光学显微成像系统图像清晰度评价函数的对比
mtf光学系统成像质量评估方法
MTF（Modulation Transfer Function）是光学系统成像质量评估的重要指标之一，它描述了光学系统对高对比度物体细节信息的成像能力。
在光学系统设计和优化过程中，对其成像质量的评估是至关重要的，而MTF的测量和分析是评估光学系统成像质量的重要方法之一。
本文将介绍MTF光学系统成像质量评估方法。
1. MTF的基本概念MTF是指光学系统在特定空间频率下的成像对比度传递函数，描述了光学系统对不同空间频率下物体细节信息的成像能力。
在实际应用中，MTF通常被表示为对比度相对于空间频率的函数图。
通过分析MTF曲线，可以直观地了解光学系统在不同空间频率下的成像能力，判断其成像质量优劣。
2. MTF的测量方法（1）光栅法光栅法是最常用的MTF测量方法之一，通过将空间周期状物体（如光栅）成像，利用光栅的传递函数与系统MTF进行卷积，得到系统的MTF曲线。
这种方法简单直观，适用于对于大部分光学系统的MTF评估。
（2）差动法差动法是一种通过对比不同空间频率下的目标物体图像和参考图像，得到系统的MTF曲线。
这种方法适用于对成像设备不便携的场合，但需要精确的图像处理技术和系统校准。
（3）干涉法干涉法是通过干涉条纹的形成来测量MTF的一种方法，它能够直接测量相位信息和幅度信息，对系统MTF的测量有很好的灵敏度和分辨率。
但是，干涉法对环境要求较高，且实验操作相对复杂。
3. MTF的分析与评估（1）MTF曲线的解读MTF曲线通常会显示出在低空间频率时，成像对比度随空间频率的增加而逐渐降低，而在高空间频率时，成像对比度急剧下降。
通过分析MTF曲线的特征，可以评估光学系统的成像能力。
（2）MTF的指标评价在评估光学系统的MTF时，需要使用一些指标来描述其成像质量，如MTF50、MTF20等，它们分别表示MTF曲线上50、20的空间频率对应的成像对比度。
这些指标能够量化地描述光学系统的成像能力，为光学系统的设计和优化提供依据。
图像清晰度评价函数的研究
图像清晰度评价函数的研究
图像清晰度评价函数是指对输入的图像进行评估，得到一个数值结果，用于表征图像
的清晰度程度。
目前，图像清晰度评价函数的研究已经成为计算机视觉领域的热点之一。
在图像清晰度评价函数的研究中，主要存在两种评价方法：主观评价和客观评价。
主
观评价是通过人工观察和主观感受来评价图像的清晰度。
这种方法要求评价者进行参与，
并容易受到主观因素的影响。
相比之下，客观评价方法是利用计算机算法对图像进行评价，可以减少主观因素的干扰，评价结果更加客观和准确。
对于客观评价方法，研究者们提出了多种图像清晰度评价函数。
这些函数主要从以下
几个方面来评估图像的清晰度：频域特征、空域特征、梯度特征和模糊特征。
频域特征是通过对图像进行傅里叶变换，得到图像的频谱信息，从而评估图像的清晰度。
常用的频域特征包括幅度谱、相位谱和能量谱等。
通过计算这些特征，可以得到与图
像清晰度相关的指标。
除了上述提到的特征，还有一些其他的特征也被应用到了图像清晰度评价函数中，如
高频特征、图像对比度和局部特征等。
通过综合考虑这些特征，可以得到更加准确和鲁棒
的图像清晰度评价结果。
图像清晰度评价函数的研究是一项具有挑战性和实用性的工作。
通过对图像进行特征
提取和特征分析，可以得到与图像清晰度相关的指标。
这些评价函数可以广泛应用于图像
质量评估、图像增强和图像处理等领域，具有很大的应用前景。
成像清晰度的评价方式
成像清晰度的评价方式
成像清晰度是评价图像或者视频质量的重要指标，它直接影响
着观看者对图像的认知和理解。
评价成像清晰度的方式可以从多个
角度来考虑：
