基于微粒群區(qū)域搜索和小波評價的差分式自動聚焦

呂恒毅，劉 楊，薛旭成

（1.中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所，吉林長春130033；2.哈爾濱工業(yè)大學(xué)控制科學(xué)與工程系，黑龍江哈爾濱150001）

基于微粒群區(qū)域搜索和小波評價的差分式自動聚焦

呂恒毅1，劉 楊2，薛旭成1

（1.中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所，吉林長春130033；2.哈爾濱工業(yè)大學(xué)控制科學(xué)與工程系，黑龍江哈爾濱150001）

為進(jìn)一步提高圖像法自動聚焦的性能，提出了一種差分式提取圖像邊緣的方法，并構(gòu)造了圖像清晰度的小波評價函數(shù)，同時利用微粒群（PSO）算法對聚焦區(qū)域進(jìn)行快速搜索。首先，介紹了差分式邊緣提取方法及其優(yōu)勢，給出了一種評價區(qū)域的選取判據(jù)以及基于PSO的高效搜索方法；然后，對小波評價函數(shù)參數(shù)進(jìn)行了比較分析和優(yōu)選；最后，與傳統(tǒng)方法進(jìn)行了對比實驗。結(jié)果表明，由于采用了差分式提取方法以及新的自適應(yīng)聚焦窗口和評價函數(shù)，聚焦曲線較傳統(tǒng)方法具有更高的調(diào)焦分辨率，PSO算法的使用使聚焦速度提高了約170 ms，聚焦精度約為2.3 μm，同時調(diào)焦效果不受初始位置的影響。

自動聚焦；差分式邊緣提取；聚焦區(qū)域選擇；微粒群（PSO）算法；清晰度評價函數(shù)；小波變換

1 引 言

自動聚焦［1～3］是獲取高分辨率圖像的關(guān)鍵技術(shù)，它在數(shù)字成像系統(tǒng)、計算機(jī)視覺和視頻監(jiān)控等領(lǐng)域起著至關(guān)重要的作用。自動聚焦通常包括3個步驟：聚焦區(qū)域的選擇［4］、評價函數(shù)的計算和聚焦位置搜索算法。聚焦區(qū)域選擇能夠有效提高聚焦效率，同時獲取對評價函數(shù)相對有利的評價窗口，但傳統(tǒng)的聚焦區(qū)域搜索算法耗時較大，且搜索到的聚焦區(qū)域內(nèi)的圖像仍會包含一部分低頻冗余信息，對評價函數(shù)靈敏度和穩(wěn)定性十分不利；評價函數(shù)是自動聚焦中的核心部分，決定了圖像法自動聚焦［5］的精度和速度，國內(nèi)外學(xué)者對此進(jìn)行了深入的研究，并提出了眾多的評價函數(shù)形式［6～10］，但傳統(tǒng)曲線形態(tài)大多存在著有效調(diào)焦范圍過窄或聚焦位置附近靈敏度不高的不足。鑒于此，本文提出了差分式提取圖像邊緣的方法來剔除低頻冗余，并為之匹配設(shè)計了小波評價函數(shù)和基于微粒群算法（PSO）的評價區(qū)域搜索方法，得到了優(yōu)于傳統(tǒng)方法的結(jié)果。

2 圖像邊緣的差分式提取

圖像中的低頻成份不僅嚴(yán)重影響評價函數(shù)曲線的靈敏度，而且可能影響評價函數(shù)的判斷正確性［9］。對于一幅清晰的圖像，在離焦過程中，銳度大的邊緣信息衰減相對較慢，在離焦量較大時仍能辨認(rèn)出其基本的輪廓信息，而銳度較小的邊緣信息則消失殆盡；在聚焦過程中，圖像的高頻成分逐漸變得清晰，而低頻成分變化不明顯。因此，將調(diào)焦過程中每步的圖像與初始離焦圖像做差并求絕對值，便可得到低頻含量很小的圖像邊緣分量，并作為評價函數(shù)計算的輸入圖像，其表達(dá)式如式（1）所示。

