OpenCV 图像清晰度评价(相机自动对焦)
2016-12-09 20:33
501 查看
相机的自动对焦要求相机根据拍摄环境和场景的变化,通过相机内部的微型驱动马达,自动调节相机镜头和CCD之间的距离,保证像平面正好投影到CCD的成像表面上。这时候物体的成像比较清晰,图像细节信息丰富。
相机自动对焦的过程,其实就是对成像清晰度评价的过程,对焦不准确,拍摄出来的图像清晰度低,视觉效果模糊,如果是在工业检测测量领域,对焦不准导致的后果可能是致命的;对焦准确的图像清晰度较高,层次鲜明,对比度高。
图像清晰度评价算法有很多种,在空域中,主要思路是考察图像的领域对比度,即相邻像素间的灰度特征的梯度差;在频域中,主要思路是考察图像的频率分量,对焦清晰的图像高频分量较多,对焦模糊的图像低频分量较多。
这里实现3种清晰度评价方法,分别是Tenengrad梯度方法、Laplacian梯度方法和方差方法。
使用三张测试图片模拟不同对焦。第一张最清晰,得分最高,第二三张越来越模糊,得分依次降低。
![](http://img.blog.csdn.net/20161209200522391)
![](http://img.blog.csdn.net/20161209200535032)
![](http://img.blog.csdn.net/20161209200601329)
#include <highgui/highgui.hpp>
#include <imgproc/imgproc.hpp>
using namespace std;
using namespace cv;
int main()
{
Mat imageSource = imread("1.jpg");
Mat imageGrey;
cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
Mat imageSobel;
Laplacian(imageGrey, imageSobel, CV_16U);
//Sobel(imageGrey, imageSobel, CV_16U, 1, 1);
//图像的平均灰度
double meanValue = 0.0;
meanValue = mean(imageSobel)[0];
//double to string
stringstream meanValueStream;
string meanValueString;
meanValueStream << meanValue;
meanValueStream >> meanValueString;
meanValueString = "Articulation(Laplacian Method): " + meanValueString;
putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
imshow("Articulation", imageSource);
waitKey();
}
用同样的三张测试图片测试,结果一致,随着对焦模糊得分降低:
![](http://img.blog.csdn.net/20161209201327129)
![](http://img.blog.csdn.net/20161209201344582)
![](http://img.blog.csdn.net/20161209201356001)
对焦清晰的图像相比对焦模糊的图像,它的数据之间的灰度差异应该更大,即它的方差应该较大,可以通过图像灰度数据的方差来衡量图像的清晰度,方差越大,表示清晰度越好。
方差数值随着清晰度的降低逐渐降低:
![](http://img.blog.csdn.net/20161209202308570)
![](http://img.blog.csdn.net/20161209202320482)
![](http://img.blog.csdn.net/20161209202330820)
在工业应用中,最清晰的对焦拍摄出来的图像不一定是最好的,有可能出现摩尔纹(水波纹)现象,一般需要在最清晰对焦位置附件做一个微调。
相机自动对焦的过程,其实就是对成像清晰度评价的过程,对焦不准确,拍摄出来的图像清晰度低,视觉效果模糊,如果是在工业检测测量领域,对焦不准导致的后果可能是致命的;对焦准确的图像清晰度较高,层次鲜明,对比度高。
图像清晰度评价算法有很多种,在空域中,主要思路是考察图像的领域对比度,即相邻像素间的灰度特征的梯度差;在频域中,主要思路是考察图像的频率分量,对焦清晰的图像高频分量较多,对焦模糊的图像低频分量较多。
这里实现3种清晰度评价方法,分别是Tenengrad梯度方法、Laplacian梯度方法和方差方法。
Tenengrad梯度方法
Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度,同一场景下梯度值越高,图像越清晰。以下是具体实现,这里衡量的指标是经过Sobel算子处理后的图像的平均灰度值,值越大,代表图像越清晰。#include <highgui/highgui.hpp> #include <imgproc/imgproc.hpp> using namespace std; using namespace cv; int main() { Mat imageSource = imread("2.jpg"); Mat imageGrey; cvtColor(imageSource, imageGrey, CV_RGB2GRAY); Mat imageSobel; Sobel(imageGrey, imageSobel, CV_16U, 1, 1); //图像的平均灰度 double meanValue = 0.0; meanValue = mean(imageSobel)[0]; //double to string stringstream meanValueStream; string meanValueString; meanValueStream << meanValue; meanValueStream >> meanValueString; meanValueString = "Articulation(Sobel Method): " + meanValueString; putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2); imshow("Articulation", imageSource); waitKey(); }