1. 分辨率，图像的分辨率是评价清晰度的重要指标之一。
分辨
率越高，图像中细节展现得越清晰。
常见的分辨率包括高清（HD）、全高清（Full HD）、2K、4K等，分辨率越高，清晰度越高。
2. 对比度，对比度是指图像中最亮和最暗部分之间的差异程度。
高对比度可以增强图像的清晰度，使细节更加突出。
3. 锐度，图像的锐度指图像边缘的清晰程度，边缘越清晰，图
像越清晰。
评价图像清晰度时，需要考虑图像的锐度表现。
4. 色彩表现，色彩的鲜艳度和准确度也会影响图像的清晰度，
良好的色彩表现可以提升图像的整体清晰度。
5. 噪点和失真，图像中的噪点和失真会降低图像的清晰度，因
此评价图像清晰度时需要考虑图像中是否存在噪点和失真。
6. 视觉感受，最终的评价还需要考虑人眼的视觉感受，即观看者对图像清晰度的主观感受。
综上所述，评价图像清晰度的方式可以从分辨率、对比度、锐度、色彩表现、噪点和失真以及视觉感受等多个角度来考虑，综合评估图像的清晰度。
这些指标可以帮助我们全面准确地评价图像的清晰度，从而为图像质量的提升提供参考和指导。
07光学系统成像质量评价
07光学系统成像质量评价光学系统成像质量评价是在光学系统设计或优化过程中非常重要的一个环节。
成像质量的好坏直接影响到光学系统的性能和性能表现。
在评价光学系统成像质量时，通常会考虑几个方面的因素，包括分辨率、畸变、色差、光照均匀性等。
下面将详细介绍如何评价这些因素，以及如何综合评价光学系统的成像质量。
1.分辨率分辨率是一种衡量光学系统成像质量的重要指标，它是指系统能够解析出多细小物体的能力。
分辨率通常用线对数幅度频率响应（MTF）来描述，MTF曲线可以反映系统对不同空间频率的细节信息的传递情况。
一般来说，MTF曲线的高频段越平坦，系统的分辨率就越高。
2.畸变畸变是另一个常见的成像质量评价指标，它通常分为径向畸变和切向畸变两种。
径向畸变使圆形物体在图像中呈现出畸变变形，而切向畸变则使直线在图像中呈现曲线形状。
畸变的存在会影响物体准确的形状和尺寸的表现，因此需要通过校正或减小畸变来提高成像质量。
3.色差色差是由于光线在透镜中经过不同波长的光线会有不同的弯曲程度而导致的，这会使不同波长的光线聚焦在不同的焦平面上。
色差会导致图像出现色散的现象，即物体的边缘会呈现出彩虹色的班驳状，影响成像质量的清晰度和色彩还原度。
4.光照均匀性光照均匀性是指光学系统对于入射光的均匀性程度。
如果系统的光照均匀性不够好，会导致图像中出现暗部或亮部突出的情况，从而影响整体的成像质量。
为了保证光照均匀性，需要对系统的光学元件和照明系统进行设计和校正。
综合评价光学系统的成像质量时，需要综合考虋上述因子，通过对各项指标的量化分析和实验测试，得出一个综合评价。
通常情况下，可以采用主观评价和客观评价相结合的方式，主观评价可以通过专业人员观察系统输出的图像，并根据其清晰度、色彩还原度和细节表现等方面给出评价。
客观评价则可以通过各种测试仪器测量系统的MTF曲线、畸变程度和色差情况，并将这些数据进行综合分析。
总的来说，光学系统的成像质量评价需要综合考虑多个因素，通过定量和定性的方式对系统的各项指标进行评价，从而找出系统存在的问题并提出改进方案，最终达到提高系统成像质量的目的。
光学显微镜与电子显微镜图像处理比较分析
光学显微镜与电子显微镜图像处理比较分析引言在现代科学研究中，显微镜是一种无可替代的工具，可以帮助科学家们探索微观世界。
光学显微镜和电子显微镜是两种常见的显微镜类型，它们在图像处理方面有着不同的优势和限制。
本文将对光学显微镜和电子显微镜的图像处理进行比较分析，以帮助读者更好地了解它们的特点和适用场景。
光学显微镜概述光学显微镜（Optical Microscope）是一种常见的显微镜类型，它使用可见光来观察样本。