傳統(tǒng)方法以原始圖像作為輸入，如式（2）所示。

式中，i=1，2，3，……；Imeasurei為第i次調(diào)焦后用于評價函數(shù)計算的圖像；Ii為第i步調(diào)焦后探測器獲得的圖像；I0為初始位置的離焦圖像。

采用公式（1）和（2）得到的圖像比較如圖1所示。

圖1 式（1）和（2）的待評價圖像比較圖Fig.1 Comparison of images using algorithm （1）＆amp；（2）

由圖1可看出，經(jīng)絕對差分的圖像的低頻冗余被有效剔除，用于清晰度評價的圖像僅包括邊緣銳度較大的部分；隨著離焦量的減小，差分圖像的邊緣銳度逐漸增強(qiáng)，調(diào)焦時具備可評價性。與此同時，提出的差分式方法在剔除圖像低頻冗余影響的同時，可以有效剔除CCD探測器的固有共模干擾。

3 評價區(qū)域選取

對于高分辨率、多像素的成像系統(tǒng)來說，對整幅圖像進(jìn)行評價函數(shù)計算將耗費大量的時間，影響調(diào)焦系統(tǒng)的實時性；同時，圖像中的背景信息會嚴(yán)重影響聚焦圖像的空間頻率分布，導(dǎo)致評價函數(shù)的靈敏度和分辨率下降［11］。因此，選取整幅圖像中邊緣最豐富、銳度最強(qiáng)的部分進(jìn)行評價函數(shù)計算是必要的。

3.1 評價區(qū)域的選取判據(jù)

本文用于區(qū)域選擇的圖像為|I1-I0|，而在調(diào)焦過程中，獲得的首幅和次幅圖像的絕對差分|I1-I0|中的邊緣信息灰度往往較低，但這些邊緣信息卻對應(yīng)著原始景物中的邊緣銳度最大的部分，因此要對其進(jìn)行提取和增強(qiáng)。鑒于此，構(gòu)造評價區(qū)域選取判據(jù)為：

其中γ（）為圖像的邊緣輪廓獲取函數(shù)，選用“sobel”算子對圖像進(jìn)行輪廓提取并進(jìn)行二值化處理；ΓR×L［］為輪廓信息能量最大值窗口獲取函數(shù)，R和L分別為評價窗口的行和列數(shù)。R和L值應(yīng)選擇適當(dāng)，若過大會起不到降低調(diào)焦時間的作用，若過小則會導(dǎo)致評價函數(shù)不穩(wěn)定，這里取值為R=L=100，讀者可根據(jù)相機(jī)實際像元數(shù)自行選取。

評價區(qū)域選擇方法可由圖2形象表示。

圖2 評價區(qū)域選取原理示意圖Fig.2 Sketch map of evaluation area selection

圖2中，評價區(qū)域Marea是通過在圖像Edge中遍歷搜索灰度能量最大的窗口而得到的，它代表了景物中邊緣銳度最強(qiáng)的部分。但對于圖像大小為M×N、評價窗口為m×n的調(diào)焦系統(tǒng)，當(dāng)采用遍歷法進(jìn)行聚焦區(qū)域搜索時，須對（M-m+1）×（N-n+1）個子圖像進(jìn)行邊緣能量計算，計算量極大。因此，本文采用微粒群算法（Particle Swarm Optimization，PSO）進(jìn)行尋優(yōu)。

3.2 評價區(qū)域的PSO搜索算法

PSO算法［12］是Kennedy和Eberhart于1995年提出的一種基于群智能的演化計算技術(shù)，主要用于搜索全局最優(yōu)解。其核心思想是：通過群體中個體之間的協(xié)作和信息共享來尋找全局最優(yōu)解。PSO算法初始化為一群隨機(jī)粒子，粒子在每一次迭代中通過跟蹤兩個“極值”（粒子當(dāng)前時刻為止的個體最優(yōu)解p和粒子種群當(dāng)前時刻為止的全局最優(yōu)解g）來更新自己，通過不斷地學(xué)習(xí)與迭代，最終達(dá)到全局最優(yōu)解。采用標(biāo)準(zhǔn)PSO算法，粒子速度和位置的迭代公式為：

