基于HVS算子的自適應(yīng)清晰度自動(dòng)調(diào)焦評(píng)價(jià)函數(shù)

李洪宇，楊 帆，譚文斌，李 珂，常洪偉

?

基于HVS算子的自適應(yīng)清晰度自動(dòng)調(diào)焦評(píng)價(jià)函數(shù)

李洪宇1，楊 帆1，譚文斌2，李 珂3，常洪偉1

（1.山東科技大學(xué) 機(jī)械電子工程學(xué)院，山東 青島 266590；2.天津商業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300134；3.天津大學(xué) 精密測(cè)試技術(shù)與儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300072）

傳統(tǒng)梯度類自動(dòng)調(diào)焦評(píng)價(jià)函數(shù)對(duì)不同清晰度的序列圖像不能兼顧靈敏度高和可調(diào)焦范圍廣兩種特性，因此提出了基于人類視覺(jué)系統(tǒng)（HVS）算子的自適應(yīng)清晰度自動(dòng)調(diào)焦評(píng)價(jià)函數(shù)。檢測(cè)圖像各方向上的邊緣，計(jì)算輕微離焦圖像函數(shù)值；當(dāng)圖像深度離焦時(shí)，劃分子區(qū)域降低采樣率后進(jìn)行清晰度評(píng)價(jià)。仿真實(shí)驗(yàn)表明本文提出的評(píng)價(jià)函數(shù)，輕微離焦位置靈敏度高，對(duì)深度離焦區(qū)域圖像加均值為0，方差為0.001,0.005,0.01的高斯噪聲后函數(shù)曲線幾乎不變，深度離焦區(qū)域內(nèi)可調(diào)焦范圍大。該評(píng)價(jià)函數(shù)具有靈敏度高、可調(diào)焦范圍大、抗噪性能良好等特性，更適合粗精結(jié)合的搜索算法使用。

自動(dòng)調(diào)焦；評(píng)價(jià)函數(shù)；人類視覺(jué)系統(tǒng)算子；清晰度；子區(qū)域

0 引言

隨著現(xiàn)代電子技術(shù)與控制技術(shù)的發(fā)展，自動(dòng)調(diào)焦技術(shù)在光測(cè)設(shè)備中得到廣泛應(yīng)用。基于圖像處理的調(diào)焦方法，系統(tǒng)結(jié)構(gòu)相對(duì)簡(jiǎn)單，對(duì)環(huán)境適應(yīng)性高，已成為目前自動(dòng)調(diào)焦方法研究的主流方向。

在基于圖像處理的自動(dòng)調(diào)焦中，聚焦窗口的構(gòu)建，清晰度評(píng)價(jià)函數(shù)，聚焦位置搜索是其重要內(nèi)容，三者相互關(guān)聯(lián)依次遞進(jìn)，清晰度評(píng)價(jià)函數(shù)是整個(gè)閉環(huán)搜索的關(guān)鍵。由于場(chǎng)景的隨機(jī)性、成像系統(tǒng)的成像質(zhì)量、噪聲干擾等問(wèn)題，目前并沒(méi)有一種通用的評(píng)價(jià)函數(shù)能夠適用于所有場(chǎng)合[1]。目前常用的評(píng)價(jià)函數(shù)有梯度類函數(shù)、變換域函數(shù)，信息學(xué)函數(shù)以及統(tǒng)計(jì)學(xué)函數(shù)[2-3]，其中梯度類評(píng)價(jià)函數(shù)方法簡(jiǎn)單，計(jì)算量小，實(shí)時(shí)性好，滿足光測(cè)設(shè)備對(duì)實(shí)時(shí)性和準(zhǔn)確性的要求，應(yīng)用較為廣泛[4-5]。許多學(xué)者進(jìn)行了相關(guān)研究，并給出實(shí)驗(yàn)結(jié)果。文獻(xiàn)[6]計(jì)算邊緣像素任意可能方向梯度，采用最大梯度作為系統(tǒng)的評(píng)價(jià)判據(jù)以提高靈敏度；文獻(xiàn)[7]以局部方差作閾值區(qū)分邊緣非邊緣像素，以新的標(biāo)準(zhǔn)差作全局閾值消弱噪聲和背景影響，對(duì)處理后的圖像進(jìn)行梯度評(píng)價(jià)以擴(kuò)大可調(diào)焦范圍；文獻(xiàn)[8]通過(guò)前景和背景的平均灰度值得出閾值，計(jì)算圖像跨度來(lái)評(píng)價(jià)圖像清晰度，評(píng)價(jià)函數(shù)靈敏度高；文獻(xiàn)[9]將像素梯度與像素鄰域相關(guān)性結(jié)合起來(lái)對(duì)圖像進(jìn)行評(píng)價(jià)，降低背景干擾。

