪聲的敏感現象，三階以上的導數信息往往失去了應用價值。各種梯度算子的存在就是對這種導數分割原理進行實例化計算。圖像微分的差分近似可以通過卷積濾波實現，式(1)的卷積核為：

正是拉普拉斯4鄰域梯度算子。觀察差分運算式與其濾波模板的對應，梯度算子的差異主要在于：梯度方向、梯度計算間隔（微分運算階數）。大的算子可以用于檢測模糊邊緣，小的算子可用于檢測銳度集中的精細細節。實際中，數字圖像都存在被模糊且帶有噪聲的邊緣，模糊的程度主要取決于聚焦機理（如光學成像中的鏡頭），而噪聲水平主要取決于成像系統的電子元件。梯度算子的選取和設計正是基于梯度計算邊緣檢測的一大類圖像清晰度評價函數的重點，圖像數據的隨機性、噪聲影響，如何保證邊緣檢測準確高效是需要考慮的問題。

1.2 梯度算子性能比較分析

1.2.1 單個梯度算子中包含的信息

②階數，梯度計算的間隔體現微分的階數[2]，通常使用一階或二階的梯度算子。如梯度平方函數梯度算子對應一階微分，Brenner函數對應二階微分。對于二階微分的近似，Sobel算子進行加權平均處理。從另一個角度考慮，圖像對比度低的系統，如紅外成像系統，圖像邊緣較粗，使用間隔一個像素計算梯度的函數評價效果可能更好。文獻[3]中提到通過梯度間隔減弱噪聲干擾，文獻[4-5]對梯度間隔信息反映的頻率特性進行了分析，文獻[6]也討論了梯度間隔信息。

1.2.2 多個梯度算子

對二維圖像數據，綜合兩個互相垂直的方向梯度信息是合理的，常見單個梯度算子中只有拉普拉斯（4鄰域）算子包含兩個方向梯度信息，對圖像的梯度算子模板根據差分近似必需滿足的條件設計系數，在單個算子中包含兩個方向不好設計，最簡單的方法是同時使用計算兩個梯度方向的算子，可對單個方向梯度算子進行處理提高準確性，如SML（Sum Modified Laplacian）函數的兩個分別檢測水平垂直方向梯度信息的算子對應拉普拉斯4鄰域算子的兩個方向，又如Sobel算子梯度計算間隔1個像素，并進行了加權平均處理。

2 像素梯度到評價值的映射算法

2.1 單個梯度算子

對單個梯度算子與圖像矩陣卷積得到的梯度矩陣（每個像素點對應一個梯度值），將二維矩陣數據映射為一個評價數值，常見的有兩種處理方法，取絕對值累加和平方累加，即梯度幅度均值越大，圖像越清晰，平方運算加強梯度信息，但可能增強遠焦區的波動，對閾值處理具有依賴性。

2.2 多個梯度算子

3 實驗數據與分析

仿真平臺：CPU：Intel(R)b Core(TM) i5-4590 @3.3GHz，3.46GB內存，計算環境：MATLABR2012b。

采用13組圖像數據，其中，3組非制冷紅外紅外像，對比度低；6組制冷紅外圖像，對比度較非制冷紅外圖像高；4組可見光圖像，對比度較高。圖像序列依次對應離焦-聚焦-離焦的過程。文中采用圖1所示的3組典型圖像數據進行分析，第一組可見光圖像對比度高，45幅圖像中第30幅最清晰；第二組制冷紅外圖像，主體水平邊緣豐富，背景云在動，81幅圖像中第41幅最清晰；第3組非制冷紅外圖像，對比度低，22幅圖像，前面的人在第9幅圖最清晰，后面的人在第17、18幅圖像清晰。

圖1 典型圖像數據

3.1 單個梯度算子方向與微分階數對評價函數性能的影響

本節使用以下典型微分算子對圖1所示的圖像進行梯度計算，對比分析單個梯度算子的方向、階數對圖像邊緣信息提取的性能，實驗中整幅圖像的信息綜合都采用取絕對值累加的方法，結果見圖2～圖4。

