基于最大类间方差和Canny算子的晶圆图像清晰度评价算法
基于改进Canny算子的图像弱边缘检测算法
收稿日期：2019-06-03；修回日期：2019-08-08基金项目：国家自然科学基金资助项目（61132005）；国家重点研发计划资助项目（2017YFC1405202）；海洋公益性行业科研专项资助项目（201505002）作者简介：李庆忠（1963-），男，山东淄博人，教授，博导，博士，主要研究方向为图像处理、信号处理与模式识别；刘洋（1994-），男（通信作者），山东淄博人，硕士研究生，主要研究方向为智能信息处理与智能控制（1120132246@qq．com ）．基于改进Canny 算子的图像弱边缘检测算法*李庆忠，刘洋（中国海洋大学工程学院，青岛266100）摘要：图像边缘在基于机器视觉的工件自动测量与识别中起着至关重要的作用，但传统的Canny 算子只能检测图像中的强边缘而出现弱边缘漏检问题。
为此提出了一种基于改进Canny 弱边缘检测算法。
该算法首先用提出的改进梯度倒数加权滤波方法对图像进行斑点噪声滤除的同时保持了图像边缘；其次用改进的Sobel 算子计算梯度幅值，以提高边缘的定位精度；对非极大值抑制后的梯度图像进行分块，根据各个子块的类型自适应确定各子块的高低阈值，并对平滑块进行再分块，以检查平滑块中是否含有细小的弱边缘。
最后，为了克服传统高低阈值连接中部分弱边缘的漏检问题，提出基于局部区域生长法的边缘连接算法，使之能够保留连接性较好的弱边缘点。
实验结果表明，该算法能够去除图像中的斑点噪声并能检测出图像中的弱边缘，为图像弱边缘的检测提供了一种可行方法。
关键词：Canny 算子；弱边缘检测；边缘保持滤波；机器视觉；工件测量0引言图像的边缘特征是图像目标最基本且重要的特征之一，在机器视觉检测与测量领域有着广泛的应用，如图像分割［1，2］、目标检测与测量［3］、目标识别与跟踪［4］等。
尤其在基于机器视觉的工件检测与识别中，因目标工件含有较多弱边缘，而传统的边缘检测算法只适合于强边缘检测与提取，所以目前图像弱边缘检测已经成为机器视觉领域一个急需解决的难题之一。
一种改进的Canny的图像边缘检测算法
摘要 ： 图像边缘优化检测问题 ， 图像边缘信息被噪声污染影 响定位精度。传统 Ｃ ｎｙ 研究 针对 ａ ｎ 算子的高斯滤波参数和高低
阚值选择 困难 ， 以及会造成缓变边缘丢失信息和假边缘 的现象 。为解 决此问题 ， 出一 种改进的 Ｃ ｎ ｙ的边缘检测算法 。 提 ａｎ 首先采用非线性扩散滤波减少 了图像噪声， 同时保持图像 的边缘信息 ， 然后采用最大类 间方差 的方法来实 现 Ｃ ｎ ｙ算子高 ａｎ 低阈值 的自适应选择 ， 并用此高低 阈值检测及连接图像的边缘 。实验结果 表明 ， 改进的算法改善 了噪声干扰情况下 Ｃ ｎ ｎ ａ ｙ 算子的边缘提取效果 ， 有效提高了边缘的检测精度和准确性 。 关键词 ： 边缘检测 ； 最大类间方差 ； 阈值 ； 高斯滤波
（ ．Ｅ ｐｒ ｅｔｌ ｒｉ ｎ ｎｇｍ ｎ ｅ ｔ ， ｕｎｄｎ ｄｓ Ｔｃ ｎ ａ Ｃ ｌｇ ， １ ｘｅｉ ｎａ Ｔａ ｉｇＭａａｅ ｅｔ ｎｅ Ｇ ａｇｏｇＩ ｕｔ ｅｈ ｉ ｌ ｏｅｅ ｍ ｎ Ｃ ｒ ｎ ￣ ｃ ｌ
Ｇｕ ｎ ｚ ｏ ａ ｇ ｏ ｇ ５１ ３ ０， Ｃｈ ｎ ； ａ ｇ ｈ ｕ Ｇｕ ｎ ｄ ｎ ０ ０ ｉａ
中 图分 类 号 ：Ｐ９ Ｔ ３１ 文献 标 识 码 ： Ｂ
Ａｎ ｍ ｐ ｏ ｅ ｎｎ ｇ ｔ ｃ ｉ ｎ Ａｌ ｏ ｉｈ Ｉ ｒ ｖ ｄ Ｃａ ｙ Ｅｄ ｅ Ｄｅ ｅ ｔｏ ｇ ｒ ｔ ｍ
Ｓ Ｈｅ ｇ—ｙBiblioteka ｎ Ｕ ｎ ａ ｇ ．ＹＵＡＮ ａ — ｚ ｅ Ｘｉ ｎ ｈｎ