使用三张测试图片模拟不同对焦。第一张最清晰,得分最高,第二三张越来越模糊,得分依次降低。
Laplacian梯度方法:
Laplacian梯度是另一种求图像梯度的方法,在上例的OpenCV代码中直接替换Sobel算子即可。#include <highgui/highgui.hpp>
#include <imgproc/imgproc.hpp>
using namespace std;
using namespace cv;
int main()
{
Mat imageSource = imread("1.jpg");
Mat imageGrey;
cvtColor(imageSource, imageGrey, CV_RGB2GRAY);
Mat imageSobel;
Laplacian(imageGrey, imageSobel, CV_16U);
//Sobel(imageGrey, imageSobel, CV_16U, 1, 1);
//图像的平均灰度
double meanValue = 0.0;
meanValue = mean(imageSobel)[0];
//double to string
stringstream meanValueStream;
string meanValueString;
meanValueStream << meanValue;
meanValueStream >> meanValueString;
meanValueString = "Articulation(Laplacian Method): " + meanValueString;
putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2);
imshow("Articulation", imageSource);
waitKey();
}
用同样的三张测试图片测试,结果一致,随着对焦模糊得分降低:
方差方法:
方差是概率论中用来考察一组离散数据和其期望(即数据的均值)之间的离散(偏离)成都的度量方法。方差较大,表示这一组数据之间的偏差就较大,组内的数据有的较大,有的较小,分布不均衡;方差较小,表示这一组数据之间的偏差较小,组内的数据之间分布平均,大小相近。对焦清晰的图像相比对焦模糊的图像,它的数据之间的灰度差异应该更大,即它的方差应该较大,可以通过图像灰度数据的方差来衡量图像的清晰度,方差越大,表示清晰度越好。
#include <highgui/highgui.hpp> #include <imgproc/imgproc.hpp> using namespace std; using namespace cv; int main() { Mat imageSource = imread("2.jpg"); Mat imageGrey; cvtColor(imageSource, imageGrey, CV_RGB2GRAY); Mat meanValueImage; Mat meanStdValueImage; //求灰度图像的标准差 meanStdDev(imageGrey, meanValueImage, meanStdValueImage); double meanValue = 0.0; meanValue = meanStdValueImage.at<double>(0, 0); //double to string stringstream meanValueStream; string meanValueString; meanValueStream << meanValue*meanValue; meanValueStream >> meanValueString; meanValueString = "Articulation(Variance Method): " + meanValueString; putText(imageSource, meanValueString, Point(20, 50), CV_FONT_HERSHEY_COMPLEX, 0.8, Scalar(255, 255, 25), 2); imshow("Articulation", imageSource); waitKey(); }
方差数值随着清晰度的降低逐渐降低:
在工业应用中,最清晰的对焦拍摄出来的图像不一定是最好的,有可能出现摩尔纹(水波纹)现象,一般需要在最清晰对焦位置附件做一个微调。
相关文章推荐
- Linux 中 Kill -2 和 Kill -9 的区别
- 二、linux目录结构
- confstr--Linux下获取C标准库信息的函数
- 自动化监控利器-Zabbix
- 一、linux常用的命令
- Hadoop中的序列化
- vtkPropPicker无法拾取vtkRenderer中的vtkLineSource的解决方案
- webdriver下拉框中选择option的方法提醒
- linux rhel7 dock6.7安装
- 在mac系统安装Apache Tomcat的详细步骤
- Tomcat 源码分析参考文章
- CMake官方网站
- CentOS7安装配置MySQL5.6.34
- You CompleteMe插件安装 - linux
- OpenCV编译安装
- UDP通信recvfrom返回invalid argument
- 高手总结的“恋爱法”学习Linux系统,效果更好。
- POJ 3641 Pseudoprime numbers 笔记
- 利用virtualbox增强器实现本机与kali linux的文件共享(macOS)
- Linux LVM逻辑卷配置过程详解(创建,增加,减少,删除,卸载