【阅读笔记】聚焦区域自动化检测Fully Digital Auto-Focusing System with Automatic Focusing Region Selection and Point

一、Fully Digital Auto-Focusing System with Automatic Focusing Region Selection and Point Spread Function Estimation

该论文具备自动对焦区域选择功能，并预估了具有圆对称性的点扩散函数（PSF）数据集。通过分析自动选定对焦区域中的熵值与边缘信息，该方法实现了真实可靠的无监督PSF估计

1.1 自动对焦区域选择（Automatic Focusing Region Selection）

这是该论文的关键创新之一。系统能够：

• 自动识别图像中的最佳对焦区域
• 基于熵（Entropy）和边缘信息（Edge Information）分析选择ROI

技术原理：

• 利用局部熵检测图像中的信息丰富区域
• 结合边缘检测识别具有清晰结构特征的区域

1.2. 先验PSF数据集（A Priori Estimated PSF Dataset）

• 预先建立圆对称点扩散函数（Circularly Symmetric PSFs）数据集
• 包含11种不同离焦程度的PSF模型（根据相关文献引用）
• 避免实时计算PSF的高计算成本

1.3. 无监督PSF估计

通过分析选定区域的熵和边缘信息，实现：

• realistic（真实感）的PSF估计
• unsupervised（无监督）的自动选择最优PSF
• 快速匹配最适合当前离焦状态的PSF

二、基于熵的聚焦区域选择方法

备注：本文只分析聚焦区域选择部分，自动化分析聚焦主体，论文其他章节部分后续分析。

聚焦区域通常考虑被摄体位于输入图像中心，或系统可利用多幅输入图像时才能获得聚焦区域。本文提出的基于熵的聚焦区域选择方法，无论被摄体位置如何，亦或背景中是否存在高频成分，均能对被摄体区域进行估计。

本文核心思想是计算图像熵值、边缘梯度值，根据这两个方面综合考虑聚焦区域的选择。

2.1 计算图像熵值

计算图像的熵值公式如下：

其中，L表示满阱值，P_i是灰度概率

其中，M、N是分辨率，n是灰度值

将输入图像分割为多个子块，并提取每个子块的局部熵值。下图展示了三种不同块尺寸下的局部熵分布情况。当子块尺寸较小时，边缘区域的熵值较高，导致聚焦区域受到背景高频成分的影响；而当子块尺寸较大时，聚焦位置的估计难度增加。

笔者将算法仿真后推荐将图像划分为8x8，16x16等规格，图像分辨率若太小，4x4也可以。

通过设定由熵值定义的阈值来进行图像分割。

Thr是熵值阈值，E(X)局部区块的熵值，E(X){max}是最大值，，E(X){mean}是均值，\alpha是0~1的数据，\alpha 论文中设定为0.85，熵值高于阈值的区块即为图像的聚焦待定区域

2.2 计算图像梯度值

论文中使用Canny边缘检测器提取边缘图，生成一维阶跃响应边缘梯度值。选择图像梯度值前20%的对应区域，作为聚焦待定区域

图像梯度值用常用的清晰度评价函数计算就行，同样需要将图像分块，个数跟2.1节一致。

2.3 综合考虑

将熵值聚焦待定区域和梯度值聚焦待定区域合并，输出交集作为聚焦区域

三、论文效果

论文选择聚焦区域效果如下图，图6C是论文效果，可以识别到前景的玩具，图6A是中心聚焦，图6B是对比算法

图7是论文算法的各种测试图聚焦区域效果，红色虚框位基准参考。

四、仿真效果及代码

用经典的3096飞机图做一下仿真，聚焦到飞机尾巴，相当于识别到飞机主体，与背景天空区分开。

感兴趣的可以找论文复现或者测试代码跑一跑。

https://github.com/AomanHao/AomanHao_example_of_algorithms/tree/main/6-AF

我的个人博客主页，欢迎访问

我的CSDN主页，欢迎访问

我的GitHub主页，欢迎访问

我的知乎主页，欢迎访问