光学显微镜的优势包括成本低、易于操作和实时观察等。
在光学显微镜中，样本通过凸透镜和物镜镜头放大，然后通过目镜观察。
光学显微镜的图像处理主要涉及清晰度、对比度和颜色校正等方面。
光学显微镜的图像处理优势1. 成本低廉：相对于电子显微镜，光学显微镜的成本要低得多，非常适合一般实验室和教学应用。
2. 易于操作：光学显微镜的操作相对简单，不需要复杂的样品制备和专业的技术知识。
用户可以快速开始观察样本。
3. 实时观察：光学显微镜采用直接观察方式，可以实时观察样本，并根据需要进行调整和调查。
光学显微镜的图像处理限制1. 分辨率限制：光学显微镜受限于光的波长，具有有限的分辨率。
当样本中的细微结构小于光波长时，很难观察到细节。
2. 深度限制：光学显微镜的观察深度有限，只能观察样本表面或近表面部分，无法观察到深层结构。
3. 对比度问题：光学显微镜对于透明样本和低对比度样本的观察可能存在困难，需要辅助技术如染色提高对比度。
电子显微镜概述电子显微镜（Electron Microscope）是一种使用电子束而非光束来观察样本的显微镜。
相比于光学显微镜，电子显微镜具有更高的分辨率和更大的观察深度。
电子显微镜通常包括透射电子显微镜（Transmission Electron Microscope, TEM）和扫描电子显微镜（Scanning Electron Microscope, SEM）两种主要类型。
电子显微镜的图像处理优势1. 高分辨率：电子显微镜利用电子束而非光束，克服了光学显微镜的分辨率限制，能够观察到更小的细节和结构。
图像清晰度评价函数的研究
图像清晰度评价函数的研究图像清晰度评价函数是利用算法对图像进行定量评价的一种方法。
在图像处理和计算机视觉领域，图像清晰度评价函数的研究具有重要意义。
本文将从图像清晰度的定义、图像清晰度评价方法以及常用的评价函数等方面进行讨论和研究。
一、图像清晰度的定义图像清晰度一般指的是图像中细节的清晰程度和边缘的锐利度。
一个清晰度高的图像具有清晰的细节和边缘，而清晰度低的图像则有模糊和不清晰的特点。
图像清晰度与图像的分辨率、对比度、亮度等因素有关。
在图像处理中，图像清晰度的评价对于图像质量的提高和算法的优化具有重要作用。
二、图像清晰度评价方法图像清晰度评价方法主要可分为主观评价和客观评价两种方法。
1.主观评价主观评价是通过人眼观察和感知图像的清晰度进行评价。
常用的主观评价方法包括双人对比实验、等级评价和可见度评分等。
这种方法的优点是可以获取人眼对图像清晰度的真实感知，但是受到个体差异、主观因素的影响，且评价过程费时费力。
2.客观评价客观评价是通过算法对图像进行定量评价。
常用的客观评价方法包括结构相似性指数（SSIM）、峰值信噪比（PSNR）和梯度幅值相似性指数（GSSIM）等。
这些评价函数通过计算图像的特征和统计信息来评价图像清晰度，具有快速、准确、可重复性好的优点。
三、常用的图像清晰度评价函数1.结构相似性指数（SSIM）SSIM是一种通过比较图像的结构、对比度和亮度等信息来评价图像清晰度的方法。
其计算公式如下：SSIM(x,y) = (2 * μxμy + C1) * (2 * σxy + C2) / (μx² + μy² + C1) * (σx² + σy² + C2)x和y表示要比较的两幅图像，μx和μy分别表示x和y的均值，σx²和σy²分别表示x和y的方差，σxy表示x和y的协方差，C1和C2是常量，用于避免分母为0的情况。
2.峰值信噪比（PSNR）PSNR是一种通过计算图像的均方误差来评价图像清晰度的方法。
光学成像系统的成像质量评估与校准方法研究
