基于SURF特征的自动聚焦区域选择算法

摘要：电子经纬仪在测量过程中，要使不同距离处的测量标志在目镜中成像清晰，需要通过对物镜进行精确调焦来完成。聚焦区域大小和位置的判断是自动聚焦的一个关键点。本文将SURF算法运用在自动对焦的窗口选择中，待搜索图像经过SURF匹配后，获得目标图像在待搜索图像中四个顶点位置，即聚焦窗口。通过实验证明，这种方法适用于聚焦目标特定的情况，锁定目标图像后，清晰度评价函数所需的高频部分完全来自目标图像，克服了目标图像偏离中央和高亮目标引起的误对焦。

关键词：聚焦窗口；SURF；电子经纬仪；Tenengrad评价函数；阈值梯度

中图分类号：C35文献标识码： A

1引 言

电子经纬仪是获取地理信息的重要工具之一，它是一种依靠机械加工保证测量精度的仪器，测角精度可达0.5″。一般来说对于一个熟练的经纬仪操作人员，人眼单次照准目标引起的角度误差约为3″；且不同测量操作人员对经纬仪使用的熟练程度也会产生不同的测量精度。照准误差的存在使得经纬仪测量误差远远不能达到标称精度。基于以上原因，需要研发一套经纬仪自动化照准系统。获得清晰的目标影像是研制经纬仪自动照准系统的第一步。现有的聚焦评价函数在一定程度上能够克服高噪声或高亮目标对图像的影响，但当图像中包含不同景深的多个物体，或目标与背景对比度较小时，还是很难避免误聚焦现象。为了保证聚焦成功，一副图像中聚焦区域大小和位置的判断是自动聚焦的一个关键点。

常规的聚焦窗口选择算法有中心取窗区域选择算法和多点取窗区域选择算法。前者是利用单点固定区域，选择图像中央区域像素进行聚焦评价函数计算，聚焦窗体大小由目标图像实际位置决定[1,2]；后者通常是对图像进行统计，给出一个最优化的主体景物估计区域，然后取多点窗口作为聚焦区域[3]。目前大多数文献都是研究聚焦评价函数，很少提及聚焦窗口的选择问题，一般都是选取图像的中心区域作为聚焦窗口，但实际很难保证目标总是处于图像中心区域。当目标图像偏离中心时，往往会因聚焦窗口选入过多背景图像导致聚焦性能下降甚至聚焦失败。电子经纬仪瞄准的目标是测量标志中心，即自动聚焦时，无论测量标志位于前景还是背景，我们始终需要获得清晰的测量标志。本文针对上述问题提出了一种新的方法确定聚焦窗口：对图像进行surf特征匹配，确定感兴趣区域位置，直接将聚焦窗口定义在感兴趣区域上。

2 研究方法

2.1SURF特征区域选择算法描述

SURF(speeded up robust featured) [4]是一种尺度不变和旋转不变的特征点检测子和描述子，具有速度快，鲁棒性好的特点。SURF分为特征点检测和特征描述子生成两部分。在特征点检测部分，利用积分图像，使用快速Hessian检测子在尺度空间提取图像特征点；在特征描述子生成部分，首先确定每个特征点的主方向，然后沿着主方向构造一个窗口区域，在窗口内提取一个64维向量，用该向量描述特征点[5]。基于SURF算法的自动聚焦算法流程，如图1所示，先提取模板图像，即特定的测量标志点，并计算出模板图像的特征点；通过摄像头捕捉图像，作为待搜索图像，计算出待搜索图像的特征点；特征匹配，把待搜索图像的SURF特征点和模板图像的SURF特征点进行匹配，找到待搜索图像中模板图像的四个顶点位置，即聚焦窗口；将该聚焦窗口作为同场景序列图像的聚焦窗口。

选取大小为415×409的图像为模板图像，取大小为2560×1920的两副图像为待搜索图像，经过SURF算法后，获得模板图像在第一幅待搜索图像中四个顶点位置(496,379)，(911,379)，(911,788)，(496,788)，在第二幅待搜索图像中四个顶点位置(82,524)，(637,157)，(1002,738)，(426,1108)，如图2(a)和(b)所示。

两副待搜索图像描述场景相同，摄像头经过旋转和倾斜后，采集到第二幅图像，经模板匹配，仍获得模板图像在待搜索图像中位置。SURF算法具有尺度，旋转和倾斜不变性，对缩放、小视角改变、噪声、亮度变化具有很好的适应性强。用目标四个顶点位置定义聚焦窗口，不仅缩小聚焦区域，减小计算量，加快聚焦速度；并且锁定目标，避免混入大量背景影响评价函数精确度，有效的减小了噪声和高亮目标的影响。