式中，i=1，2，…，K表示粒子數(shù)序號；ω為慣性權(quán)重；c1，c2為加速系數(shù)；r1，r2是［0，1］間的隨機(jī)數(shù)。PSO算法的詳細(xì)計算步驟及參數(shù)選取參見文獻(xiàn)［13］。

本文的搜索目標(biāo)是尋找圖像中的最佳評價區(qū)域。對于窗口大小確定的調(diào)焦系統(tǒng)，評價區(qū)域的位置可由其左上角像素坐標(biāo)（x，y）唯一確定，因而將粒子的維數(shù)設(shè)為二，分別對應(yīng)評價區(qū)域左上角像素的橫縱坐標(biāo)，這樣一個粒子就代表了一個評價窗口。對于圖像大小為M×N、評價窗口大小為m×n的調(diào)焦系統(tǒng)，PSO粒子種群定義為：

其中，［］高斯取整函數(shù)，r1，r2是［0，1］間的隨機(jī)數(shù)，（x1，yi）為第 i個粒子的位置；i=1，2，…，K。速度初始化亦為隨機(jī)值。適應(yīng)度函數(shù)為：

圖3 聚焦區(qū)域的微粒群算法搜索結(jié)果Fig.3 Search results in focusing area by PSO

同時，本文選取K=30，c1=c2=2，ω=0.5，終止條件M=25，可根據(jù)具體情況自行調(diào)整。利用PSO對某圖像進(jìn)行評價區(qū)域自動搜索，結(jié)果如圖3所示。

從圖3可以看出，PSO算法的搜索結(jié)果對應(yīng)著原圖像中邊緣最豐富的部分，經(jīng)過數(shù)據(jù)計算也證明了PSO算法獲得了該圖像中的全局最優(yōu)解（29，133）。然而PSO算法屬于隨機(jī)式啟發(fā)算法，對于復(fù)雜的多峰函數(shù)，其搜索結(jié)果與粒子的初始值有關(guān)，而初始值為隨機(jī)數(shù)，因此有時可能得不到全局最優(yōu)解。所以在應(yīng)用PSO算法對圖像的評價區(qū)域進(jìn)行搜取時，有必要驗證其準(zhǔn)確性和穩(wěn)定性。

由概率統(tǒng)計中的大數(shù)定律可知，對于一個隨機(jī)事件，當(dāng)實驗次數(shù)足夠多時事件結(jié)果的算術(shù)平均值依概率收斂于真實值。蒙特卡洛（Monte Carlo）方法正是建立在這一理論基礎(chǔ)之上的。該方法先根據(jù)實際問題建立模型，再按照設(shè)定的隨機(jī)過程反復(fù)生成隨機(jī)數(shù)，通過求輸出結(jié)果的統(tǒng)計特征值作為待解問題的數(shù)值解。本文采用蒙特卡洛分析的思想對PSO區(qū)域選取的結(jié)果進(jìn)行統(tǒng)計，對同一幅圖像做1 000次區(qū)域選取實驗，實驗結(jié)果用輸出區(qū)域左上角像素的坐標(biāo)來表示，每次實驗時粒子初始值的隨機(jī)數(shù)按乘同余法生成，得到的前8次結(jié)果如表1所示。

