第41卷第4期东北师大学报(自然科学版)Vol.41No.42009年12月JournalofNortheastNormalUniversity(NaturalScienceEdition)December2009[收稿日期]2009206220[基金项目]吉林省科技发展计划项目(20070332)1[作者简介]王昕(1972—),女,博士,讲师,主要从事数字图像处理、模式识别研究.[文章编号]100021832(2009)0420052206基于提升小波变换的图像清晰度评价算法王昕,刘畅(长春工业大学计算机科学与工程学院,吉林长春130012)[摘要]针对图像采集系统存在噪声的情况,提出了一种新的基于提升小波变换的清晰度评价函数.该算法利用第二层提升小波分解得到的高、低频子带的能量值构造一种新的清晰度评价函数.比较分析了新提出的评价函数和经典的方差函数、拉普拉斯函数及另外一种基于小波变换评价函数的清晰度评价性能.大量的仿真实验和实际测试结果表明:新提出的清晰度评价算子不仅在保持最高灵敏度的同时具有最好的抗噪性能,而且计算复杂度低,评价结果更为准确、稳定、可靠.[关键词]清晰度评价函数;提升小波变换;自动对焦[中图分类号]TP391141[学科代码]520·60[文献标识码]A0引言近年来,随着人类生活水平的改善,数码摄像工具已经为大多数人所熟识,数字化成像系统的技术也在不断更新.而数字图像的清晰度判别一直是各类数字成像系统自动聚焦的一个关键问题.如今,图像清晰度评价函数已得到人们的广泛关注,积累了许多研究成果,也出现了许多用于数字图像清晰度识别的方法模型.大致可分为几类:基于空间域特征的评价函数,如各类灰度差分、梯度算法;基于频率特征的评价函数,如基于离散余弦变换、基于傅立叶变换的算法;基于统计特征的评价函数,如熵函数法等1[122]追求更高的分辨率和灵敏度是发展这些不同方法的目的,但是这些传统的清晰度算法仍然存在许多问题.理想的清晰度评价函数应该具有无偏性、单峰性及抗干扰能力,即对于受到一定噪声污染的图像也能够做出精确的评价.但在研究中发现传统的清晰度评价算法对噪声还是很敏感,在没有噪声时,这些算法的灵敏度和单峰性可能还不错,可是一旦受到噪声的影响,算法很可能就会失效.滤波预处理虽然可以去除一部分噪声,但是这些算法对噪声还是很敏感.针对这个问题,本文提出了一种新的基于提升小波变换的清晰度评价函数,通过与其他几种经典评价函数的实验对比,证明该函数较其他的函数具有较好的计算效率,比起一般的评价方法具有更高的信噪比、可靠性和清晰灵敏度,更好地满足了对图像清晰度评价的要求.1常用的清晰度评价函数当图像清晰时,图像细节丰富,在空域表现为相邻像素的特征值(如灰度等)变化较大,在频域表现为频谱的高频分量多.许多学者在这方面做了大量的研究工作,积累了许多研究成果,其中最流行的是在时域的梯度评价函数,还有频域的频谱评价函数和信息论领域的熵评价函数.在图像处理中,梯度函数常被用来提取边缘信息,对焦良好的图像,即有更尖锐的边缘的图像,应有更大的梯度函数值.常用的第4期王昕,等:基于提升小波变换的图像清晰度评价算法梯度类函数有灰度差分函数、能量梯度函数、方差函数、拉普拉斯(Laplace)函数、Tenengrad函数等,其中Laplace函数和方差函数的具体表达式如下:f(I)=∑x∑y[4I(x,y)-I(x,y-1)-I(x,y+1)-I(x-1,y)-I(x+1,y)],(1)f(I)=∑x∑y[I(x,y)-μ].(2)(1),(2)式分别对应Laplace评价函数和方差(Variance)函数.其中I(x,y)为图像在像素点坐标(x,y)处的灰度值,μ为图像I的平均灰度值.频谱函数对图像进行清晰度评价的依据是:根据傅立叶光学理论,图像清晰或聚焦的程度主要由图像中高频分量的多少决定.高频分量法首先将图像变换到频域,然后提取高频分量作为聚焦评价标准.根据变换算法不同,比如傅立叶变换、小波变换等可以将高频分量法分成不同的类.与傅立叶变换相比,小波变换是空间(时间)和频率的局部变换,因而能有效地从信号中提取信息,它通过平移运算和对信号(函数)逐步进行多尺度细化,从而可聚焦到信号的任意细节,这能够使其分辨出聚焦和轻微散焦情况,极大提高了自动聚焦的精度,被称为数学显微镜.利用小波变换的多分辨率分析的特性可以很容易得到二维图像信号的高频分量,目前常用的小波评价函数是求取高频分量的能量作为清晰度评价算子[32...