2.2SURF-梯度-阈值聚焦评价函数

传统的自动聚焦算法有灰度变化函数、梯度变化函数、图像灰度熵函数以及频域类函数等四大类[6]。本文采用梯度变化函数中的Tenengrad聚焦评价函数进行评判，考虑到模糊图像小梯度的像素数多于清晰图像，使得图像在过渡带区域内某点的梯度值虽然较小，但梯度和较大或者和清晰图像相当，影响评价函数的准确性和有效性，所以，采用对梯度矩阵进行阈值M处理，去掉较小的梯度值[7]。同时，在对图像进行微分运算或梯度运算的操作后，虽然获得了图像的边缘及细节信息，但同时也加强了噪声，为了避免高频噪声引起对焦错误的现象，可以给梯度矩阵再加一个大的阈值N，去掉梯度值很大的噪声部分[6,8]。对图像进行SURF算法，确定聚焦窗口A，聚焦窗口大小由图像上测量目标大小决定，较好的解决了高亮目标和噪声对目标的影响，同时减少计算量，保证聚焦实时性，如图3聚焦窗口选取所示。聚焦评价函数可表示为：

(1)

(2)

式(1)中,Gx(x,y)，Gy(x,y)分别是图像每个像素灰度f(x,y)与sobel边缘算子的卷积；式(2)中，N,M分别为头阈值处理的上、下门限；其中(x1,y1),(x2,y2)聚焦窗口在图像上对角点坐标。

3实验及分析

本文采用基于SURF特征的匹配方法，分别提取目标图像和待搜索图像的 SURF特征，并进行匹配，确定聚焦窗口，并将该聚焦窗口作为同场景序列图像的聚焦窗口。对聚焦窗口内图像运用上文提到的梯度-阈值评价函数，通过比较FTenengrad值，得到精确聚焦图像。所有图像都在固定角度的尼康D700相机下采集，最高分辨率为4256×2832，传感器尺寸为36.0×23.9mm。实验环境为CPU Intel Core i3-2120，3.30GHz，3.24G内存，软件开发工具为Win7操作系统，VS2008+Opencv2.3.1。

我们选取图像大小为4256×2832的12副由离焦-聚焦-离焦的序列图像作为实验图像。图4为几种选窗方式，图像中，老虎模型头部作为目标图像，位于整幅图像的左侧中部。若以图4(a)所示选择中心取窗，窗口中大部分都是背景，只有少部分目标边缘细节；图4(b)为选择多点取窗方式，左上角的区域几乎包含整个目标信息，但五个区域中只有一个为主体目标区域，其余仍为背景区域；图4(c)为SURF特征匹配选择区域，以目标图像所在区域作为聚焦窗口，包含极少的背景信息，并且窗口尺寸远小于其它选窗方式。由此可见，SURF特征匹配选择窗口方式不受目标图像在整幅图像分布影响。

图5给出了不同聚焦窗口下，离焦到聚焦再到离焦的12副图像在FTenengrad值的归一化仿真聚焦曲线，其中第6幅图像为精确聚焦图像。由曲线可见，中心取窗曲线有一个唯一的极值，判断第二幅图像为精确聚焦图像，但实际为误聚焦图像，聚焦对象为中心复杂背景；多点取窗包含有效的目标区域图像，但由于引入过量的背景，曲线出现多个极值；SURF特征匹配取窗准确定位到目标图像，背景选入少，曲线峰值唯一且尖锐，聚焦效果好。

图5仿真聚焦曲线

本文选取的实验图像，背景较为复杂，目标图像偏离中心，右边区域包含大量细节，高频成分较多，上部区域包含有高亮日光灯，单纯对Tenengrad函数加上下阈值进行控制后，中心取窗和多点窗窗，均无法避免误聚焦现象，而将目标图像所在位置作为聚焦窗口，即对目标图像进行锁定，很好的解决了误聚焦问题。

4结 论

本文引入SURF特征匹配确定聚焦窗口，新算法适用于目标特定的图像。聚焦窗口直接锁定目标图像，目标图像无论位于整幅图像前景还是背景部分，都不受限制，同时新算法客服了目标图像偏离中央和高亮目标引起的误对焦问题。文中提出的SURF特征聚焦区域选择算法和梯度-阈值评价函数相结合的自动聚焦方法，在缩小聚焦区域，减小计算量的同时，较好地客服了噪声、高亮目标对聚焦的影响，能够快速准确的判断出清晰图像，实现特定目标图像的自动聚焦。

参考文献（References）:

[1] Won C S,Pyun K.Automatic object segmentation in images with low depth of field[C].Proc IEEE Int Conf on Images Proc,2002:805-808.

[2]张乐，姜威，高赞.数字图像一阶矩的自动聚焦区域选择算法[J].光学科技，2008，34(2)：163-165.(Zhang Le, Jiang Wei, GaoZan.Automatic focusing region selection algorithm based on first order of figital image[J].Optical Technique, 2008,34(2) : 163-165. )

[3]李奇，徐之海，等.数字成像系统自动对焦区域设计[J].光子学报，2002，31(1)：63-66.(Li Qi, Xu Zhihai, et al.