一階水平、垂直、－45°、＋45°方向梯度算子（后兩個即Roberts算子）：

二階水平、垂直、－45°、＋45°方向梯度算子：

二階水平、垂直、－45°、＋45°方向梯度算子（間隔一個像素）：

拉普拉斯4鄰域、8鄰域算子、對角方向梯度算子（二階微分算子）：

由圖2可以看出，對于對比度高的可見光圖像，不同方向、階數的梯度算子都準確聚焦，波動趨勢基本相同。二階垂直梯度算子效果最好，二階算子比一階算子和相隔一個像素計算的二階梯度算子靈敏度好。

由圖3可以看出，對圖1所示的制冷紅外圖像，聚焦點兩側二階水平梯度算子靈敏度最好，其次是一階水平梯度算子。垂直方向的梯度算子全部對焦失敗，聯系圖像序列的特點，主體水平邊緣豐富，背景云在動，評價函數曲線波動也大。

由圖4可以看出，對實驗中采用的效果最差的非制冷紅外圖像間隔一個像素計算的二階梯度算子性能最好，其次是一階梯度算子，相鄰像素計算的二階梯度算子性能最差。

綜上，梯度算子的方向和階數對不同圖像的評價并沒有一致性，與實際邊緣方向一致的算子具有更好的性能。總體來講，對比度高的圖像，相鄰像素計算梯度的二階微分算子比一階微分算子靈敏度高，一階微分算子比相隔一個像素計算梯度的二階微分算子靈敏度高；對比度低的圖像，梯度算子的靈敏度呈現與上述完全相反的順序，實驗中用到的非制冷紅外圖像邊緣模糊，相隔一個像素計算梯度對邊緣的檢測更靈敏。梯度算子的方向和計算間隔應該根據具體的系統合理設計。

3.2 單個梯度算子的信息綜合

3.1節中整幅圖像的信息綜合（像素梯度到評價值的映射算法）都采用取絕對值累加的方法，本節采用與3.1節相同的梯度算子，對應2.1節，采用像素梯度平方和累加的方法，對比不同梯度信息綜合算法的性能，結果見圖5～圖6，結合圖2～圖4進行分析。

對比圖2～圖4可以看出，梯度絕對值累加的計算方法，圖2顯示對對比度高的圖像波動較小，圖3對比度降低，波動增大，圖4對比度最低的非制冷紅外圖像，函數曲線波動嚴重。

由圖5可以看出，梯度平方累加的計算方法，間隔一個像素計算二階梯度算子和一階梯度算子，梯度平方函數較絕對值函數性能大大提高，很好地抑制了離焦區的曲線波動。對單個算子的信息綜合，為了抑制非邊緣像素梯度參與計算產生的影響，可以進一步考慮閾值處理[7,12-14]、像數據歸一化、賦權[15-16]等方法。

由圖6可以看出，梯度絕對值函數對椒鹽噪聲的抗干擾性比高斯噪聲強，梯度平方函數對高斯噪聲的抗干擾性比椒鹽噪聲強，梯度絕對值函數對兩種噪聲的綜合抗干擾性能比梯度平方函數強。

3.3 多個梯度算子信息綜合

本節采用以下微分算子，結合二階水平、垂直方向梯度算子及二階水平、垂直方向梯度算子（間隔一個像素）計算圖像梯度，對應2.2節梯度到評價值的映射算法，綜合比較多個梯度算子的方向、梯度信息及信息綜合方法對評價函數性能的影響，結果見圖7～圖10。