表1 PSO算法尋優(yōu)結(jié)果Tab.1 Optimization results by PSO method

表1中遍歷法搜索坐標(biāo)行數(shù)為29，坐標(biāo)列數(shù)為133，對應(yīng)的搜索曲線如圖4所示。

由表1和圖4可以看出，雖然各次搜索的粒子初始化位置隨機(jī)、初始適應(yīng)度各不相同，但PSO搜索算法能在極少的代數(shù)內(nèi)找到全局最優(yōu)解，沒有出現(xiàn)陷入局部極值的現(xiàn)象。整個實驗得到的結(jié)果均值為（28.993，132.982），準(zhǔn)確率為99.97％，與采用遍歷法獲得的全局最優(yōu)值幾乎相等，比文獻(xiàn)［11］中的自適應(yīng)遺傳算法穩(wěn)定性高。從計算時間來看，文獻(xiàn)［11］中遺傳算法自身的選擇、交叉和變異策略需要較多計算時間，相比之下，PSO算法的更新機(jī)制簡單，計算量要小。本文在主頻為1.73 GHz、內(nèi)存為1 G的PC機(jī)上對搜索方法進(jìn)行仿真，前8次用時如表1中所示，1 000次平均用時約為9.51 s，平均搜索代數(shù)約為7，對文獻(xiàn)［11］和本文方法的聚焦窗口大小和硬件速度進(jìn)行等效轉(zhuǎn)換和比較表明，本方法平均用時約為126 ms，更適合調(diào)焦使用。

圖4 PSO算法搜索適應(yīng)度曲線Fig.4 Fitness values of searching by PSO

4 基于Wavelet的評價函數(shù)

小波變換［14，15］（Wavelet Transforms）是繼Fouirer變換以來的純粹數(shù)學(xué)和應(yīng)用數(shù)學(xué)完美結(jié)合的一個典范，具有優(yōu)秀的時頻局部特性，對圖像邊緣細(xì)節(jié)的銳度信息有很強(qiáng)的提取能力和感應(yīng)靈敏度。

4.1 評價函數(shù)構(gòu)造

圖像小波分解可由圖5表示（以3層分解為例）。

從圖5中可以看出，在每一層分解過程中，二維小波將圖像分解為低頻和高頻兩部分，其中高頻包括HH、HL和LH 3個分量。同時，各層分解均可得到 4組分解系數(shù) coefLHK（低頻系數(shù)）和coefHHK，coefHLK，coefLHK（高頻系數(shù)）。 高頻系數(shù)代表了各分辨率下高頻成分的能量和強(qiáng)度。在聚焦過程中，高頻能量逐漸增強(qiáng)，低頻能量緩慢衰減。綜上所述，構(gòu)造基于 Wavelet的評價函數(shù)如式（8）：

式中，r和l分別為用于分解的圖像的行和列數(shù)，N為小波分解層數(shù)，μ為各層系數(shù)的數(shù)學(xué)期望；W為各層分解得到的窗口圖像。

圖5 二維小波分解示意圖Fig.5 Sketch map of two-dimensional wavelet transforms

4.2 評價函數(shù)參數(shù)選取

與傳統(tǒng)小波評價函數(shù)中參數(shù)的選取不同，本文的選取要適應(yīng)公式（1）所得到的圖像的特點。

4.2.1 小波基的選取

小波基的支撐長度和消失矩是兩個重要的參數(shù)。支撐長度決定了小波基的時頻局域化能力和計算復(fù)雜度；消失矩則表征了小波基逼近光滑信號時的收斂率，體現(xiàn)了對奇異點的捕捉能力。因此，二者對小波基的高頻細(xì)節(jié)提取能力均有影響，通常希望選用支撐長度短、消失矩高的小波基。

選用工程中應(yīng)用較為廣泛的 Db（Daubechies）、Coif（Coiffets）和Sym（Symlets）小波進(jìn)行對比實驗。其中，3種小波基的主要參數(shù)特性比較如表2。

表2 小波基參數(shù)特性比較Tab.2 Characteristics comparsion of wavelets

為方便起見，分兩步進(jìn)行比較（評價函數(shù)曲線形態(tài)優(yōu)劣判據(jù)采用文獻(xiàn)［6］中提出的自動聚焦不確定性測量（AUM）判據(jù)，AUM值越小，曲線形態(tài)越佳，同時，本文調(diào)焦步距為d=4 μm（為方便起見這里不采用變步長調(diào)焦））。