２ ｅ ｏ ｎ ｒ ａ ｏ ｅｔｒ Ｇ ａｇｏｇＩｄｓｙＴ ｃｎｃｌ ｏｌ ｅ Ｇ ａｇｈ ｕＧ ａｇｏｇ５ ００ ，Ｃ ｉａ ．Ｎ ｔ ｒ Ｉｆ ｍ ｔ ｎＣ ｎｅ， ｕｎｄｎ ｕｔ ｅｈ ｉ ｌ ｇ ， ｕｎｚｏ ｕｎｄｎ １３０ ｈｎ） ｗ ｋ ｏ ｉ ｎ ｒ ａＣ ｅ
自适应阈值Canny边缘检测算法研究
自适应阈值Canny边缘检测算法研究作者：徐亮吴海涛孔银昌来源：《软件导刊》2013年第08期摘要：对Canny边缘检测算法进行了对比研究，分析了传统Canny算法存在的缺陷，提出了一种改进的自适应阈值Canny边缘检测算法。
首先利用具有边缘保留功能的双边滤波器滤除噪声，然后运用基于梯度幅值的类间方差最大化算法（OSTU）来确定Canny算子的高低阈值，最后进行边缘检测与连接。
实验结果表明，该改进算法很好地解决了传统Canny算法存在的缺陷，而且对光照的变化和场景变化具有很强的自适应能力，进一步扩展了Canny算法的应用范围。
关键词关键词：Canny算子；自适应阈值；边缘检测；双边滤波中图分类号：TP312 文献标识码：A 文章编号文章编号：16727800（2013）0080062020 引言边缘检测是图像分析与计算机视觉领域一直研究的热点，传统的边缘检测算子如Roberts、Sobel、Prewitt、Kirsch、LOG、Canny等，由于算法自身存在着种种不足，在实际应用中效果并不十分理想。
1986年，John Canny提出了最佳边缘检测算子的3个准则，并推导出了一个最优边缘检测算子的近似实现——Canny算法[1]。
Canny算子具有比较好的检测效果，并得到了广泛的应用，但是在应用Canny进行边缘检测时，一方面，应用高斯滤波器对原图像进行滤波后，在一定程度上对噪声起到了抑制作用，却也对图像的边缘信息进行了平滑，使得边缘信息丢失；另一方面，在进行边缘点的选取时，需要人工设定高低两个阈值，当光照或场景发生变化时，需要人工来改变此双阈值，这使得Canny算法不具有自适应性。
针对Canny算法存在的上述问题，许多学者提出了自己的改进算法。
针对采用高斯滤波器可能造成原图像的边缘信息丢失问题，文献[2]提出采用中值滤波代替高斯平滑滤波，并对混有椒盐噪声的图像进行处理，取得了比较好的效果；文献[3]提出自适应空间域平滑方式清除图像的椒盐噪声，达到了较好的去噪效果。
图像超分辨率模型效果评估说明
图像超分辨率模型效果评估说明图像超分辨率（Image Super-Resolution，简称SR）是一种重要的计算机视觉任务，旨在从低分辨率（Low-Resolution，LR）图像中生成高分辨率（High-Resolution，HR）图像。
近年来，深度学习技术的发展使得超分辨率模型获得了显著的进展，取得了令人瞩目的结果。
本文将从几个方面对图像超分辨率模型的效果进行评估说明。
首先，我们将介绍图像超分辨率模型的评价指标。
常用的指标包括峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、结构相似性（Structural Similarity，SSIM）和感知上的图像质量评价指标（Perceptual Image Quality Assessment，PIQA）。
PSNR是衡量图像重建质量的传统指标，它通过计算原始图像与重建图像之间的均方误差来衡量它们之间的差异。
SSIM则通过比较亮度、对比度和结构等来评估图像的相似性。
PIQA则通过一些学习的神经网络来模拟人类主观感知，从而评估图像的质量。
其次，我们将介绍一些常见的图像超分辨率模型。