分析以上研究發(fā)現(xiàn)，傳統(tǒng)梯度類函數(shù)及其改進(jìn)算法，大多突出了評(píng)價(jià)函數(shù)的某一特性，而不能兼顧靈敏度和可調(diào)焦范圍。本文針對(duì)此問(wèn)題，提出了基于HVS算子的自適應(yīng)清晰度自動(dòng)調(diào)焦評(píng)價(jià)函數(shù)，有效地解決了這個(gè)矛盾。

1 傳統(tǒng)灰度梯度評(píng)價(jià)函數(shù)

圖像清晰度評(píng)價(jià)函數(shù)是對(duì)圖像清晰度的一個(gè)數(shù)學(xué)描述，為聚焦位置的搜索提供依據(jù)。在自動(dòng)調(diào)焦生成的序列圖像中，圖像的離焦量越小，圖像像素的灰度梯度越大，清晰度評(píng)價(jià)函數(shù)值也就越大。常用的灰度梯度函數(shù)[10-11]表達(dá)式如下，式中：為圖像的評(píng)價(jià)函數(shù)值；(,)為坐標(biāo)(,)點(diǎn)的灰度值。

1）Roberts函數(shù)

計(jì)算對(duì)角方向的梯度。

2）Brenner函數(shù)

計(jì)算水平方向的梯度。

3）Tenengrad函數(shù)

式中：I,I為Sobel梯度算子與像素灰度的卷積；為閾值。

計(jì)算水平、垂直方向的梯度。

4）灰度差分絕對(duì)值和函數(shù)（SMD）

計(jì)算水平、垂直方向的梯度。

5）梯度能量函數(shù)（EOG）

計(jì)算水平、垂直方向的梯度。

這些評(píng)價(jià)函數(shù)在一定的情況下都具有比較好的調(diào)焦效果和實(shí)時(shí)性，但這些評(píng)價(jià)函數(shù)較少考慮成像場(chǎng)景的隨機(jī)性和圖像不同位置梯度方向的多樣性，僅僅計(jì)算了圖像中某些方向的灰度梯度，造成聚焦位置目標(biāo)邊緣細(xì)節(jié)的丟失，評(píng)價(jià)函數(shù)的靈敏度降低。

2 HVS加權(quán)梯度算子及自適應(yīng)清晰度評(píng)價(jià)策略

2.1 HVS加權(quán)的梯度算子

目前，人們研究發(fā)現(xiàn)[12-13]人類視覺(jué)系統(tǒng)（HVS）的一系列特性，其中視覺(jué)多通道特性是指視覺(jué)系統(tǒng)類似于一組帶通濾波器，對(duì)不同方向、不同顏色、不同頻率的刺激有著不同的敏感度。對(duì)水平方向和垂直方向的刺激最敏感，往對(duì)角線方向的敏感性逐漸減弱，對(duì)對(duì)角線方向的刺激最不敏感。在計(jì)算圖像清晰度評(píng)價(jià)值時(shí)，不僅要考慮圖像各個(gè)像素點(diǎn)梯度方向的多樣性，還要對(duì)水平方向、垂直方向、對(duì)角線方向有所側(cè)重。因此，對(duì)水平方向和垂直方向賦予較大的權(quán)值，對(duì)對(duì)角線方向賦予較小的權(quán)值，得到各個(gè)方向的權(quán)值為＝0.4、＝0.4、＝0.2。

為了使評(píng)價(jià)函數(shù)既客觀準(zhǔn)確，又符合人眼的視覺(jué)感知特性，提出了一種HVS加權(quán)的梯度算子，其模板如下：

