[发明专利]一种实现干涉测量快速聚焦的方法

说明书

技术领域

此发明涉及干涉测量的自动聚焦领域，特别的是一种适用于干涉测量过程中的基于数字图像处理的干涉显微镜快速聚焦方法。

背景技术

在现代化检测方法中，有一种高精度无损检测的光学干涉显微镜测量(包括了Michelson型，Mirau型，Linnik型等)技术。此种技术用于检测微米、纳米级物件表面微观形貌，在高倍率干涉显微成像过程中景深非常小，手动调焦实为不便。为了实现系统的自动化运行，关键技术之一就是实现自动聚焦技术。目前应用于显微镜的自动聚焦方式多为基于数字图像处理的对焦深度法。对焦深度法是通过构建评价函数，对不通位置图像的清晰度进行评价，并在评价函数的最大值处获得聚焦面。聚焦评价函数选取的正确与否，直接影响到聚焦的精度和聚焦速度。

现有技术中的国内外提出的聚焦评价函数大致可分为：

1、频域函数。如熵函数、小波变换、傅里叶变换等。

2、梯度函数。在图像处理中，梯度函数常被用来提取边缘信息。聚焦良好的图像，即有更尖锐的边缘的图像，应有更大的梯度函数值。常用的梯度函数有方差算子、灰度差分绝对值之和算子、能量梯度算子、Brenner函数、基于Sobel梯度算子的Tenengrad函数、Roberts梯度算子、拉普拉斯算子等。

3、统计学函数。如Range函数、Enmay函数、Masgrn函数、交流功率函数、直流功率函数等。

灰度梯度评价函数的值采用图像相邻像素间的灰度差(差分)来计算，这种近似微分运算可以消除背景噪声的影响，能有效抑制外界条件对图像的整体影响，并满足单峰性、无偏性和灵敏性特点，因此这一类评价函数应用最广。假设图像中某点(x,y)处的灰度值为g(x,y)，图像的规模为M×N(M列、N行)个像素，则灰度梯度评价函数有以下几种定义：

(1)灰度变化的平均程度即方差来衡量。图像的灰度方差算子定义如下：

其中，g₀是图像灰度的平均值，

表示为

(2)灰度差分绝对值之和算子(SMD)。用差分绝对值代替乘方和开方。即对点(x,y)及其邻近点的灰度作差分运算，提取该点灰度值的变化大小，得出图像灰度差分绝对值之和算子：

(3)能量梯度算子：

(4)Brenner函数，又称为梯度滤波器法，它是当相邻像元的灰度差大于某阈值时，对相邻近(间隔为k)的像元灰度差进行平方求和。其表达式如下：

当|g(x+1,y)-g(x,y)|>G_threshold

上式中，G_threshold是阈值条件，g(x,y)是象元(x,y)的灰度值，下同。

(5)基于Sobel梯度算子的Tenengrad函数利用Sobel算子来估计图像在水平方向和垂直方向的梯度，为使图像边缘的梯度放大，对梯度进行平方运算，其表达式为：

其中：G_x(x,y)和G_y(x,y)分别为X和Y方向上的Sobel算子计算的差分值。X方向和Y方向的Sobel算子表达式如下：

Tenengrad函数是先加权平均然后再差分，分别对水平和垂直方向进行模板运算，对噪声有一定的抑制能力。随着窗口的放大，噪声抑制能力更加明显。

(6)Roberts梯度和函数实际上是以某一点为中心上的连续梯度的近似，从理论上分析，它对边缘特性的处理比Brenner函数要好。

(7)拉普拉斯算子是一个锐化模板，通过增强高频分量来减少图像中的模糊，又称为高通滤波。常见的拉普拉斯算子模板有三种(左、中为4邻域，右为8邻域)：

改进拉普拉斯梯度函数加入可变步长step来计算二阶差分。

ML(x,y)＝|2g(x,y)-g(x-step,y)-g(x+step,y)|+|2g(x,y)-g(x,y-step)-g(x,y+step)|

其中ML(x,y)≥T

T是一个阈值，大于阈值的拉普拉斯值才参与汇总。

以上灰度梯度评价函数中，速度最快的是使用灰度方差算子。

而对应上述描述，现有技术存在的问题和缺点有：

自动聚焦过程需要采集成百上千幅图像，而灰度梯度函数又要对每一幅图像进行评价，像素较高的相机，处理的数据量更是成倍增长。所以，实际应用中，使用灰度梯度函数的聚焦过程还是非常缓慢的，并不能满足现代化设备快速、高效的要求。