光学成像系统的成像质量评估与校准方法研究摘要：光学成像是一种常用的技术，广泛应用于机器视觉、遥感、医学成像等领域。
然而，由于各种因素的影响，光学成像系统的成像质量可能存在一定的偏差。
因此，为了确保成像系统准确、稳定地工作，评估和校准成像质量是非常重要的。
本文将介绍光学成像系统的误差来源，以及常见的成像质量评估和校准方法。
1. 成像质量评估方法1.1 分辨率评估分辨率是一个成像系统的重要指标，它代表了系统能够识别细节的能力。
常用的分辨率评估方法有MTF评估和幅度切割评估。
MTF（Modulation Transfer Function）评估方法通过测量被测对象的边缘传输函数，来评估系统的分辨率。
幅度切割评估方法则是通过分析被测对象的图像能量分布，计算出系统的分辨率限制。
1.2 像质评估像质评估是指评估图像的清晰度、噪声水平、颜色准确性等。
主要的像质评估指标包括峰值信噪比（PSNR）、结构相似性指标（SSIM）等。
PSNR是评估重建图像与原始图像之间的差异的一种测量指标，而SSIM则是通过比较图像的亮度、对比度和结构相似性来评估图像质量。
2. 成像质量校准方法2.1 镜头校准镜头是光学成像系统中的重要组成部分，其对成像质量有重要影响。
镜头校准主要包括相对畸变校正、焦距标定和色差校正。
相对畸变校正通过采集畸变标定图像和畸变自动校准算法来校正系统的畸变。
焦距标定则是通过测试关键特征点的像素位置与物体的距离来测量焦距。
色差校正则是通过拍摄色差标定图像和运用校正算法来校正系统的色差。
2.2 图像校正图像校正是对成像系统的输出图像进行校正，以提高图像的质量和准确性。
常见的图像校正方法有白平衡校正、灰度校正和亮度校正。
白平衡校正通过调整图像中的白色参考，消除图像中的色偏。
灰度校正是通过调整图像的亮度和对比度，使得图像的灰度级更加均匀。
亮度校正则是通过调整图像的整体亮度，使得图像的亮度分布更加合理。
3. 实验与结果分析为了验证以上所述的成像质量评估和校准方法的有效性，我们设计了一系列实验。
图像清晰度评价函数的研究
图像清晰度评价函数的研究随着图像处理技术的不断发展，图像清晰度评价函数成为了图像处理领域中的一个重要研究方向。
图像清晰度是指图像中各种特征的清晰程度。
因此，图像清晰度评价函数可以用来评估图像的清晰度，指导图像处理过程。
目前，已经有许多图像清晰度评价函数被提出并应用于实际场景中。
本文将主要介绍几种常见的图像清晰度评价函数及其优缺点。
1. 图像梯度法图像梯度法是一种基于图像梯度的图像清晰度评价函数。
该方法使用图像梯度来衡量图像中各个像素之间的变化，进而评估图像的清晰度。
通常，该方法使用Sobel或者Laplace算子来计算图像梯度。
虽然这种方法易于实现，但它只能衡量图像的边缘清晰程度，对于图像中的纹理，以及低对比度的图像，评价效果较差。
2. 傅里叶变换法傅里叶变换法是一种基于傅里叶变换的图像清晰度评价函数。
该方法将图像转换到频域中，试图寻找频域中的高频信息来评价图像清晰度。
具体来说，该方法计算图像的高斯傅里叶变换，然后计算频率响应值的平均值作为清晰度指标。
虽然该方法可以处理大部分的图像，但需要进行复杂的傅里叶变换，计算量很大，不适用于实时处理。
3. 方差法方差法是一种基于图像对比度的图像清晰度评价函数。
该方法通过计算图像中所有像素值的方差，来评估图像的清晰度。
具体来说，该方法使用高斯差分滤波器来处理图像，并使用像素之间的相对差异计算方差。
虽然该方法计算简单，但并不适用于较暗或较亮的图像。
此外，像素之间的相对差异无法真实地反映图像内容，因此，结果可能会受到图像亮度和对比度的影响。
4. CN法CN法是一种基于卷积神经网络的图像清晰度评价函数。
该方法使用卷积神经网络来学习图像的清晰度特征，并使用学习到的特征来评估图像的清晰度。
