基于梯度计算的自动聚焦图像清晰度评价函数仿真分析

万方数据第３期王勇，等：基于图像清晰度的快速自动聚焦算法·３７１·ｄｉｒｅｃｔｉｏｎ—ｄｉｒｅｃｔｉｏｎ，ｓｔｅｐ＋＋；（２）若Ｎ（Ａ）与Ｎ（Ａ一。

）相差较大，表明以上一次的步长搜索对调焦效果的影响较大，搜索已经进入了聚焦点附近区域，则保持聚焦搜索方向不变，减小搜索步长｝即ｉｆＮ（Ａ。

）＞Ｎ（ＡＨ），ａｎｄ坐等掣半生＞ｃ，ｔｈｅｎ（ａ）模糊图像的梯度直方图（ｂ）清晰图像的梯度直方图图１图像的梯度直方图１．２聚焦评价函数和峰值搜索算法由于图像中多个目标物距不同，加之图像曝光度不够时产生的大量噪声或图像中包含高亮目标等因素的影响，直接对整幅图像运用聚焦判据，很容易出现误聚焦。

考虑到图像中心区域‘”５３通常为有用或感兴趣区域，图像聚焦窗口选取如图２所示，中心区域由窗口Ａ、Ｂ组成，其中Ａ包含Ｂ，窗口大小可根据实际情况进行调整。

我们对聚焦窗口采用阈值梯度与图像边缘点判据并结合改进的Ｔｅｎｅｎｇｒａｄ聚焦评价函数的方法，不仅较好地解决了由噪声和高亮目标的影响，而且图像中心区域计算量不大，保证了聚焦实时性。

改进的聚焦评价函数可表示为：Ｇ（ｘ，ｙ）＝［晓（ｚ，ｙ）＋ｑ（ｚ，ｙ）］“２，Ｇ（ｘ，ｙ）≥Ｔ（１）ＦＴⅫｄ＝≥：≥：Ｇ（ｘ，ｙ），Ｍ≤Ｇ（ｘ，ｊ，）≤Ｎ（２）式（１）中，Ｔ为判断（ｚ，ｙ）是否为边缘点的阈值，Ｑ（ｚ，ｙ），ｑ（ｚ，ｙ）分别是图像每个像素灰度ｆ（ｘ，ｙ）与ｓｏｂｅｌ边缘算子的卷积Ｉ式（２）中，Ｎ、Ｍ分别为１．１中梯度阈值处理的上、下门限。

为了方便可以取Ｔ＝Ｍ。

图２聚焦窗口选取调焦搜索过程ｒ５－７］采用自适应变步长登山搜索算法，在离焦较远的位置采用图像边缘点判据和大步长进行快速粗调，而在焦点附近由改进的Ｔｅｎｅｎｇｒａｄ函数精确细调。

具体步骤如下：首先。

采用式（１）计算序列图像相邻两帧图像窗口区域Ａ中各点像素的Ｇ（ｘ，ｙ），比较满足阈值条件的边缘点数目。

设当前图像ｉ区域Ａ的边缘点数目为Ｎ（Ａ），前一帧图像ｆ一１区域Ａ的边缘点数目为Ｎ（Ａ一），Ｃ为［ｏ，１］内给定的常数，则：（１）若Ｎ（Ａｆ）与Ｎ（Ａ。

图像超分辨率模型效果评估说明图像超分辨率（Image Super-Resolution，简称SR）是一种重要的计算机视觉任务，旨在从低分辨率（Low-Resolution，LR）图像中生成高分辨率（High-Resolution，HR）图像。

近年来，深度学习技术的发展使得超分辨率模型获得了显著的进展，取得了令人瞩目的结果。

本文将从几个方面对图像超分辨率模型的效果进行评估说明。

首先，我们将介绍图像超分辨率模型的评价指标。

常用的指标包括峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、结构相似性（Structural Similarity，SSIM）和感知上的图像质量评价指标（Perceptual Image Quality Assessment，PIQA）。