第一步：取相同的支撐長度（L=5），分解層數(shù)為3，并采用第4.1節(jié)提出的評價函數(shù)和差分式提取方法對Lena圖像聚焦序列進(jìn)行分析，此時，對應(yīng)的小波評價函數(shù)曲線歸一化（用每步值除以最大值）后如圖6所示，對應(yīng)的AUM判據(jù)值如表3所示。

圖6 等支撐長度小波基評價效果比較Fig.6 Comparison of wavelet assessing effects with the same support length L

表3 圖6評價函數(shù)曲線標(biāo)準(zhǔn)差和AUM值Tab.3 Standard deviation and AUM values of evaluation function in Fig.6

由表3可知，Sym小波的評價函數(shù)曲線的AUM值最小，因此平均分辨率最高；同時，由于L=5，因此3種小波基的消失矩分別為3，2和6，所以Sym小波的消失矩也是三者中最高的。

第二步：取相同的消失矩（D=4），其他條件同第一步，各評價函數(shù)曲線歸一化后如圖7所示，對應(yīng)的AUM判據(jù)值如表4所示。

圖7 等消失矩小波基評價效果比較Fig.7 Comparison of wavelets assessing effects with the same D

表4 圖7評價函數(shù)曲線標(biāo)準(zhǔn)差和AUM值Tab.4 Standard deviation and AUM values of evaluation function in Fig.7

由表4可知，Sym小波的評價函數(shù)曲線的AUM值最小，因此平均分辨率最高；而且D=4時，3種小波的支撐長度分別為7，11和3，因此Sym小波的支撐長度最短，計算量最小。

綜合上述兩步仿真分析，選用Sym小波族。接下來確定N值。

由表2可知，N值決定了小波基的消失矩和支撐長度的大小。N值選取應(yīng)適中，過小則消失矩過低，過大則支撐長度過長，計算量太大，因此取N為2，4，6，8，其他條件同第一步，比較結(jié)果如圖8所示，對應(yīng)的AUM判據(jù)值如表5所示。

圖8 不同N值的Sym小波基評價效果比較Fig.8 Comparison of wavelet assessing effects with different N

表5 圖8評價函數(shù)曲線標(biāo)準(zhǔn)差和AUM值Tab.5 Standard deviation and AUM values of evaluation function in Fig.8

由表5可知，Sym2的評價函數(shù)曲線的AUM值最小，平均分辨率最高，因此本文選取Sym2小波基。

4.2.2 分解層數(shù)的確定

圖9 不同分解層數(shù)評價效果比較Fig.9 Comparison of evaluation effects with different decompose floors

選取分解層數(shù)1、2、3和4進(jìn)行比較，并采用第4.1節(jié)提出的評價函數(shù)和差分式提取方法對Lena圖像聚焦序列進(jìn)行分析，比較結(jié)果如圖9所示，對應(yīng)的AUM判據(jù)值如表6所示。

表6 圖9評價函數(shù)曲線標(biāo)準(zhǔn)差和AUM值Tab.6 Standard deviation and AUM values of evaluation function in Fig.9

由表6可知，1層分解的評價函數(shù)曲線的AUM值最小，平均分辨率最高，因此本文選取分解層數(shù)為1。

5 實驗與比較分析

經(jīng)上述三節(jié)介紹，本調(diào)焦方法流程如圖10所示。

圖10 自動調(diào)焦方法流程圖Fig.10 Flow chart of auto-focusing method

5.1 與傳統(tǒng)調(diào)焦方法的比較

傳統(tǒng)的調(diào)焦方法在I0圖像中進(jìn)行評價區(qū)域選擇，目前典型的選取方法包括固定窗口（中心取窗法、黃金分割法等）和自適應(yīng)窗口（基于圖像熵的選取方法和基于圖像一階矩的選取方法等）。然后通過傳統(tǒng)的評價函數(shù)［6～10］進(jìn)行圖像清晰度評估，本文選用了功率譜函數(shù)（公式（11））、熵函數(shù)（公式（12））、灰度差分函數(shù)（公式（13））和傳統(tǒng)的小波評價函數(shù)法（公式（14））4種典型的傳統(tǒng)評價函數(shù)。