该方法需要大量的训练数据，因此，准确性较高。
尽管如此，该方法的计算复杂度很高，不适用于实时处理。
此外，由于该方法在训练时需要大量的训练数据，因此，存在过拟合的问题。
总之，不同的图像清晰度评价函数各有优缺点。
- 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)。
光学显微成像系统图像清晰度评价函数的对比李雪;江旻珊【摘要】图像清晰度评价函数是评价各类成像系统成像质量的一个关键函数,为找到合适的图像清晰度评价算法,采用MATLAB软件对16种适用于光学显微成像系统的清晰度评价函数进行仿真,定量分析了不同算法的灵敏度、单峰性、无偏性以及运算速度.实验表明:Laplacian函数具有较高的单峰性、无偏性和灵敏度;存在高斯噪声时,Brenner函数、Tenengrad函数和基于Prewitt算子的函数以及中值滤波-离散余弦函数稳定性好;而存在椒盐噪声时,Roberts函数综合性能最优.【期刊名称】《光学仪器》【年(卷),期】2018(040)001【总页数】11页(P28-38)【关键词】清晰度评价函数;高斯噪声;椒盐噪声;Laplacian函数【作者】李雪;江旻珊【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TG115.21引言图像清晰度评价函数是评价光学显微成像系统成像质量的关键函数,而一个良好的图像清晰度评价函数应满足单峰性、无偏性、灵敏度高、信噪比大及计算量大的要求[1]。
目前国内外学者提出了很多图像清晰度评价函数,每种评价函数各有优缺点,并且在不同的环境下有不同的评价效果,但大多只能在某些特定情况下才具有较好的效果。
由于自动对焦的系统十分复杂和多变,一种函数无法适应所有的对焦场合,因此本文将对目前比较常见的十几种图像清晰度评价函数进行对比分析,研究其主要性能和特点,以便为这些函数的正确使用提供一定的依据。
1 图像清晰度评价函数(1) Brenner梯度函数(Brenner)[2]Brenner梯度函数仅仅考察被判断点与其中一个相邻像素点之间的灰度差值,简洁实用、计算量少,其表达式为(1)式中I(x,y)为像素点(x,y)处的灰度值。
Brenner梯度算子可以看作是模板T=[-1 0 1]和对应位置的图像像素[I(x,y)I(x+1,y) I(x+2,y)]依次进行卷积,模板T=[-1 0 1]是一个带通滤波器,Brenner梯度算子正是通过带通滤波来滤除比例较大的低频能量,保留图像中的中频部分能量。
(2) 改进的Brenner梯度函数(ImprovedBre)改进算法采用两个模板滤波器来克服阈值对传统Brenner算法评价结果的影响[3]。
两个滤波器模板分别是带通滤波器T=[-1 0 1]和高通滤波器G=[1 -1]。
用两个滤波器模板分别对图像进行滤波,通过计算低频部分能量和高频部分能量来评价图像的清晰度。
改进的清晰度评价算法可定义为(2)改进的算法在滤除比例较大的低频成分的同时,保留了图像细节丰富的中高频成分。
(3) 绝对方差函数(AbsVar)[4]绝对方差函数是一个较为简单的算法,它仅仅是将像素点与其相邻位置的特定一个像素进行比较,其表达式为(3)因为正焦图像的边缘有较大的灰度差值,所以正焦图像经过这个算法计算之后会得到相对于离焦图像更大的值,且图像越模糊,其值越小。
(4) Roberts梯度函数(Roberts)[5]该函数对于绝对方差函数来说,考察的不仅仅是像素点和其中一个邻域像素的灰度关系,而是将像素点和其右下角的邻域像素进行比较,同时再比较其垂直方向下的两个邻域像素之间的灰度差值,两组差值的和作为函数的最终结果。