目前，常见的超分辨率模型包括基于插值的方法、基于边缘的方法和基于深度学习的方法。
基于插值的方法通过对低分辨率图像进行插值来提高其分辨率，但这种方法不能捕捉到图像的细节。
基于边缘的方法则利用边缘信息来增加图像的细节，但对于复杂的纹理和结构，效果有限。
而基于深度学习的方法则通过神经网络从大量的训练样本中学习图像的映射规律，从而实现高质量的超分辨率重建。
然后，我们将介绍超分辨率模型的评估方法。
为了评估不同的超分辨率模型，通常需要构建一个测试集，其中包含一系列的低分辨率图像以及它们的高分辨率标签。
然后，将测试集输入到模型中进行重建，并使用上述评价指标来衡量重建图像的质量。
此外，为了更全面地评估模型效果，还可以通过视觉感知实验来获取主观质量评价。
利用一些主观评价标准（如MOS，Mean Opinion Score），可以将人们对重建图像质量的评价转化为数字得分，从而评估模型的性能。
基于MRI的脑动脉环形态解析
the surrounding tissues are segmented by OTSU method，and the vascular skeleton is extracted by Zhang
parallel thinning algorithm based on the median filter. The edge detection method based on Canny
1
2 MRI 图像预处理
2.2
g(x,y) = med{ f ( x - k,y - l ),(k,l ∈ w)
（1）
（2）
（3）
图像增强
图像分割的结果中还有很多孤立的噪点，采用
中 值 滤 波 法 对 图 2（c）进 行 处 理 ，使 得 结 果 更 加 清
晰。处理过程如式（3）所示，其中 g(x,y) 为处理后的
在保留原图像几何形状的前提下，尽量减少图像所
包含的信息量。
而异常结构类型识别时，血管拓扑结构是重要
灰 度 值 由 0 到 1 变 化 1 次 ，P2、P4、P6 中 至 少 有 一 个
需要进行细化。
例 如 图 4 中 ，当 前 点 为 P1，N（P1）=4,S(P1) =3,
P2×P4×P6=0，P4×P8×P6=0。由于 S(P1)=3 不满足式
Keywords: cerebral arterial rings；Zhang thinning algorithm；edge detection；skeleton extraction
大脑动脉环又称 Willis 环，具有调节大脑各部分
血液供应的重要意义。然而，形成脑动脉环的血管在
类型和管径上存在较大差异，甚至会出现缺如、发育
matlab 中canny算法
matlab 中canny算法什么是Canny算法？Canny算法是一种常用于图像边缘检测的计算机视觉算法。
它由约翰·Canny在1986年提出，目的是在保持最佳信噪比的同时准确地检测出图像中的边缘。
Canny算法的步骤是什么？Canny算法包括以下几个步骤：1. 噪声抑制：由于图像中常常存在噪声，因此第一步是对图像进行平滑处理以抑制噪声。
常用的方法是应用高斯滤波器。
2. 计算梯度：通过计算图像的梯度来确定边缘的强度和方向。
梯度计算通常使用Sobel算子，它可以有效地检测图像中的边缘。
3. 非极大值抑制：在计算梯度之后，需要对梯度幅度图像进行非极大值抑制。
这一步的目的是去除那些不是真正边缘的像素。
4. 双阈值检测：在经过非极大值抑制之后，需要对幅度图像进行阈值处理。
Canny算法使用双阈值检测来确定强边缘和弱边缘。
任何高于高阈值的像素被认为是强边缘，低于低阈值的像素被认为是弱边缘。
5. 边缘跟踪：最后一步是利用边缘跟踪算法来连接强边缘。