圖2 不同梯度算子函數對可見光圖像的評價效果

圖3 不同梯度算子函數對制冷紅外圖像的評價效果

圖5 非制冷紅外圖像梯度信息平方累加評價效果

圖6 抗噪性能

Fig.6 Noise suppression performance

Sobel水平、垂直、＋45°、－45°方向梯度算子（一階梯度算子、加權平均）：

Prewitt水平、垂直、＋45°、－45°方向梯度算子（一階梯度算子、取平均）：

Krisch梯度算子（相鄰卷積核45°夾角）：

由圖7可以看出，對主體水平邊緣豐富的制冷紅外圖像，單個方向梯度算子，垂直方向對焦失敗，“Prewitt算子函數——水平＋垂直”將圖像與Prewitt水平和垂直方向算子分別卷積后取絕對值相加，“二階垂直梯度算子——間隔一個像素-水平＋垂直”將圖像與二階水平、垂直方向梯度算子（間隔一個像素）分別卷積后取絕對值相加，SML函數將圖像與二階水平、垂直方向梯度算子分別卷積后取絕對值相加，這3種函數都修正了垂直方向的對焦偏差。基于拉普拉斯4鄰域算子取梯度絕對值的函數性能與SML函數接近，“Prewitt水平＋垂直梯度算子”將Prewitt水平方向梯度算子和垂直方向梯度算子相加（試圖構造類似拉普拉斯4鄰域算子式的同時包含水平和垂直兩個方向梯度信息的算子，實際得到的是Sobel －45°方向梯度算子）后與圖像卷積，取梯度絕對值累加得到評價值，對焦失敗（但對偏移有一定的修正效果），再次說明同時包含兩個方向信息的梯度算子設計困難，聚焦評價函數包含兩個方向信息（相互垂直）有利于提升算法的準確性。將拉普拉斯4鄰域算子看作二階水平、垂直方向梯度算子，由于兩個方向梯度值可能符號不同，而SML函數相當于分開計算兩個方向梯度后分別取絕對值相加，從上面的分析也看到兩個互相垂直的梯度算子相加不一定得到一個包含兩個垂直方向信息的算子。所以選用包含兩個方向互相垂直的梯度算子分別于圖像進行卷積后綜合梯度信息的算法比單個梯度算子計算梯度的算法更可靠（注意到計算量大的基于Krisch梯度算子的函數性能并不是最好的，兩個方向是合理的）。

從圖8可以看出，絕對值和、模和、像素灰度值開平方根求梯度模和，計算量依次增加，但曲線性能十分接近，首選絕對值和。平方和函數相對于前面3種，曲線更加平滑，靈敏度提高。

從圖9可以看出，梯度積和函數，Sobel和Prewitt算子對焦失敗（圖像對比度好時，間隔一個像素的二階梯度計算效果不好），Roberts和SML算子對焦正確，兩方向梯度乘積絕對值累加的方法并沒有修正錯誤，最終評價函數分別在垂直和水平算子的定位點出現峰值，同時看到不同的算子階數、方向信息和信息綜合算法對同一組圖像數據評價效果不同，這也是評價函數穩定性和通用性難以保證的原因。

圖7 制冷紅外圖像兩個梯度算子信息綜合評價效果

圖8 制冷紅外圖像兩個方向梯度信息綜合的4種不同算子比較

圖9 制冷紅外圖像兩個方向梯度信息綜合

圖10 非制冷紅外圖像兩個方向梯度信息綜合

從圖10可以看出，對比度低的紅外圖像，Roberts算子（一階）、Sobel、Prewitt算子（間隔一個像素計算梯度且做加權平均處理）準確對焦且很好地抑制離焦區的波動，而SML函數基于二階水平和垂直梯度算子，3種綜合方法都沒有平滑函數曲線。圖9顯示，對角方向Roberts算子函數性能較好，對于對比度低的第二組圖像，波動較間隔一個像素計算梯度的Sobel和Prewitt函數大，結合圖5，再次說明間隔一個像素計算梯度處理對比度低的圖像效果更好。

4 結論

單個梯度算子，不同的階數、方向對不同紋理的圖像敏感性不同，對比度高的圖像，相鄰像素計算梯度的算子較靈敏，通常二階比一階靈敏，對比度低的圖像，相隔一個像素計算梯度的算子更靈敏；檢測方向與實際邊緣方向一致的算子對像質的評價更準確，同時檢測水平和垂直方向的拉普拉斯4鄰域算子較其他檢測一個方向的算子更穩定、通用。