函数表达式为(4)该函数使用了被判断点及其外沿三个像素点的灰度信息,实际上是以某一点为中心的连续梯度的近似,处理边缘特性的时候比绝对方差和Brenner梯度函数要好。
(5) Laplacian函数(Laplacian)[6]Laplacian函数就是利用了边缘检测的Laplacian算子,其表达式为(5)式中:T为阈值;G(x,y)为图像与Laplacian算子的卷积。
Laplacian算子为(6)该评价函数使用了被判断点及其周围四个像素点的灰度信息。
Laplacian函数是二级微分算子,对孤立噪声点的响应是对阶跃边缘响应的4倍,对单像素线条的响应是对阶跃边缘响应的2倍,对线端及斜向边缘的响应大于垂直及水平走向边缘的响应,所以它不及Roberts梯度函数和梯度向量模方函数。
(6) Tenengrad函数(Tenengrad)该函数和Laplacian函数类似,同样运用边缘检测的思想[7]。
与之不同的是Tenengrad函数采用的是Sobel算子,利用Sobel算子来估算图像在水平方向和垂直方向的梯度,为使图像边缘的梯度放大,对梯度进行平方运算。
其定义为(7)其中(8)式中Gx(x,y)和Gy(x,y)分别是图像与gx和gy的卷积,其中gx和gy分别是水平方向和垂直方向的Sobel算子,可表示为(9)Tenengrad函数是先加权平均再微分,分别对水平和垂直方向进行模板运算,对噪声有一定的抑制能力。
(7) 梯度向量模方函数(SGVM)梯度向量模方函数是一个灰度变化梯度和的表达式,只选取了梯度标量数值信息作为灰度变化量描述[8],其函数定义为(10)(8) 自相关函数(Autocorrection)当图像细节越多,即高频能量越丰富时,自相关函数的曲线就越尖锐[9]。
该方法兼顾空间域函数的优点并且克服了空间域函数对噪声干扰敏感和对对焦区域选择要求高的缺点,具有较好的实时响应性能。
该函数表达式为(11)该函数能较好地克服图像中噪声和高亮目标等因素的影响,但是计算量较大。
(9) 熵函数法(Entropy)熵函数法是根据香浓信息论提出来的,香浓认为熵越大的时候信息量就越多,然后将此原理应用到图像清晰度评价中,因此可以认为在图像能量一定的情况下,图像熵越大图像越清晰[10]。
定义为(12)(10) 全频段积分函数(Integral)[11]在整个频域段进行积分,表达式为(13)(11) 相邻灰度差分算子绝对值之和(Sum)[12]用差分绝对值代替乘方和开方,即对被测点及其邻近点的灰度作差分运算,提取该点灰度值的变化大小,图像灰度差分绝对值之和算子为(14)式中M、N分别为图像长度和宽度的像素数。
(12) 中值滤波-离散余弦函数(MDCT)[13]函数表达式为(x,y)⊗g)2(15)其中该函数可以将图像信息由空域转换至频域,图像越模糊高频分量越少,模糊图像中相邻像素间的相互作用,表现为频域分布中高频成分的缺失,以高频成分的大小作为图像清晰度的评价依据。
(13) 图像能量函数(ImageEnergy)[14]使用图像能量函数作为清晰度评价函数的原因,是由于图像在离焦成像时,离焦量越大,弥散损失的能量就越大。
该函数表达式为(16)(14) 平面微分平方和(PlanarDiff)对图像进行微分运算提取图像中景物的边缘和轮廓,可以评判图像中高频分量的大小,并判断对焦正确与否[15]。
其表达式为(17)该算法最大的特点在于计算方法简单而且计算量小,适用于需要实时自动对焦的场合。
(15) 基于Prewitt边缘检测算子的清晰度评价函数(Prewitt)[16]Prewitt算子与Sobel算子非常类似,只是模板系数不同。
Prewitt算子的sx和sy 分别用卷积模板表示为和图像清晰度评价函数为(18)式中:和Sy(x,y)分别是图像与sx和sy的卷积。