而本文方法則在圖像|I1-I0|中利用PSO算法和判據(jù)公式（3）搜索評價窗口區(qū)域，然后以公式（8）作為評價函數(shù)。由于傳統(tǒng)方法的組合方式較多，為方便起見，做比較試驗如下：

（1）與固定窗口調(diào)焦比較（以中心窗口為例）

由于固定的評價窗口不具備自適應(yīng)性，可能存在窗口內(nèi)景物邊緣細(xì)節(jié)稀少的情況，此時本方法與各傳統(tǒng)評價函數(shù)比較如圖11所示。由圖11可以看出，由于固定窗口內(nèi)細(xì)節(jié)與邊緣較少，各傳統(tǒng)調(diào)焦曲線均很平緩，傳統(tǒng)小波方法和熵函數(shù)法甚至出現(xiàn)拐點，無法用于調(diào)焦，其他方法的評價函數(shù)的AUM值如表7所示。

圖11 固定窗口中細(xì)節(jié)稀少時的評價曲線圖Fig.11 Evaluation curves with little details in fixed window

表7 圖11評價函數(shù)曲線標(biāo)準(zhǔn)差和AUM值Tab.7 Standard deviation and AUM values of evaluation function in Fig.11

由此可見，本方法的 AUM值最小，曲線最好。

在某一固定離焦位置分別重復(fù)進(jìn)行100次聚焦試驗，3種方法的平均聚焦時間及平均聚焦精確度如表8所示。其中，聚焦精度為理想聚焦位置與實際聚焦位置差的絕對值，聚焦精度由控制系統(tǒng)精度決定。

表8 3種方法的聚焦時間及聚焦精確度比較Tab.8 Comparison of focusing time and focus precision of three methods

由表8可知，與固定窗口的傳統(tǒng)方法相比，本方法的聚焦時間最短，聚焦精度無大差異。

當(dāng)窗口內(nèi)景物存在足夠細(xì)節(jié)和邊緣時，本方法與傳統(tǒng)各評價函數(shù)比較如圖12所示。對應(yīng)的AUM判據(jù)值如表9所示。

圖12 固定窗口中細(xì)節(jié)稀多時的評價曲線圖Fig.12 Evaluation curves with much details in fixed window

表9 圖12評價函數(shù)曲線標(biāo)準(zhǔn)差和AUM值Tab.9 Standard deviation and AUM values of evaluation function in Fig.12

由此可見，本方法的AUM值最低，評價函數(shù)曲線最好。

（2）與自適應(yīng)窗口調(diào)焦比較（以基于熵的方法［11］為例）。

由于采取了基于熵的評價區(qū)域選取方法，本方法和此時的傳統(tǒng)方法在評價區(qū)域的獲取結(jié)果上差異不大，此時的比較結(jié)果如圖13所示，對應(yīng)的AUM判據(jù)值如表10所示。

圖13 自適應(yīng)窗口時的評價曲線圖Fig.13 Evaluation curves with adaptive window

表10 圖13評價函數(shù)曲線標(biāo)準(zhǔn)差和AUM值Tab.10 Standard deviation and AUM values of evaluation function in Fig.13

由此可見，本方法的 AUM值最小，曲線最好。

在某一固定離焦位置分別重復(fù)進(jìn)行100次聚焦試驗，除熵函數(shù)法有拐點外，其他方法的平均聚焦時間及平均聚焦精確度如表11所示。

表11 圖13評價函數(shù)曲線標(biāo)準(zhǔn)差和聚焦精確度Tab.11 Standard deviation and focus precision values of evaluation function in Fig.13

由表11可知，與自適應(yīng)窗口的傳統(tǒng)方法相比，本方法的聚焦時間最短，聚焦精度無大差異。

5.2 初始位置影響分析

由于本方法中用于評價函數(shù)計算的圖像是通過差分式提取得到的，因此不難想象，初始位置不同時，差分獲得的前幾次圖像灰度以及所包含的邊緣信息的豐富程度會有所不同。以此類推，整個評價函數(shù)曲線的形態(tài)亦會有所不同，這也是本方法與傳統(tǒng)方法的一個主要區(qū)別，也就是說本方法的調(diào)焦曲線是隨初始位置而變化的。本文對Lena圖像序列進(jìn)行了仿真，結(jié)果如圖14所示。