包含多個方向梯度算子的函數比單個梯度算子的函數對邊緣的檢測更全面，兩個互相垂直方向比較合適，兩個方向梯度絕對值和相加的處理方法在幾種信息綜合方法中計算量適中、性能也比較穩定。

梯度絕對值累加計算評價值的函數對高斯噪聲和椒鹽噪聲抗擾性能較梯度平方累加的函數好，后者曲線的平滑性好，但對閾值依賴性大、計算量也較大。

針對具體的成像系統，根據圖像對比度、常用場景特點，合理地設計梯度算子的方向、階數及信息綜合算法，進一步可分析評價函數的平滑處理，提升算法性能[17-18]。

[1] N Ng Kuang Chern, Poo Aun Neow, M H Ang. Pratical issues in pixel-based autofocusing for machine vision[C]//, 2001, 4: 10.1109/ ROBOT.2001. 93304.

[2] Gonzalez, R C, Woods R E.[M]. Third Edition: Publishing house of electronics industry, 2011.

[3] 徐貴力, 劉小霞, 田裕鵬, 等. 一種圖像清晰度評價方法[J]. 紅外與激光工程, 2009, 38(1): 180-184.

XU Guili, LIU Xiaoxia, TIAN Yupeng, et al. Image clarity-evaluation- function method[J]., 2009, 38(1): 180-184.

[4] 王健, 陳洪斌, 周國忠, 等. 改進的Brenner圖像清晰度評價算法[J]. 2012, 41(7): 855-858.

WANG Jian, CHEN Hongbin, ZHOU Guozhong, et al. An improved Brenner algorithm for image definition criterion[J].a, 2012, 41(7): 855-858.

[5] 吳劍, 丁輝, 王廣志, 等. 邊緣檢測微分算子的分析及在醫學圖像中的應用[J]. 生物醫學工程學雜志, 2005, 22(1): 82-85.

WU Jian, DING Hui, WANG Guangzhi, et al. The frequency features and application of edge detection differential operators in medical image[J]., 2005, 22(1): 82-85.

[6] 黃億, 王興, 李輝. 一種新的高靈敏度聚焦評價函數[J]. 微計算機信息, 2009, 25(9): 163-165.

HUANG Yi, WANG Xing, LI Hui. A new kind of high-sensitive focus evaluation function[J].2009, 25(9): 163-165.

[7] 高贊, 姜威, 朱孔鳳, 等. 基于Roberts 梯度的自動聚焦算法[J]. 紅外與激光工程, 2006, 35(1): 117-121.

GAO Zan, JIANG Wei, ZHU Kongfeng, et al. Auto focusing algorithm based on Roberts gradient[J]., 2006, 35(1): 117-121.

[8] 李郁峰, 陳念年, 張佳成. 一種快速高靈敏度聚焦評價函數[J]. 計算機應用研究, 2010, 27(4): 1534-1536.

LI Yufeng, CHEN Niannian, ZHANG Jiacheng. Fast and high sensitivityfocusing evaluation function[J]., 2010, 27(4): 1534-1536.

[9] 鄒昌帆, 劉秉琦, 黃富瑜, 等. 基于多向最大梯度閾值的自動調焦評價函數[J]. 激光與紅外, 2016, 46(1): 115-118.

ZOU Changfan, LIU Binqi, HUANG Fuyu, et al. Automatic focusing evaluation function based on multi-directional maximal gradient threshold method[J]., 2016, 46(1): 115-118.

[10] 張來線, 孫華燕, 郭惠超, 等. 基于圖像灰度梯度最大值累加的自動調焦算法[J]. 光子學報, 2013, 42(5): 605-610.

ZHANG Laixian, SUN Huayan, GUO Huichao, et al. Auto focusing algorithm based on largest gray gradient summation[J], 2013, 42(5): 605-610.

