Tabla de medidas de enfoque para automóviles
Las medidas de enfoque son herramientas útiles para el análisis de imágenes y el reconocimiento de patrones. Existen varios tipos de medidas de enfoque, incluidas las estadísticas, gradientes y basadas en laplacianas.
Este cuadro ilustra las funciones típicas de medida de enfoque extraídas de una pila completa de 20 imágenes (curva sólida) y se ajusta a solo tres imágenes (curva discontinua). Los valores de estos valores de función de enfoque se han normalizado por sus valores máximos respectivos para permitir la comparación.
1. Laplacio modificado con suma
Para ciertos tipos de tareas de inspección visual, los resultados se pueden obtener solo cuando las operaciones conectadas se realizan en imágenes con enfoque uniforme. Una técnica para obtener dicha representación de imagen es la fusión de imágenes. Presentamos dos métodos de fusión de imágenes de Laplacian (SML) modificada con suma que produce una imagen fusionada construida basada en una pila de imágenes recopiladas por microscopía láser de escaneo confocal (CSLM).
Primero, proponemos un algoritmo para segmentar la máscara de región enfocada de cada imagen de enfoque múltiple. Luego desarrollamos un algoritmo de crecimiento de la región basada en la densidad para descomponer la máscara en una pirámide de máscara. Luego supervisamos un método llamado mosaico de la región en pirámides de laplacianos (RMLP) para fusionar estas capas piramidales. La pirámide de nivel de región resultante mantiene más información original que la pirámide de nivel de píxeles.
Además, RMLP es más insensible al ruido que otros métodos. Las pirámides laplacianas fusionadas se pueden usar para la reconstrucción y el reenfoque.
También proponemos un nuevo algoritmo para interpolar los valores de medida de enfoque SML calculado y obtener estimaciones de profundidad más precisas. Este algoritmo modela las variaciones de medición de enfoque SML en cada punto como una distribución gaussiana y utiliza este modelo para estimar la profundidad de maneras más precisas. Este algoritmo se implementó y probó en superficies de diferentes propiedades de rugosidad y reflectancia, y los resultados muestran que el método propuesto es robusto y preciso.
2. Energía de la imagen Laplacian
Una buena medida de enfoque suele ser una combinación de varios índices diferentes, incluido un componente de alta frecuencia que es similar a la suma de los coeficientes wavelet. Otra métrica importante es la proporción de las normas de banda de paso alto y banda de paso bajo.
En el procesamiento de imágenes, la energía de una imagen a menudo se determina por una medida que involucra una convolución con un pequeño núcleo. Esta es una técnica común para reducir la sensibilidad de una imagen al ruido.
Este pequeño núcleo se aproxima al laplacio de una función gaussiana, que es una medida isotrópica 2-D de la segunda derivada espacial de una imagen. A menudo se usa junto con un filtro de suavizado para reducir la sensibilidad del laplacio a ruido de alta frecuencia.
Uno de los aspectos más interesantes de un laplaciano es que el Laplacian tiene el poder de resaltar regiones de cambio de intensidad rápida (o tal vez mejor descrito como cambios de nitidez). Esto puede ser útil en la detección de borde, por ejemplo.
El gráfico Laplacian es una buena opción para esta tarea porque el laplaciano es simétrico y por el teorema espectral, sus vectores propios son ortogonales. En consecuencia, el gráfico Laplacian tiene una evolución suave desde su estado inicial hasta un punto de equilibrio.
El gráfico Laplacian es probablemente la mejor medida de enfoque de todos los tiempos, porque es un cálculo relativamente simple y tiene el efecto medible de mostrar qué partes de una imagen son las más importantes. Esto es especialmente cierto en comparación con otros métodos que requieren más operaciones aritméticas.
3. Tenengrad
Una de las medidas de enfoque más populares es la función Tenengrad, que utiliza una convolución para calcular la suma de los gradientes de imágenes cuadradas en las direcciones X e Y. Es una buena manera de reducir el ruido mientras se mantiene la nitidez general de la imagen, pero también puede llevar mucho tiempo e inestable.
En nuestro estudio, investigamos varios operadores de medida de enfoque para una pila de 20 imágenes y las instalamos en tres imágenes, lo que nos permitió cuantificar las eficiencias y limitaciones de cada una. También medimos la función Tenengrad antes mencionada y descubrimos que era la más impresionante de todas.
La mejor parte es que estas funciones de enfoque no son costosas de usar. Además, son mucho más rápidos y menos propensos a errores que el laplacio modificado de suma. La energía de la imagen LaPlacian fue la única medida que no se encontró que fuera una buena opción para este estudio; Sin embargo, todavía produjo una trama impresionante.
