基于图像分析的数码相机对焦技术研究

    随着光电转换技术、数字图像处理技术的日趋成熟,数码相机在近几年得到了迅猛发展1为了有效提高数码相机的成像清晰度,自动对焦技术越来越受到数码相机厂商和相关研究机构的重视1目前,在数码相机中常用的自动对焦技术主要包括基于红外测距的对焦方法和基于图像分析的对焦方法1其中基于红外测距的对焦方法在传统相机中得到了广泛应用,然而由于对焦精度较低,在一定程度上限制了其在数码相机中的推广应用1这也给基于图像析的对焦方法提供了更大的发展空间1目前,新开发的许多数码相机中都采用了基于图像分析的自动对焦法1一方面可以提高对焦精度,另一方面也可降低数码相机的生产成本,提高产品的市场竞争力1

    基于图像分析的对焦算法大致可分为两大类:IFA方法[1]和IDA方法[2]1由于IFA方法具有较好的对焦精度,已被许多数码相机产品采用1在IFA对焦方法中,主要须解决图像清晰度的评价以及基于图像清晰度的马达运动伺服问题,以保证镜头能快速准确地定位到最佳成像位置1其中图像清晰度的评价是整个对焦系统的关键和基础1由于目前数码相机的成像大小一般都在130万像素以上,如果对整个成像区域进行清晰度的计算必将花费很长时间,因此,在大部分数码相机中目前都采用对像面中心的小区域进行图像清晰度计算的方法来评价整个像面的清晰度,在此笔者称其为单区域图像清晰度评价方法1由于像面中某区域清晰度的变化与该区域景物的对比度和反差有直接关系,当被计算区域的对比度较小时,例如刚好是同一种颜色时,则难于衡量该区域清晰度的变化,从而造成对焦不准确的情况1为此,文中给出了一种五区域图像清晰度评价模型,同时引入了神经网络模型来实现该模型中权重的优化1实践表明,该评价模型能较好地克服单区域评价函数的不足,实现对像面清晰度的准确评价1同时,在评价函数的选取方面,引入了一种计算速度较快的清晰度评价函数1

    1 图像清晰度的评价

    根据光学系统中的牛顿公式,被照物体中的每一点在其共轭平面都将有一个像点,如图1所示1

    图中镜头左边的物点A、B和C在其共轭像平面中成像为Ac、Bc和Cc1如果当前CCD感光面的位置在Bc位置,那么,物点B的成像刚好落在感光面上,成像清晰,而物点A和C在成像面上的成像结果都形成一个弥散圆,成像的清晰度变差1一般将物点B称为此时相机的对焦点,则越远离对焦点的物点在像面中图像清晰度越差1对焦的过程就是通过调节镜头或CCD的位置,以便用户所关心的被照物体能准确成像在其共轭像平面中1然而,其对焦的依据是物体在成像面中的清晰度或灰度对比度,在正确调焦的情况下,图像各点间的灰度对比度最强;调焦偏差越大,灰度对比度越弱1