边缘跟踪算法基于弱边缘像素与强边缘像素的连接关系，通过追踪弱边缘像素与强边缘像素的路径来确定最终的边缘。
Canny算法的优缺点是什么？Canny算法有以下几个优点：1. 准确性：Canny算法能够准确地检测图像中的边缘，尤其在边缘区域有噪声的情况下。
2. 低错误率：相比于其他边缘检测算法，Canny算法的错误率较低，能够有效地排除非边缘像素。
3. 单一边缘：Canny算法仅提取单一像素的边缘，不会将边缘模糊化。
虽然Canny算法有许多优点，但也存在一些缺点：1. 计算量大：Canny算法需要进行多次计算，包括高斯滤波、梯度计算和非极大值抑制等，因此计算量较大。
2. 参数选择：Canny算法涉及到多个参数的选择，如高斯滤波器的大小和标准差、双阈值检测的高低阈值等。
不同的参数选择可能导致不同的结果。
3. 边缘连接：Canny算法在边缘连接过程中可能会产生断裂的边缘。
图像阈值分割方法的研究
目录摘要 (1)Abstract (2)前言 (3)第一章绪论 (4)1.1 图像阈值分割的背景及研究意义 (4)1.2 图像阈值分割国内外研究现状 (5)1.3论文研究的主要内容及各章结构安排 (5)第二章图像分割方法综述 (6)2.1图像分割技术的基本概念 (6)2.2.图像分割的基本分类 (6)2.2.1 边缘检测分割法 (7)2.2.2 阈值分割法 (8)2.2.3 区域分割法 (8)第三章图像阈值分割技术 (8)3.1 迭代法 (9)3.2 最大类间方差法 (11)3.3最小误差法 (13)3.4 最大熵法 (16)第四章图像分割算法的评价 (19)4.1 Dice系数 (19)4.2 Hausdorff距离 (20)4.3 Jaccard相似系数 (21)4.4 准确率、召回率 (21)4.5 分割效果分析 (21)第五章结论 (25)参考文献 (26)摘要图像分割是一个十分基础却十分重要的问题，它是数字图像处理和数字图像分析之间的关键桥梁，图像分割效果的好坏与后续一系列图像分析问题紧密相关。
所以，图像分割技术在整个数字图像处理中的地位十分重要。
本文首先对图像分割的有关理论做出简洁的介绍，重点探究图像阈值分割技术。
将对几种比较常见的阈值分割算法进行研究，主要是迭代法、最大类间方差法、最大熵法、最小误差法，并且对特定图像在MATLAB环境中进行了仿真测试。
本文采纳了一种图像分割评价标准，综合了Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等指标。
将手动分割的图像作为金标准，与算法分割的图像进行比较，在MATLAB 环境下给出算法图像与金标准图像的相似度，从而可以在评价各图像阈值分割算法上具有更强的说服力。
从最终的试验结果和参数分析可以看出，相比较其他三种算法分割方法，最大类间方差法不仅可以将图像中的背景和目标分割开来，而且对于图像细节的处理也比较好，并且在处理不同图像的图像时也具有良好的稳定性。
canny算子原理
canny算子原理
Canny算子是一种边缘检测算法，可以用于在图像中提取出显
著的边缘。
它是由约翰·Canny在1986年提出的，并且被广泛
应用于计算机视觉和图像处理领域。
Canny算子的原理可以分为以下几个步骤：
1. 噪声抑制：首先，需要对图像进行预处理以降低噪声的影响。
一种常见的方法是使用高斯滤波器对图像进行平滑处理，从而减少噪声的干扰。
2. 梯度计算：接下来，需要计算图像中每个像素点的梯度强度和方向。
为此，常用的方法是使用Sobel算子对图像进行卷积
操作，得到每个像素点的水平和垂直方向的梯度值。
3. 非最大抑制：通过对梯度强度和方向进行检测，可以找到图像中局部最大的边缘强度。
