前言

　　相機(jī)的自動(dòng)對焦要求相機(jī)根據(jù)拍攝環(huán)境和場景的變化，通過相機(jī)內(nèi)部的微型驅(qū)動(dòng)馬達(dá)，自動(dòng)調(diào)節(jié)相機(jī)鏡頭和CCD之間的距離，保證像平面正好投影到CCD的成像表面上。這時(shí)候物體的成像比較清晰，圖像細(xì)節(jié)信息豐富。相機(jī)自動(dòng)對焦的過程，其實(shí)就是對成像清晰度評價(jià)的過程，對焦不準(zhǔn)確，拍攝出來的圖像清晰度低，視覺效果模糊，如果是在工業(yè)檢測測量領(lǐng)域，對焦不準(zhǔn)導(dǎo)致的后果可能是致命的；對焦準(zhǔn)確的圖像清晰度較高，層次鮮明，對比度高。

　　圖像清晰度評價(jià)算法有很多種，在空域中，主要思路是考察圖像的領(lǐng)域?qū)Ρ榷?，即相鄰像素間的灰度特征的梯度差；在頻域中，主要思路是考察圖像的頻率分量，對焦清晰的圖像高頻分量較多，對焦模糊的圖像低頻分量較多。

　　這里實(shí)現(xiàn)3種清晰度評價(jià)方法，分別是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算子分別計(jì)算水平和垂直方向的梯度，同一場景下梯度值越高，圖像越清晰。以下是具體實(shí)現(xiàn)，這里衡量的指標(biāo)是經(jīng)過Sobel算子處理后的圖像的平均灰度值，值越大，代表圖像越清晰。

　　#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）;

　　//圖像的平均灰度

　　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（）;

　　}

　　使用三張測試圖片模擬不同對焦。第一張最清晰，得分最高，第二三張?jiān)絹碓侥：?，得分依次降低?/p>

　?
? ? ?
? ??

　　Laplacian梯度方法：

　　Laplacian梯度是另一種求圖像梯度的方法，在上例的OpenCV代碼中直接替換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）;

　　//圖像的平均灰度

　　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（）;

　　}

　　用同樣的三張測試圖片測試，結(jié)果一致，隨著對焦模糊得分降低：

　?

　　方差方法：

　　方差是概率論中用來考察一組離散數(shù)據(jù)和其期望（即數(shù)據(jù)的均值）之間的離散（偏離）成都的度量方法。方差較大，表示這一組數(shù)據(jù)之間的偏差就較大，組內(nèi)的數(shù)據(jù)有的較大，有的較小，分布不均衡；方差較小，表示這一組數(shù)據(jù)之間的偏差較小，組內(nèi)的數(shù)據(jù)之間分布平均，大小相近。

　　對焦清晰的圖像相比對焦模糊的圖像，它的數(shù)據(jù)之間的灰度差異應(yīng)該更大，即它的方差應(yīng)該較大，可以通過圖像灰度數(shù)據(jù)的方差來衡量圖像的清晰度，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;

　　//求灰度圖像的標(biāo)準(zhǔn)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（）;

　　}

　　方差數(shù)值隨著清晰度的降低逐漸降低：

?

　　在工業(yè)應(yīng)用中，最清晰的對焦拍攝出來的圖像不一定是最好的，有可能出現(xiàn)摩爾紋（水波紋）現(xiàn)象，一般需要在最清晰對焦位置附件做一個(gè)微調(diào)。