基于 OpenCV 的 6 种自动对焦算法介绍...|image|像素|噪点|对比度|清晰度|自动对焦

来源：市场资讯

（来源：OpenCV与AI深度学习）

视觉/图像重磅干货，第一时间送达!

自动对焦在成像系统中起着至关重要的作用，可确保捕获的图像和视频帧清晰且清晰。在各种应用中，例如医学成像、监控和摄影，从序列中选择最清晰的帧可以显著提高分析和演示的质量。在本文中，我们探讨了使用 OpenCV 的各种焦点测量运算符，OpenCV 是一个广泛用于图像处理任务的强大计算机视觉库。通过利用 OpenCV 的内置功能，我们计算和比较不同的焦点测量，以评估图像清晰度并确定视频序列中的最佳焦点帧。通过这种分析，我们深入了解了不同作员的有效性、他们的优缺点以及它们在自动成像系统中的实际应用。

准备工作

1. 安装需要的库

pip install opencv-python numpy scikit-image

2. 测试数据

自动对焦算法介绍

1. 局部方差方法

Local Variance 方法测量局部强度变化，假设与模糊图像相比，清晰图像表现出更高的对比度和方差。它计算邻域内像素强度的方差，使其可用于检测图像中的焦点。

优点：

简单快速 – 计算效率高且易于实施。

对高对比度图像有效 – 当图像具有较强的边缘和强度变化时，效果很好。

噪声稳健性（在一定程度上） – 与基于梯度的方法相比，受像素强度微小变化的影响较小。

缺点：

在低对比度图像上失败 – 如果图像具有均匀的强度（例如，模糊但亮度高），则可能会错误地分配高分。

对照明变化敏感 – 不均匀的照明会影响变化，从而导致清晰度评估不准确。

不是自动对焦的最佳选择 – 与基于渐变的方法相比，性能不一致。

2. 基于熵的焦点测量

基于熵的焦点测量通过分析强度值的分布来量化图像清晰度。清晰的图像包含更详细的信息并具有较高的熵值，而模糊的图像往往具有更均匀的强度分布和较低的熵。

优点：

适用于纹理丰富的图像 – 最适合具有大量详细纹理和图案的图像。

耐少量噪点 – 仍然可以在轻微噪点的图像中提供可靠的结果。

适用于低对比度情况 – 当对比度较低时，性能优于基于方差的方法。

缺点：

计算成本高 – 需要直方图计算和对数计算，因此比方差或梯度方法慢。

对高频区域中的噪声敏感 – 如果图像的噪声过多，则由于随机性增加，熵可能会错误地将其识别为“清晰”。

不适用于基于边缘的清晰度检测 – 在清晰度主要由边缘而不是纹理定义的图像中效果不佳。

3. Tenengrad（基于 Sobel 梯度）焦点测量

Tenengrad 方法根据边缘强度评估图像清晰度。它依赖于 Sobel 算子，该算子可以检测水平和垂直方向的强度变化。假设是更清晰的图像包含更强的边缘，从而导致更高的渐变值。

