摘要:在远距离目标检测和跟踪的过程中,成像清晰起着至关重要的作用。红外望远镜系统的成像距离远、景深短、失焦引起图像模糊。由于大气折射,望远镜所成的像处于不断变化之中,造成传统对焦算法对焦成功率、效率偏低。为了提高自动对焦的成功率和速度,采用了一种具备变步长的爬山法,利用多次求图像清晰度取其中位数的方法保证清晰度评价的准确性,利用带动量和加速度的爬山法降低了对焦过程中的不稳定性,减少了粗对焦过程所需的步数。算法在实际中波红外望远镜系统中得到应用,实验结果表明,该算法在粗对焦阶段所需的对焦步数比传统爬山法减少了12.8%,满足红外望远镜系统的需要。
关键词:自动对焦;红外望远镜;评价函数;动量;加速度
自1940年以来,红外技术已得到了长足的发展,红外遥感通过接受物体自身辐射或反射出的红外线来感知目标,由于一些波段的红外线具有较强的大气穿透能力,其在资源探测、JS金沙观测、地球遥感等领域具有广泛的应用。随着经济、科技的进一步发展,对红外探测技术的要求也不断提高,红外望远镜的焦长不断变长,口径不断扩大,成像质量以及对目标的探测和跟踪能力也在不断提升,随之而来的问题是对焦范围变宽,景深变短,由于失焦引起的模糊更加剧烈。而探测系统对目标的探测和跟踪成功进行的前提是获得清晰地目标图像,在对目标跟踪的过程中,目标与探测系统的相对位置和相对距离可能处于不断变化之中,如果不进行有效的对焦操作,探测系统对目标所成像可能会剧烈模糊,使得跟踪系统不能正常工作乃至丢失目标。为了及时获得清晰的红外图像,自动对焦算法非常重要,快速、有效的自动对焦算法能够在较短时间内判断出镜头的离焦状况,并JS金沙发出对焦指令。
常用的对焦方法分为离焦深度法和对焦深度法,离焦深度法根据获得的图像判断出镜头偏离准焦位置的方向和程度进行对焦,对焦深度法根据多次对焦获得的图像,对图像进行评价,根据评价值得变化确定离焦的方向不断移动镜头,最终完成对焦。在离焦深度法和对焦深度法中,离焦深度法速度快、但比较依赖精准的离焦模型和高精度的控制结构,容易产生系统偏差[1]。对焦深度法因其简单、稳定的特点,在可见光成像系统如手机和监控摄像头中得到了广泛的应用[2]。ErasmusS.J.等[3]开始研究基于数字图像处理的自动对焦技术,通过分析图像边缘的信息来比较不同图像的清晰程度。林兆华等[4]将自动对焦过程细分,分别采用改进的Kirsch函数和提升小波变换函数对图像进行评价,提出了根据图像脱靶量来选择对焦窗口的算法和曲线拟合结合爬山算法的搜索策略,减少了背景对对焦的影响。王昊[5]提出了基于单幅图像的离焦估计法,有效提高了对焦的速度。XiaofanYu等[6]提出了利用深度强化学习来对显微镜中的物像进行对焦,该方法将传统评价和搜索两个过程整合到一个网络中,形成了一个端到端的算法。
RudiChen等[7]提出了基于决策树的自动对焦方法,提高了在低光条件下对焦的精度。由于红外探测器所获得的图像质量普遍比可见光探测器的差,成像噪声大,存在坏点,望远镜的视场小,大气折射带来的图像模糊程度不稳定,一般自动对焦算法直接应用于红外望远镜上,使得基于图像质量的自动对焦失败几率大大增加,所以需要为红外望远镜系统寻找适合的自动对焦算法。
红外望远镜系统搭建的卡塞格林反射式红外望远镜系统如图1所示,主反射镜焦距300mm,口径600mm,红外探测器成像大小为640×512,像元尺寸为15μm,响应波长为3.7~4.8μm,F数为2,具备二维转动功能。望远镜系统中相机的积分时间为6微秒,在最高8°/s的角速度的运动中几乎不产生运动模糊。图2为红外望远镜系统的控制框图。红外辐射首先进入光学系统,然后在红外探测器上成像,探测器的光敏元响应后由采集卡采集到图像数据,最后传送到PC机上由上位机进行处理。其中自动对焦部分,由上位机发送指令控制步进电机带动反射镜沿着光轴移动,完成自动对焦任务。
红外望远镜系统在成像上与一般可见光系统有很大的区别,尤其在静止情况下的成像,可见光成像系统如智能手机镜头基本都是近距离成像,空气密度不均在短距离内对光线的影响极其有限,所以成像质量也不会发生较大的变化。而红外望远镜系统为远距离成像,空气密度不均在较长距离上对光线有较强影响,这一点在气温较高时尤为明显。图像在大气折射下不断地变化,导致对焦评价函数评价值不断抖动,在峰值两侧的对焦评价函数评价值也不再单调,进而使自动对焦算法不能找到对焦评价函数的峰值或者极易找到局部极大值。在平稳平台上使用红外望远镜对近处一房屋窗户进行连续成像,其中两幅图像的对比如图3所示,上图比下图的Tenengrad函数评价值大4.25%,上图比下图更清晰。
图1实际红外望远镜系统
图2红外望远镜自动对焦系统框图