由圖14可知，初始位置不同時評價函數(shù)歸一化曲線形態(tài)確有不同，且初始離焦量越小曲線越陡峭；同時，不論初始位置如何，本方法的曲線均能幾乎充滿［0，1］區(qū)間（即初始位置處的評價函數(shù)值接近于0），使得本方法具有較高的平均調(diào)焦分辨率。最后，觀察圖12、圖13和圖14，可以發(fā)現(xiàn)，除本方法，其他方法均無法充滿［0，1］區(qū)間，這也是本方法優(yōu)于傳統(tǒng)方法［16，17］的主要特點。

圖14 不同初始位置評價效果比較Fig.14 Comparison of assessing effects with different original positions

6 結(jié) 論

本文提出了差分式提取圖像邊緣的方法，給出了基于微粒群邊緣能量搜索的聚焦區(qū)域選取途徑，并構(gòu)造了圖像清晰度的小波評價函數(shù)。通過實驗比較，選用了Sym2小波基，并確定分解層數(shù)為1層；采用公式（1）的待評價圖像獲取方法和小波評價函數(shù)相結(jié)合的方式與傳統(tǒng)方法進(jìn)行了對比實驗，結(jié)果表明，前者具有最大的調(diào)焦范圍和很高的分辨率，同時，PSO算法的使用，進(jìn)一步提高了聚焦的速度，而且本文調(diào)焦方法不受初始位置的影響。

［1］NAYAR S K，NAKAGAWA Y.Shape from focus［J］.IEEE T.Pattern Anal，1994，16（8）：824-831.

［2］PARK B-K，KIM S S，CHUNG D S，et al..Fast and accurate auto focusing algorithm based on two defocused images using discrete cosine transform［J］.SPIE，2008，6817：68170D.

［3］CHOI J S，KANG H，LEE C M，et al..Noise insensitive focus value operator for digital imaging systems［J］.IEEE Transactions Consumer Electronics，2010，56（2）：312-316.

［4］KIM Y，LEE J S，MORALES A W.A video camera system with enhanced zoom tracking and auto white balance［J］.IEEE Transactions Consumer Electronics，2002，48（3）：428-434.

［5］MICHELE M，HENRY J，F(xiàn)REDERICK K，et al..A Image based auto-focusing algorithm for digital fundus photography［J］.IEEE Transactions Medical Imaging，2009，28（11）：1703-1707.

［6］SUBBARAO M，TYAN J K.Selecting the optimal focus measure for auto-focusing and depth-from-focus［J］.IEEE T.Pattern Anal.，1998，20（8）：864-870.

［7］SUN Y，DUTHALER S，NELSON B J.Auto-focusing in computer microscopy：selecting the optimal focus algorithm［J］.Microscopy Res.Techniques，2004，65（3）：139-149.

［8］YANG G，NELSON B J.Wavelet-based auto-focusing and unsupervised segmentation of microscopic image［C］.Proceedings of the IEEE International Conference on Intelligent Robots and System，Las Vegans，Nevada，2003：2143-2148.

［9］張樂，姜威，高贊.數(shù)字圖像一階矩的自動聚焦區(qū)域選擇算法［J］.光學(xué)技術(shù)，2008，34（2）：231-236.ZHANG L，JIANG W，GAO Z.Automatic focusing region selection algorithm based on first order of digital image［J］.Opt.Technique，2008，34（2）：231-236.（in Chinese）

［10］梁敏華，吳志勇，陳濤.采用最大灰度梯度法實現(xiàn)經(jīng)緯儀自動調(diào)焦控制［J］.光學(xué) 精密工程，2009，17（12）：3016-3021.LIANG M H，WU ZH Y，CHEN T.Auto-focusing adjustment of theodolites by largest the Gradient method［J］.Opt.Precision Eng.，2009，17（12）：3016-3021.（in Chinese）