該算子可以檢測(cè)圖像各方向上的邊緣，避免丟失細(xì)節(jié)，綜合考慮人眼對(duì)各方向刺激的敏感度，對(duì)計(jì)算水平和垂直方向的梯度賦予較大的權(quán)值，對(duì)計(jì)算對(duì)角方向的梯度賦予較小的權(quán)值，可以實(shí)現(xiàn)微小模糊度圖像的質(zhì)量評(píng)價(jià)，在輕微離焦區(qū)域?qū)D像質(zhì)量變化有更好的靈敏度。

基于HVS算子的灰度梯度函數(shù)表達(dá)式如下：

2.2 自適應(yīng)清晰度的評(píng)價(jià)策略

灰度梯度類評(píng)價(jià)函數(shù)都是處理圖像相鄰像素或單個(gè)像素之間的關(guān)系，在深度離焦區(qū)域，圖像模糊量較大，相鄰像素之間的差異被弱化，由此計(jì)算的評(píng)價(jià)函數(shù)值非常接近，難以判斷聚焦搜索方向。此時(shí)，噪聲的存在會(huì)嚴(yán)重影響函數(shù)評(píng)價(jià)值，評(píng)價(jià)曲線出現(xiàn)大量局部極值，導(dǎo)致系統(tǒng)自動(dòng)調(diào)焦失敗。

針對(duì)這些問(wèn)題，本文將系統(tǒng)成像的清晰度分為輕微離焦和深度離焦兩種，提出了自適應(yīng)清晰度的評(píng)價(jià)策略。執(zhí)行聚焦位置搜索算法后獲得連續(xù)幾幀圖像的評(píng)價(jià)值，當(dāng)算法判斷清晰度為輕微離焦時(shí)，直接應(yīng)用HVS加權(quán)的梯度算子評(píng)價(jià)函數(shù)，當(dāng)算法判斷清晰度為深度離焦時(shí)，啟動(dòng)劃分子區(qū)域降低采樣頻率的評(píng)價(jià)函數(shù)。

對(duì)自動(dòng)調(diào)焦系統(tǒng)構(gòu)建的×聚焦窗口[14]，劃分成若干個(gè)×的子區(qū)域，并計(jì)算每一個(gè)子區(qū)域的平均灰度值，作為該區(qū)域的特征值。用公式表示為：

3 仿真實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文提出的評(píng)價(jià)函數(shù)輕微離焦區(qū)域的靈敏度和深度離焦區(qū)域的可調(diào)焦范圍、抗噪性，設(shè)計(jì)了模擬輕微離焦區(qū)域和深度離焦區(qū)域的仿真實(shí)驗(yàn)，并與文中所提傳統(tǒng)梯度類函數(shù)比較。光測(cè)設(shè)備自動(dòng)調(diào)焦系統(tǒng)的分辨率和目標(biāo)尺寸不同，構(gòu)建的聚焦窗口大小不同。課題組設(shè)備的視頻圖像分辨率為704pixel×576pixel，理想的聚焦窗口占視頻畫面的1/8到3/8，可以保證聚焦窗口能夠包含較多的目標(biāo)特征，又保證有足夠的視場(chǎng)，降低由于跟蹤偏差導(dǎo)致目標(biāo)直接越出畫面的幾率。本文用256pixel×256pixel的cameraman圖模擬已經(jīng)構(gòu)建的調(diào)焦窗口，人物作為跟蹤目標(biāo)，實(shí)驗(yàn)發(fā)現(xiàn)，劃分的子區(qū)域大小為10pixel×10pixel時(shí)能取得良好的評(píng)價(jià)效果。

3.1 輕微離焦區(qū)域函數(shù)的靈敏度分析

依次用＝1.0, 1.1, 1.2, …, 2.9的模糊半徑對(duì)cameraman原圖向兩側(cè)進(jìn)行圓盤模糊，從而得到編號(hào)從10:50，清晰度從輕微離焦-清晰-輕微離焦的41張序列圖像，以此模擬聚焦搜索過(guò)程中輕微離焦區(qū)域，序列圖片如圖1所示。

對(duì)cameraman輕微離焦序列圖用上述5種傳統(tǒng)梯度類算法及本文算法進(jìn)行清晰度評(píng)價(jià)，將計(jì)算的函數(shù)值進(jìn)行數(shù)據(jù)歸一化處理，結(jié)果如圖2所示。