[11] 洪裕珍, 任國強, 孫健. 離焦模糊圖像清晰度評價函數的分析與改進[J]. 光學精密工程, 2014, 22(12): 3401-3408.

HONG Yuzhen, REN Guoqiang, SUN Jian. Analysis and improvement on sharpness evaluation function of defocused image[J]., 2014, 22(12): 3401-3408.

[12] 蔣婷, 譚躍剛, 劉泉, 等. 基于SOBEL算子的圖像清晰度評價函數研究[J]. 計算機與數字工程, 2008, 226(8): 129-131.

JIANG Ting, TAN Yuegang, LIU Quan, et al. Research of a clarity-evaluation function of image based on sobel[J]., 2008, 226(8): 129-131.

[13] 杜奇, 向健勇, 袁勝春. 基于邊緣強度的紅外圖像閾值分割方法研究[J]. 紅外與激光工程, 2004, 33(3): 288-291.

DU Qi, XIANG Jianyong, YUAN Shengchun. Sudy on thresholding segmentation for infrared image based on edge detection[J]., 2004, 33(3): 288-291.

[14] 張宏飛, 亞濤, 劉志廣. 基于梯度閾值計數的清晰度評價算法[J]. 科學技術與工程, 2013, 34(13): 10365-10367.

ZHANG Hongfei, ZHANG Yatao, LIU Zhiguang. Focus-evaluation algorithm based on gradient threshold count[J]., 2013, 34(13): 10365-10367.

[15] 王倩, 宋恩民, 許向陽, 等. 基于加權鄰域相關性的顯微鏡自動聚焦函數[J]. 光學精密工程, 2008, 16(1): 166-171.

WANG Qian, SONG Enmin, XU Xiangyang, et al. Auto-focusing function for microscope image based on weighted neighborhood correlation[J]., 2008, 16(1): 166-171.

[16] 趙春江, 施文康, 鄧勇. 新的梯度邊緣檢測方法[J]. 光電工程, 2005, 32(4): 86-88.

ZHAO Chunjiang, SHI Wen-ang, DENG Yong. Novel edge detection method based on gradient[J]., 2005, 32(4):86-88.

[17] 倪軍, 袁家虎, 吳欽章. 基于邊緣特征的光學圖像清晰度判定[J]. 中國激光, 2009, 36(1): 172-176.

NI Jun, YUAN Jiahu, WU Qinzhang. Identification for optical image definition based on edge feature[J]., 2009, 36(1): 172-176.

[18] 任四剛, 李見為, 謝利利. 基于灰度差分法的自動調焦技術[J]. 光電工程, 2003, 30(2): 53-55.

REN Sigang, LI Jianwei, XIE Lili. Automatic focusing technique based on gray scale difference method[J]., 2003, 30(2): 53-55.

Simulation Analysis of Auto Focusing Sharpness Evaluation Function for Images Based on Gradient Operator

PAN Xuejuan1,2，ZHU Youpan1,2，PAN Chao1，HAN Juan1，LI Daqing3，ZHANG Hao1，LUO Lin1，LI Zemin1

Kunming Institute of PhysicsKunmingChinaScience and Technology on Low-light-level Night Vision LaboratoryXianChinaUnitof PLA, BeijingChina

Image sharpness evaluation function based on gradient calculation is widely used in automatic focus system, and these functions vary in form. In this paper, starting from the mathematical principles of image gradient calculation, with simulation experiments under MATLAB, performance of common gradient class evaluation functions was compared and analyzed, and methods combining the characteristics of imaging system to control the performance of these algorithms are presented.

gradient operator，evaluation function，mathematical principles，auto focus，MATLAB

TP391.41，TP242

2016-08-30；

2016-09-28.

潘雪娟（1990-）女，碩士研究生，研究方向為圖像處理，E-mail：1531796807@qq.com。

朱尤攀（1978-）男，研究員級高級工程師，博士研究生，研究方向為光電成像系統，E-mail：zhuypbit@aliyun.com。

A

1001-8891(2016)06-0960-08