［11］胡濤，陳世哲，劉國棟，等.圖像法自動調(diào)焦的最佳調(diào)焦區(qū)域選取算法［J］.光學(xué)技術(shù)，2006，32（6）：851-854.HU T，CHEN SH ZH，LIU G D，et al..Algorithm of selecting the optimal focusing region［J］.Opt.Technique，2006，32（6）：851-854.（in Chinese）

［12］KENNEDY J，EBERHART R.Particle swarm optimization［C］.Proc IEEE Int Conf on Neural Networks，Perth，Australia.Nov/Dec 1995：1942-1948.

［13］謝曉鋒，張文俊，楊之廉.微粒群算法綜述［J］.控制與決策，2003，18（2）：129-134.XIE X F，ZHANG W J，YANG ZH L.Overview of particle swarm optimization［J］.Control and Decision，2003，18（2）：129-134.（in Chinese）

［14］JAWERTH B，AWELDENS W.An overview of wavelet based multiresolution analysis［J］.SIAM Rev.，1994，36（3）：377-412.

［15］XIE H，RONG W B，SUN L N.Wavelet-based focus measure and 3-D surface reconstruction method for microscopy images［C］.Proc.of the IEEE/RSJ International Conference on Intelligent Robots and Systems，Beijing，China，2006：229-234.

［16］張運海，趙改娜，張中華，等.免散瞳眼底照相機(jī)的精密調(diào)焦［J］.光學(xué)精密工程，2009，17（5）：1014-1019.ZHANG Y H，ZHAO G N，ZHANG ZH H.Accurate focusing of non-mydriatic fundus camera［J］.Opt.Precision Eng.，2009，17（5）：1014-1019.（in Chinese）

［17］張新潔，顏昌翔，謝濤.星載光學(xué)遙感器調(diào)焦機(jī)構(gòu)的設(shè)計［J］.光學(xué) 精密工程，2009，17（11）：2756-2761.ZHANG X J，YAN CH X，XIE T.Design of focusing mechanism of space remote sensor［J］.Opt.Precision Eng.，2009，17（11）：2756-2761.（in Chinese）

Difference auto-focusing based on particle swarm optimization searching and wavelet evaluation

Lü Heng-yi1，LIU Yang2，XUE Xu-cheng1

（1.Changchun Institute of Optics，F(xiàn)ine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China；2.Department of Control Science and Engineering，Harbin Institute of Technology，Harbin 150001，China）

In order to enhance the auto-focusing capability of a imaging system，a difference image extraction method is proposed.Meanwhile，a evaluation function based on wavelets and a region selecting technique using Particle Swarm Optimization（PSO）are given.The principle and superiority of the difference image extraction method are introduced.Then a selecting criterion and a searching method using PSO for region evaluation are described，and the parameters for wavelet based evaluation function are compared and optimized.Finally，emulation experiments are practiced to analyze the advantages and disadvantages of traditional and proposed methods.Results indicate that the proposed method can offer a higher resolution to the focusing curve due to the difference image extraction，new focusing window and focus evaluation.Moreover，it has improved the focusing speed by 170 ms and provided the focusing precision about 2.3 μm.Furthermore，its focusingeffects are always satisfactory with different initial positions.

auto-focusing；difference edge extraction；focus region selection；Particle Swarm Optimization（PSO）；defination evaluation function；wavelet transform

TP391.4

A

1674-2915（2011）03-0283-10

2011-02-21；

2011-04-23

國家自然科學(xué)基金重大合作項目（No.6071002）

呂恒毅（1984—），男，遼寧大連人，碩士，研究實習(xí)員，主要從事空間遙感相機(jī)成像系統(tǒng)及智能調(diào)焦等方面的研究。E-mail：lv_hengyi@163.com

劉 楊（1982—），博士研究生，主要從事信號處理和故障診斷方面的研究。E-mail：lghit520@yahoo.com.cn