通過(guò)比較發(fā)現(xiàn)，對(duì)輕微離焦區(qū)域獲得的高清晰度序列圖像，各種算法均能準(zhǔn)確判斷最清晰圖像，即獲得焦點(diǎn)的準(zhǔn)確位置，其中，Brenner函數(shù)、EOG函數(shù)和本文函數(shù)擁有更好的靈敏度。分析發(fā)現(xiàn)，Brenner函數(shù)和EOG函數(shù)，均是通過(guò)計(jì)算梯度的平方，提高靈敏度，獲得較大梯度幅值，削弱小梯度幅值，同時(shí)放大了梯度的隨機(jī)波動(dòng)，增加了計(jì)算量。本文算法充分考慮像素八鄰域方向梯度并加權(quán)，在未進(jìn)行平方運(yùn)算的情況下，具有良好的靈敏度。

圖1 輕微離焦序列圖像

Fig.1 Sequence of images with slight blurred

圖2 輕微離焦序列圖像評(píng)價(jià)函數(shù)值

3.2 深度離焦區(qū)域函數(shù)的可調(diào)焦范圍分析

依次用＝3, 5, …, 43的模糊半徑對(duì)cameraman原圖向兩側(cè)進(jìn)行圓盤模糊，從而得到編號(hào)從10:50，清晰度從深度離焦-清晰-深度離焦的41張序列圖像，以此模擬聚焦搜索過(guò)程中深度離焦區(qū)域，序列圖片如圖3所示。

對(duì)cameraman深度離焦序列圖用上述5種傳統(tǒng)梯度類算法及本文算法進(jìn)行清晰度評(píng)價(jià)，將計(jì)算的函數(shù)值進(jìn)行數(shù)據(jù)歸一化處理，結(jié)果如圖4所示。

通過(guò)比較發(fā)現(xiàn)，對(duì)深度離焦區(qū)域獲得的低清晰度序列圖像，各算法仍能準(zhǔn)確判斷最清晰的圖像，獲得焦點(diǎn)的準(zhǔn)確位置，但是傳統(tǒng)梯度類評(píng)價(jià)函數(shù)在深度離焦區(qū)域，評(píng)價(jià)函數(shù)曲線過(guò)于平坦，函數(shù)值大小接近，后續(xù)聚焦位置搜索算法無(wú)法確定調(diào)焦方向，評(píng)價(jià)函數(shù)可調(diào)焦范圍小。本文算法將子區(qū)域的灰度平均值作整個(gè)子區(qū)域的像素灰度值，增強(qiáng)各個(gè)新像素之間的灰度差異，評(píng)價(jià)函數(shù)曲線在整個(gè)深度離焦范圍內(nèi)具有良好的陡峭度，可調(diào)焦范圍大。

圖3 深度離焦序列圖像

Fig.3 Sequence of blurred images

圖4 深度離焦序列圖像評(píng)價(jià)函數(shù)值

3.3 深度離焦區(qū)域函數(shù)的抗噪性分析

依次用＝3, 5, …, 43的模糊半徑對(duì)cameraman原圖向兩側(cè)進(jìn)行圓盤模糊，從而得到編號(hào)從10:50，清晰度從深度離焦-清晰-深度離焦的41張序列圖像，并對(duì)此序列加入均值為0，方差為0.01的高斯噪聲，以此模擬聚焦搜索過(guò)程中深度離焦的區(qū)域受噪聲干擾的情況，序列圖片如圖5所示。

對(duì)cameraman深度離焦加噪聲序列圖用上述5種傳統(tǒng)梯度類算法及本文算法進(jìn)行清晰度評(píng)價(jià)，將計(jì)算的函數(shù)值進(jìn)行數(shù)據(jù)歸一化處理，結(jié)果如圖6所示。

由圖6可以發(fā)現(xiàn)，對(duì)深度離焦區(qū)域獲得的低清晰度序列圖像，傳統(tǒng)梯度類評(píng)價(jià)函數(shù)受噪聲干擾，評(píng)價(jià)曲線出現(xiàn)大量波動(dòng)，已不能準(zhǔn)確判斷最清晰圖像，無(wú)法確定真實(shí)的焦點(diǎn)位置，后續(xù)聚焦位置搜索算法易陷入局部極值。本文算法的函數(shù)曲線在整個(gè)深度離焦范圍內(nèi)仍具有良好的陡峭度，可調(diào)焦范圍大。