Prewitt边缘算子是一种一阶微分算子,是在图像空间利用两个方向模板与图像进行邻域卷积来完成检测。
(16) 基于LOG边缘检测算子的清晰度评价函数[17](LOG)LOG算子对图像进行边缘检测时,输出的LOG(x,y)是通过卷积运算得到的。
LOG(x,y)常用模板为应用LOG边缘检测算子评价清晰度时,最后整幅图像的清晰度评价公式为(19)这种方法是先将图像和高斯滤波器进行卷积运算,这种运算既平滑了图像又降低了噪声,由于孤立的噪声点和较小的组织结构将同时被滤除,会不利于清晰度评价的精度,但此方法会增强调焦函数的单调性。
2 算法比较本文在多个环境下对16种算法进行了比较和验证,所有算法均由MATLAB编程,并且在相同的计算机环境下测试。
为了验证这些算法的性能,我们对同一个电路板拍摄了一组在纯白背景下的图像。
我们选择了在清晰成像位置附近,每隔0.05 mm采集一幅图像,焦面前和焦面后各10幅,一共采集到21幅图,将所得到的21幅图像从1到21依次排序,得到一组序列号,并在不同环境条件下对各个算法的单峰性,无偏性、灵敏度以及计算量进行比较。
2.1 单峰性、无偏性和灵敏度图1为各个函数运算并平滑归一化之后的结果。
图1 理想情况下各清晰度评价函数运算结果Fig.1 The results of all sharpness functions由图1可以看出,熵函数、全频段积分函数以及图像能量函数表现极差,甚至不能找出最清晰的那幅图像。
而Tenengrad函数和自相关函数虽然能分辨出最清晰的图像,但是仍然能清楚地看出存在局部极值点。
下面我们来对比一下其他算法的性能,理想情况下,运算结果如图2所示。
图2 理想情况下部分函数的运算结果Fig.2 The results of part of sharpness functions由图2可见:在单峰性方面,每个函数都体现了极好的单峰性,并且函数在第一幅图像到最后一幅图像的调焦范围内都只有一个极值点;在无偏性方面,每个函数的极值点都在横轴为10的位置,即每个函数的最佳焦距位置都指向第10幅图像的位置,函数之间的结果得到相互的证明;在灵敏度方面,Laplacian函数和中值滤波-离散余弦函数的灵敏度最高,基于Prewitt边缘检测算子的函数的灵敏度是这几个函数中最低的。
2.2 计算量图3为各个函数运行一次所耗费的时间。
图3 理想情况下各函数运行耗时Fig.3 Time- consumption of each algorithm 从图3可以看出,熵函数耗时最短,而相邻灰度差分算子绝对值之和函数耗时最长。
但是在耗时方面,由于受计算机因素的限制以及函数运行环境的影响,在此仅仅作为参考。
为了验证以上结果的可靠性,我们用有自动对焦功能的显微镜拍摄了南瓜茎细胞在显微镜离焦-合焦-离焦状态下的一段视频,从中间截取了25张图像对以上结果进行验证。
图4的3张图分别是显微镜离焦、合焦、再离焦时拍摄到的南瓜茎细胞图。
图4 南瓜茎细胞图像Fig.4 Images of cell of pumpkin stem理想情况下,各函数运算结果如图5所示。
图5 理想情况下各清晰度评价函数运算结果Fig.5 The results of all sharpness functions从图5 中可以看出:熵函数、图像能量函数以及全频段积分函数均不能识别出最清晰的那幅图像;其次,仍旧可以看到Tenengrad函数和自相关函数拥有几个不可忽视的局部峰值;其余的函数均表现出来较好的无偏性,均在第13幅图的位置达到了最大值,而且都只有一个极值点,证明了这些函数优秀的单峰性;而在灵敏度方面,Lapacian函数的灵敏度仍旧是最高的。