Un examen más detallado de las curvas muestra que todas contienen las características gaussianas esperadas, incluso la función Tenengrad. La función Tenengrad tiene un tiempo de cálculo un poco más largo que el laplaciano modificado por suma, pero no es difícil ver por qué.
Hemos utilizado una serie de medidas de enfoque, incluida la laplacia modificada por suma, la energía de la laplacia de la imagen y la energía de la imagen laplaciana, pero la función más útil es una función de gradiente basada en la convolución que extrae X e Y- Los gradientes de la imagen de dirección a través del operador Sobel los usan para calcular una sola función de imagen que es más de dos dimensiones. Hemos encontrado que la función mencionada es la más impresionante y hemos descubierto que es la única medida de enfoque que puede aparecer en un conjunto apilado de 20 imágenes.
4. F4 de Vollath
Para el ajuste de la curva, se extrajo un laplaciano modificado por suma (SML), una energía de la imagen laplaciana (EOL) y un gradiente de Brenner de la pila completa de 20 imágenes, instaladas en tres imágenes, y se analizó la curva de ajuste. La Figura 2 muestra las gráficas típicas obtenidas para el laplacio modificado de suma, la energía de la imagen Laplacian, Tenengrad y el F4 de Vollath; Cada medida de enfoque tiene una curva sólida y discontinua.
En términos del rendimiento general, SML, EOL y una wavelet diádica utilizando un filtrado suave (Wavrfilt) funcionan mejor. Sin embargo, el tiempo de procesamiento fue un factor significativo, que fue particularmente notable en el caso de la descomposición de wavelet diádica, que tenía el tiempo medio de ejecución más alto.
Entre las 22 medidas de enfoque, algunas se basan estadísticamente y funcionan bien en hologramas digitales que cambian de fase, como la varianza normalizada y las métricas relacionadas con la correlación. Otros tipos de métricas incluyen las relacionadas con espectral, wavelet y de escasez.
La posición de enfoque óptima se selecciona comparando el valor de cada medida de enfoque con la distancia entre el punto de enfoque y las posiciones de imagen fijas. Este es un enfoque computacionalmente intensivo, pero se ha demostrado que tiene éxito en los hologramas digitales que cambian de fase.
Varios estudios también han informado que la elección de la entrada de amplitud en el cálculo de la función de enfoque afecta el rendimiento de estos algoritmos. Por ejemplo, un estudio reciente demostró que para la amplitud compleja/hologramas de fase, el uso de la amplitud en lugar de la intensidad fue una opción más confiable. Se encontró que la entrada de amplitud era más consistente con la esperada curva gaussiana de curvas de enfoque, pero este no siempre es el caso. Por el contrario, es probable que la entrada de intensidad sea más compatible con los datos de la imagen reales y pueda producir mejores resultados, a costa de un tiempo de procesamiento más alto.
5. Gradiente de Brenner
El gradiente de Brenner es una medida de enfoque que utiliza la diferencia finita centrada para cada elemento matriz en cada dirección cartesiana. Esta función se utiliza para evaluar la nitidez de una matriz de imagen 2D o 3D definida por IM. Los valores de esta función se comparan con las curvas ideales para determinar cuál funciona mejor en términos de tiempo de procesamiento y precisión.
Las medidas de enfoque se compararon para pilas completas de 20 imágenes y para curvas ajustadas a subconjuntos de imágenes alrededor de la posición focal. Para cada pila, las medidas de enfoque se trazaron contra la distancia, comparando el original (obtenido de la pila de 20 imágenes) y curvas ajustadas; Los valores de estas curvas se han normalizado para permitir la comparación.
Cinco de las seis medidas de enfoque estudiadas, a saber, la laplacia modificada por suma (SML), la energía de la imagen LaPlacia (EOL), el gradiente de Brenner, el F4 de Vollath y Tenengrad, tienen las esperadas trazas de forma gaussiana. La única medida de enfoque que no mostró la forma esperada fue la varianza normalizada.
Esta medida de enfoque ocupó el quinto lugar entre los seis estudiados, con respecto a todas las características, excepto por el tiempo de procesamiento. Este resultado está en línea con otros estudios publicados, donde se clasificó por delante de SML y EOL, pero por debajo de Tenengrad y por encima del F4 de Vollath.
Para examinar si el algoritmo FAF puede estimar de manera confiable la velocidad del sonido, aplicamos el algoritmo a los datos de imágenes fantasmas. El fantasma era una sutura alargada incrustada en agua. La figura 2 muestra los datos de imágenes del fantasma y sus imágenes reconstruidas. Las reconstrucciones 2D y las proyecciones de amplitud máxima 1D se muestran en los paneles (a), (b) y (c).
The FAF algorithm accurately estimated the speed of sound with a mean value of 1518.6 m/s and a standard deviation of