在这个过程中，对于每个像素点，需要判断其梯度方向所对应的像素值是否是局部最大值，如果是，则保留该像素，否则抑制。
4. 高低阈值选取：根据阈值的设定，将图像中的像素点分为边缘和非边缘。
一般来说，如果像素点的梯度值超过了高阈值，则被认为是强边缘；如果梯度值介于高低阈值之间，则被认为是弱边缘；如果梯度值低于低阈值，则被认为是非边缘。
5. 非最大值抑制：最后一步是通过非最大值抑制来进一步细化边缘。
在这个过程中，对于每个弱边缘像素，判断其周围8邻
域内的强边缘像素是否存在，如果存在，则保留，否则抑制。
通过以上步骤，Canny算子可以提取出图像中的显著边缘，并
且抑制掉噪声和不显著的边缘。
它具有较好的准确性和鲁棒性，在很多图像处理任务中得到了广泛应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于最大类间方差和Canny算子的晶圆图像清晰度评价算法摘要：针对现有清晰度评价函数稳定性、精度不足，且易受噪声干扰等问题，提出一种基于最大类间方差和Canny算子的晶圆图像清晰度评价算法。
对最大类间方差算法分割出的前景图像，使用Canny算子进行边缘检测。
统计边缘点的个数和梯度幅值，并计算子图像的边缘点梯度幅值方差，以构建清晰度评价函数。
实验结果表明，提出的算法具有较好的灵敏度、稳定性和抗噪性。
关键词：晶圆图像；清晰度评价；最大类间方差；Canny算子；在机器视觉领域，清晰度是决定后续图像处理质量的最重要因素之一。
图像采集时，清晰度会受到各种因素的影响，如离焦成像、镜头光学畸变、雾气模糊等。
而聚焦是保证采集的图像清晰度满足要求的关键环节。
基于机器视觉的自动聚焦方法无需加装距离测量设备，如激光测高传感器等。
通过分析所采集的图像，即可自动评价当前视觉系统的离焦程度，判断是否在最佳焦平面。
由于自动聚焦方法能够有效提高机器视觉系统的图像采集质量，已经被大量应用于电子工业专业设备。
自动聚焦的方式主要有有源方式（主动方式）和无源方式（被动方式）两种[1]。
自动聚焦的结果是否理想，受清晰度评价函数影响很大。
现有的清晰度评价函数[2][3][4]大多或者稳定性不好，或者精度不足，面对噪声的干扰，会出现聚焦不准，影响所采集图像的清晰度。
为解决上述问题，本文提出了一种基于最大类间方差和Canny算子的清晰度评价（函数）算法，具有较高抗噪性和灵敏度。
1.清晰度评价函数和指标清晰度评价函数通过对像素点进行数学运算，计算出评价指标数据，通过分析评价指标数据，判断图像高频分量的丢失程度，即图像的清晰程度。
清晰度评价函数应具备无偏性、单峰性，同时还应该具有较高抗噪性和灵敏度[1]。
1.1 清晰度评价函数清晰度评价函数有灰度变化函数、频域类函数、信息熵函数[1]。
灰度变化函数主要考虑像素灰度变化；频域类函数大多基于图像的边缘高频分量；信息熵函数通过计算焦点附件图像的灰度熵来判断图像采集的准确聚焦位置。
常用的清晰度评价函数有[1]:（1）Variance方差函数离焦图像的总体灰度值分布离散程度低，方差小；聚焦图像的总体灰度值分布离散程度高，方差大。
因此可以用Variance方差函数[5]来表示图像灰度值分布的离散程度作为清晰度评价函数，如式(1)所示，(1)其中，是像素点处的灰度值，为图像的平均灰度值。
（2）Tenengrad评价函数聚焦图像比离焦图像具有更尖锐的边缘，即边缘点的梯度函数值更大。
Tenengrad梯度函数的值为Sobel算子所提取的水平和垂直方向的梯度值的平方和的平均值[5]，如式(2)所示，(2)其中，是像素点处的梯度，是给定的边缘检测阈值，是检测出的边缘点个数。