保持其他參數(shù)不變，只改變所加高斯噪聲的方差，進(jìn)行方差為0.005和0.001的兩次實(shí)驗(yàn)，結(jié)果如圖7，圖8所示。

圖5 深度離焦加方差0.01高斯噪聲序列圖像

圖6 深度離焦加方差0.01高斯噪聲序列圖像評(píng)價(jià)函數(shù)值

圖7 深度離焦加方差0.005高斯噪聲序列圖像評(píng)價(jià)函數(shù)值

圖8 深度離焦加方差0.001高斯噪聲序列圖像評(píng)價(jià)函數(shù)值

比較圖4～8可以發(fā)現(xiàn)，在深度離焦區(qū)域，輕微噪聲對(duì)傳統(tǒng)梯度類評(píng)價(jià)函數(shù)曲線的影響很大，本文提出的劃分子區(qū)域降低采樣率的評(píng)價(jià)函數(shù)，對(duì)方差0.001、0.005、0.01的高斯噪聲，幾乎不受影響，體現(xiàn)了優(yōu)秀的抗噪能力。

4 結(jié)論

本文提出的基于HVS算子的自適應(yīng)清晰度自動(dòng)調(diào)焦評(píng)價(jià)函數(shù)，根據(jù)系統(tǒng)視頻圖像的清晰度，輕微離焦時(shí)直接應(yīng)用HVS加權(quán)的梯度算子評(píng)價(jià)函數(shù)，以較少的運(yùn)算量獲得評(píng)價(jià)函數(shù)較高的靈敏度，深度離焦時(shí),將圖像劃分成若干子區(qū)域采樣再進(jìn)行清晰度評(píng)價(jià)，擴(kuò)大圖像序列的可調(diào)焦范圍，提高評(píng)價(jià)函數(shù)的抗噪性能，后期搭配粗精結(jié)合的聚焦位置搜索算法，更適合在嵌入式實(shí)時(shí)光測(cè)平臺(tái)進(jìn)行自動(dòng)調(diào)焦控制。

[1] 潘雪娟, 朱尤攀, 潘超, 等. 基于梯度計(jì)算的自動(dòng)聚焦圖像清晰度評(píng)價(jià)函數(shù)仿真分析[J]. 紅外技術(shù), 2016, 38(11): 960-968.

Pan Xuejuan, Zhu Youpan, Pan Chao, et al. Simulation Analysis of Auto Focusing Sharpness Evaluation Function for Images Based on Gradient Operator[J]., 2016, 38(11): 960-968.

[2] 趙輝, 鮑歌堂, 陶衛(wèi). 圖像測(cè)量中自動(dòng)調(diào)焦函數(shù)的實(shí)驗(yàn)研究與分析[J]. 光學(xué)精密工程, 2004, 12(5): 531-536.

Zhao Hui, Bao Getang, Tao Wei. Experimental research and analysis of automatic focusing function for imaging measurement[J]., 2004, 12(5): 531-536.

[3] 邱勝根, 周杰, 劉旭, 等. 陣列像素器件投影顯示系統(tǒng)中自動(dòng)對(duì)焦評(píng)價(jià)函數(shù)研究[J]. 光學(xué)學(xué)報(bào), 2004, 24(4): 460-464.

Qiu Shenggen, Zhou Jie, Liu Xu, et al. Research of Sharpness Evaluation Function in Array Pixel Device Projection Displays Auto-Focusing System[J].a, 2004, 24(4): 464-469.

[4] 高贊, 姜威, 朱孔鳳, 等. 基于邊緣梯度的自動(dòng)聚焦算法[J]. 系統(tǒng)工程與電子技術(shù), 2007, 29(3): 495-498.

Gao Zan, Jiang Wei, Zhu Kongfeng, et al. Auto-focusing algorithm based on the gradient of edge[J]., 2007, 29(3): 495-498.

[5] 朱孔鳳, 姜威, 王端芳, 等. 一種新的圖像清晰度評(píng)價(jià)函數(shù)[J]. 紅外與激光工程, 2005, 34(4): 464-468.