优点：

强边缘检测 – 适用于具有强边缘的图像中的锐度检测。

耐照明变化 – 与基于方差的方法相比，更稳健。

适用于自动对焦应用 – 常用于自动对焦系统，因为它可以有效地检测急剧过渡。

缺点：

对噪声敏感 – 微小的噪声变化会产生强烈的梯度，从而导致错误的锐化检测。

在纹理丰富的低边缘图像中失败 – 如果图像非常详细但缺乏清晰的边缘，该方法可能会低估清晰度。

方向灵敏度 – 如果图像中的结构与渐变方向对齐，则可能会产生误导性结果。

4. Brenner 梯度焦点测量

Brenner 渐变方法根据相邻像素之间的像素强度差异来评估图像清晰度。假设更清晰的图像具有更大的强度变化，从而导致更高的焦点分数。

优点：

非常简单快捷 – 比 Sobel 或 Laplacian 方法更快，因为它只使用像素级差异。

对基于边缘的锐度有效 – 适用于检测像素强度的急剧变化。

适用于散焦图像 – 在模糊图像中，性能优于基于变化的方法。

缺点：

不是很可靠 – 在低对比度或纹理丰富的图像中可能不可靠。

对噪声敏感 – 可能会错误地将噪声模式归类为尖锐特征。

在一般应用程序中的有限使用 – 适用于特定的自动对焦场景，但不适用于所有类型的图像。

5. Sobel + 方差组合

此方法通过结合两种方法增强焦点测量：

Sobel Gradient （索贝尔梯度） – 通过计算水平和垂直方向的强度变化来测量图像中的边缘强度。

Local Intensity Variance （局部强度方差） – 通过分析像素强度的变化来确定清晰度，假设更清晰的图像具有更高的对比度和方差。

通过结合这两种测量方法，这种方法提供了更稳健的焦点评估，同时捕获了边缘清晰度和局部强度变化。

优点：

平衡边缘和强度信息 – 比单独使用 Sobel 或方差更强大。

处理基于边缘和基于纹理的清晰度 – 对各种类型的图像有效。

在自动对焦应用中更可靠 – 减少由于噪声引起的误分类。

缺点：

Computationally More Expensive （计算成本更高） – 由于多次计算，速度略慢。

仍然对噪声有些敏感 – 虽然它比单独的方法更强大，但它在处理极度嘈杂的图像时可能仍然难以理解。

需要适当的参数调整 – 性能取决于选择合适的 Sobel 内核大小和方差阈值。

6. 基于 Laplacian 的方法

此方法使用 Laplacian 算子（二阶导数滤波器）来检测图像中的边缘。它测量拉普拉斯响应的方差，假设更清晰的图像具有更强的边缘响应和更高的方差，而模糊的图像具有更平滑的过渡和较低的方差。

优点：

捕捉高频清晰度 – 更强地检测精细细节和细微边缘。

适用于一般自动对焦应用 – 用于许多图像处理和显微镜自动对焦系统。

受全局光照变化的影响较小 – 与基于变化的方法相比，在不同的光照条件下更稳定。

缺点：

对噪声非常敏感 – 与基于 Sobel 的方法相比，更容易放大噪声。

计算成本高 – 比更简单的运算符（如方差或 Brenner 梯度）略慢。

边缘过度加重会导致误报 – 如果边缘对比度过高（例如，由于噪声或伪影），可能会错误地将图像归类为“清晰”。

自动对焦算法代码实现

逐个读取视频帧。

使用选定的焦点度量计算焦点分数。

存储帧及其分数以供以后比较。

选择对焦得分最高的帧作为最清晰的帧。

打印出最佳帧编号及其焦点分数。

显示最佳帧以直观地验证每种方法的有效性。

import cv2import numpy as npvideoPath = "C:/Users/ssabb/Desktop/opencv_courses/articles/data/autofocus1.mp4"cap = cv2.VideoCapture(videoPath)focus_scores = []frames = []# Include the function for focus measures here# def compute_focus_measure(image):#     Implement the focus measure function here (e.g., Tenengrad, Brenner, etc.)if cap.isOpened():    print("Video file successfully retrieved")else:    print("Video file wasn't retrieved properly")while True:    ret, frame = cap.read()    if ret:        focus_scores.append(compute_focus_measure(frame))  # Replace with actual function        frames.append(frame)    else:        print("Frame not read")        breakcap.release()# Find the best-focused framebest_score_index = np.argmax(focus_scores)best_frame = frames[best_score_index]print(f"Best frame index: {best_score_index} with score {focus_scores[best_score_index]}")# Get the original dimensionsoriginal_height, original_width = best_frame.shape[:2]new_width = 600aspect_ratio = new_width / original_widthnew_height = int(original_height * aspect_ratio)  # Compute height based on aspect ratio# Resize the imageresized_image = cv2.resize(best_frame, (new_width, new_height))# Display the best framecv2.imshow("Best Frame", resized_image)cv2.waitKey(0)cv2.destroyAllWindows()