（3）能量梯度函数图像越清晰则细节越丰富，经傅里叶分解后的频率越多，能量梯度越大[1]。
能量梯度函数[5]将像素点的x方向和y方向的相邻像素的灰度值之差的平方和作为其能量值，对所有像素点的能量值累加作为清晰度评价函数值，如式(3)所示， (3)其中，是像素点处的灰度值。
能量梯度函数更适合实时评价图像清晰度。
（4）Roberts评价函数Roberts评价函数[6]将如式(4)所示４个相邻像素点的灰度值之差的平方和作为像素点的梯度值，再对所有像素点的梯度值累加作为清晰度评价函数值。
(4)其中，是像素点处的灰度值。
Roberts评价函数同样更适合实时评价图像清晰度。
其它清晰度评价函数还有Brenner梯度函数、FSWM滤波函数、灰度方差乘积函数、Vollath函数、熵函数、EAV点锐度函数、NRSS梯度结构相似度函数等。
1.2 评价指标清晰度评价函数除应具备无偏性、单峰性、抗噪性和灵敏度等定性指标外，还应使用一些定量指标来评估清晰度评价函数的性能，如清晰度比率、抗噪性因子和灵敏度因子等[1]。
(1)清晰度比率聚焦过程中，一组图像的清晰度评价函数最大值与最小值的比值称为清晰度比率，如式(5)所示。
(5)其中，是指聚焦函数所能取到的最大值，一般位于图像聚焦位置；即为聚焦函数最小值，一般位于深度离焦位置。
越大，清晰度越高。
(2)抗噪性因子由于噪声的原因，清晰度评价函数值变化平缓区域的函数值通常不会是单调递增或递减，二是可能会波动起伏。
波动的平缓程度可以反映清晰度评价函数的抗噪性。
基于此原理，抗噪性因子如式(6)所示，(6)其中，为在平缓区域的采样点数；抗噪性因子定义为个采样点的清晰度评价函数值的方差；为个采样点的清晰度评价函数值的平均，表示个采样点的清晰度评价函数值。
(3)灵敏度因子焦点附近图像的清晰度评价函数值的变化较大。
可将灵敏度因子定义为附近图像的清晰度评价函数值的变化情况，如式(7)所示，(7)其中，为清晰度评价函数值最大时对应的垂向坐标；是垂向坐标坐标变化量。
2.基于最大类间方差和Canny算子的清晰度评价函数2.1 最大类间方差最大类间方差法[7]，又称Otsu算法，是一种自适应的阈值确定算法，常用于图像的背景和前景分割，其受图像亮度和对比度变化的影响较小。
使用最大类间方差法分割的背景像素和前景像素的类间方差全局最大。
假设图像的尺寸为，中灰度值小于阈值的像素个数记作，灰度值大于的像素个数记作，则有式(8)如下所示，(8)其中，为前景像素点数，为前景像素点数占；为背景像素点数，为背景像素点数占比；，；为前景的平均灰度值；为背景的平均灰度值；为图像的平均灰度值；为类间方差。
采用遍历的方法得到最大时的像素灰度值，即为阈值。
2.2 Canny算子Canny算子力图在排除噪声干扰和精确定位边缘之间寻求折中，其基本思想是对图像进行高斯平滑滤波，并采用非极值抑制技术进行处理，得到的边缘。
其步骤如下：（1）利用高斯滤波器对进行平滑，得到高斯平滑后的图像，（2）利用一阶差分卷积模板和计算的梯度幅值，如式(9)所示，(9)（3）找到梯度幅值为局部极大值的像素点，并抑制非局部极大值像素点，即将非局部极大值像素点置零，以得到细化边缘。
具体为：对每一个像素点，如果其梯度值不比沿梯度线的两个邻域像素点梯度值大，则令该像素点像素值为0。
（4）用双阈值算法检测和连接边缘。
对于双阈值和（），用于检测边缘线段，用于连接检测到的边缘线段。
2.3 清晰度评价函数常用的灰度变化类清晰度评价函数仅使用一些固定方向的梯度值，如能量梯度函数和 Tenengrad评价函数使用水平方向和垂直方向的梯度，Roberts梯度函数使用正45°方向和负45°角度方向的梯度，而Brenner函数仅使用水平方向梯度[1]。