Zhu Kongfeng, Jiang Wei, Wang Duanfang, et al. New kind of clarity evaluation function of image[J]., 2005, 34(4): 464-468.

[6] 梁敏華, 吳志勇, 陳濤. 采用最大灰度梯度法實(shí)現(xiàn)經(jīng)緯儀自動(dòng)調(diào)焦控制[J]. 光學(xué)精密工程, 2009, 17(12): 3016-3021.

Liang Minhua, Wu Zhiyong, Chen Tao. Auto-focusing adjustment of theodolites by largest the gradient method[J]., 2009, 17(12): 3016-3021.

[7] 莫春紅, 劉波, 丁璐, 等. 一種梯度閾值自動(dòng)調(diào)焦算法[J]. 紅外與激光工程, 2014, 43(1): 323-327.

Mo Chunhong, Liu Bo, Ding Lu, et al. A gradient threshold auto-focus algorithm[J]., 2014, 43(1): 323-327.

[8] 陳芳, 張存繼, 韓延祥, 等. 簡(jiǎn)單圖像的快速聚焦[J]. 光學(xué)精密工程, 2014, 22(1): 220-227.

Chen Fang, Zhang Cunji, Han Yanxiang, et al. Fast Focus on Simple Images[J]., 2014, 22(1): 220-227.

[9] 朱倩, 姜威, 賁晛燁, 等. 梯度與相關(guān)性結(jié)合的自動(dòng)聚焦算法[J]. 光學(xué)技術(shù), 2016, 42(4): 329-332.

Zhu Qian, Jiang Wei, Ben Xianye, et al. Auto-focusing algorithm based on gradient and correlation[J]., 2016, 42(4): 329-332.

[10] 高贊, 姜威, 朱孔鳳, 等. 基于Roberts梯度的自動(dòng)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.

[11] 高贊, 姜威, 朱孔鳳. 基于最大梯度和閾值的自動(dòng)聚焦算法[J]. 電子測(cè)量與儀器學(xué)報(bào), 2007, 21(5): 49-54.

Gao Zan, Jiang Wei, Zhu Kongfeng. Auto-focusing Algorithm Based on Most Gradient and Threshold[J]., 2007, 21(5): 49-54.

[12] Eskicioglu A M, Fisher P S. Image quality measures and their performance[J]., 1995, 43(12): 2959-2965.

[13] Wade N., Swanston M..:[M]. 2nd edition, London: Psychology Press, 2001.

[14] 郭敬濱, 馮華杰, 王龍, 等. 基于梯度能量函數(shù)的調(diào)焦窗口構(gòu)建方法[J]. 紅外技術(shù), 2016, 38(3): 197-202.

Guo Jingbin, Feng Huajie, Wang Long, et al. Designing of focusing window base on energy function of gradient[J]., 2016, 38(3): 197-202.

A Self-adaptive Clarity Auto Focus Evaluation Function Based on HVS Operator

LI Hongyu1，YANG Fan1，TAN Wenbin2，LI Ke3，CHANG Hongwei1

(1.,,266590,; 2.,,300134,; 3.,,300072,

The traditional gradient auto-focusing evaluation function can not take into account the high sensitivity and the wide focus range for different clarity sequences. Therefore, a self-adaptive clarity auto-focusing evaluation function based on human visual system (HVS) operator is proposed. Detecting the edge of each direction of the image, calculating the value of the minor defocused image; when the image is depth defocused, the sub-region reduces the sampling rate and then performs the sharpness evaluation. The simulation results show that, the function sensitivity in the mild defocusing position is high, the function curve is almost invariant in the depth defocus region after the Gaussian noise which mean value is 0, the variance is 0.001, 0.005, 0.01 is added to the image, the wide depth defocus region can be focused. The evaluation function has the characteristics of high sensitivity, large focus range, good anti-noise performance and more suitable for the rough-precise searching algorithm.

auto-focusing，evaluation function，human visual system operator，clarity，sub-region

TP391.4

A

1001-8891(2017)07-0632-06

2017-01-07；

2017-04-21.

李洪宇（1975-），男，山東泰安人，工學(xué)博士，副教授，主要從事精密測(cè)量技術(shù)及儀器、圖像處理的研究。E-mail：skdlhy@163.com.

精密測(cè)試技術(shù)及儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金（PIL1407）。