然而，并不是所有的实际梯度方向都与固定的梯度方向重合，这就导致了清晰度评价函数值出现偏差。
此外，背景像素和噪声会很大程度上影响常用的灰度变化类清晰度评价函数的灵敏度、实时性和抗噪性。
本文将图像分成个子图像，在每个子图像中分别采用Otsu算法自适应确定阈值。
根据将第个子图像分割成前景和背景部分，然后在前景部分采用Canny算法检测边缘点，获得边缘点的个数、梯度幅值。
计算第个子图像的边缘点梯度幅值的方差。
则清晰度评价函数为：(10)3.实验与结果分析实验以晶圆对准标识图像的采集为应用背景，对比了本文提出的清晰度评价函数、Tenengrad评价函数和Variance方差函数。
使用每种函数，对晶圆对准标识进行了晶5次聚焦采集，取平均值。
每次采集都经过“离聚离”的过程，采集25张图片，像素尺寸。
为了验证提出函数的抗造性，对这些图片加入高斯白噪声，形成新的噪声实验图片。
实验结果如表1和表2所示，分别为未添加高斯白噪声和添加高斯白噪声后的清晰度比率、抗噪性因子和灵敏度因子值等评价指标。
从实验结果可以看出，对于三种清晰度评价函数，无添加高斯白噪声时的性能评价指标都优于添加高斯白噪声时的情况。
但在多次重复实验的情况，本文所提出的清晰度评价函数的评价指标相比Tenengrad评价函数和Variance方差函数均相对较好，具有更高的稳定性、灵敏度和抗造性，能够帮助更准确地完成图像聚焦采集任务。
表1 无添加噪声时的清晰度评价函数评价指标4.结束语针对现有清晰度评价函数稳定性、精度不足，且易受噪声干扰等问题，提出了一种基于最大类间方差和Canny算子的晶圆图像清晰度评价函数。
在利用最大类间方差法将图像分割为前景和背景后，在前景图像中进行边缘检测，获得边缘点的数量和梯度幅值，并计算获得前景图像的各子图像的边缘点梯度幅值方差，这些方差之和即为提出的清晰度评价函数。
通过与第2节介绍的六种现有清晰度评价函数进行实验比较，证明了所提出清晰度评价函数具有较高的灵敏度、稳定性和抗噪性，有助于更好的完成晶圆图像采集时的聚焦工作。
参考文献：[1]包丞啸, 姜威, 王玉潇. 基于大津法分割和局部最大梯度的自动聚焦算法[J]. 光学技术, 2019, 45(6): 756-761.[2]毕天华，杜文华．一种改进的Brenner清晰度评价函数[J]．电子测量技术，2019, 42(09): 80-84.[3]Mu Nan, Xu Xin, Zhang Xiaolong. Finding autofocus region in low contrast surveillance images using CNN-based saliency algorithm[J]. Pattern Recognition Letters, 2019, 125: 124-132.[4]徐贵力, 刘小霞, 田裕鹏, 等．一种图像清晰度评价方法[J]. 红外与激光工程, 2009, 38(1): 180-184.[5]毕超, 郝雪, 李剑飞, 等. 气膜孔图像对焦评价函数的实验研究[J]. 宇航计测技术, 2019, 39(6): 77-83.[6]李雪, 江旻珊. 光学显微成像系统图像清晰度评价函数的对比[J]. 光学仪器, 2018, 40(1): 28-38.[7]Otsu N. A Threshold selection method from gray-level histograms[J]. Automatica, 1975, 11: 23-27.作者简介：林佳（1987-），男，山东潍坊人，博士，工程师，主要从事机器视觉、认知学习和电子工业专业设备方面的研究。