PSNR是衡量图像重建质量的传统指标，它通过计算原始图像与重建图像之间的均方误差来衡量它们之间的差异。

SSIM则通过比较亮度、对比度和结构等来评估图像的相似性。

PIQA则通过一些学习的神经网络来模拟人类主观感知，从而评估图像的质量。

其次，我们将介绍一些常见的图像超分辨率模型。

目前，常见的超分辨率模型包括基于插值的方法、基于边缘的方法和基于深度学习的方法。

基于插值的方法通过对低分辨率图像进行插值来提高其分辨率，但这种方法不能捕捉到图像的细节。

基于边缘的方法则利用边缘信息来增加图像的细节，但对于复杂的纹理和结构，效果有限。

而基于深度学习的方法则通过神经网络从大量的训练样本中学习图像的映射规律，从而实现高质量的超分辨率重建。

然后，我们将介绍超分辨率模型的评估方法。

为了评估不同的超分辨率模型，通常需要构建一个测试集，其中包含一系列的低分辨率图像以及它们的高分辨率标签。

然后，将测试集输入到模型中进行重建，并使用上述评价指标来衡量重建图像的质量。

此外，为了更全面地评估模型效果，还可以通过视觉感知实验来获取主观质量评价。

利用一些主观评价标准（如MOS，Mean Opinion Score），可以将人们对重建图像质量的评价转化为数字得分，从而评估模型的性能。

研究机器视觉系统的自动对焦技术摘要：伴随工业领域持续进步发展，对实际生产当中所用的各项技术提出更高的要求。

虽然现阶段多数工业企业已构建机器视觉综合系统，但系统运行过程仍然潜藏着失焦问题，那么，为实现自动对焦，防止此类问题再次出现，就需注重对自动对焦技术的应用。

故本文主要探讨机器视觉综合系统当中自动对焦技术，仅供业内人士参考。

关键词：自动对焦；机器视觉；系统引言工业生产整个过程当中，因现场环境极具复杂性，致使机器视觉整个系统当中定焦相机潜藏着一定的失焦问题，对整个生产过程的高效性及自动化等实现产生阻碍。

那么，为更好地解决这一方面问题，则对机器视觉综合系统当中自动对焦技术开展综合分析，有着一定的现实意义和价值。

1、自动对焦技术应用之下机器视觉综合系统的内部架构针对机器视觉综合系统当中自动对焦技术应用下所开发设计的运动控制系统平台，其内置主机、运动控制卡、相机、驱动器、电机。

主机CPU为I5-6500型号，配置英伟达GTX750TI显卡、安川的伺服系统、PCI-1240型号运动控制卡，负责实施图像处理、运动指令收发、评价清晰度等各项操作；工业相机设于Z轴上面，且与工作台呈垂直状，把实时所采集图像发送至主机当中。

运动控制，该系统模块主要负责调整相机具体位置[1]。

相机运动过程当中，计算机结合相机所采集图像，合理设定ROI区域，实现傅里叶快速变换滤波，针对ROI区域范围图像实际焦点性能，可借助清晰度评价函数予以客观评估及其分析，获取每次对焦评价的相应函数曲线，在达到相应评价函数的极值点情况下，相机对焦整个过程即可完成。

2、机器视觉综合系统当中自动对焦技术试验分析2.1试验条件及其方法选定DH-HV3151UC型号CCD的工业相机，运作分辨率设1027*768dpi、像素分辨率设3.2μm×3.2μm、帧率设12fps。

针对图像处理具体算法，实行c++和自研函数方法，运动控制则借助PCI-1240型号运动控制卡系统编程予以实现。

(一) 清晰度评价函数： (2)(二) 灰度梯度函数： (2)1、灰度涨落变化函数 (2)2、灰度绝对变化函数 (2)3、梯度向量模方函数 (2)4、梯度向量平方函数 (2)5、罗伯特(Robert)梯度函数 (2)6、拉普拉斯(Laplace)函数梯度函数 (3)7、二级梯度平方函数 (3)(三) 倍息学函数 (3)(四) 频域函数 (3)(五) 阈值积分法 (3)(六) 高频通带法 (4)(一)清晰度评价函数：采用图像处理法实现自动调焦的一个关键问题是，在于图像清晰度评价函数的选取。

理想的评价函数要求：无偏性、单峰性、能反映离焦的极性、对噪声敏感度低、计算量尽可能小等。

离焦图像可以看作由物体和点扩散函数做卷积的结果，这样往往导致图像中高频分量的减少或缺失。

这一结果也可理解为，聚焦的图像比离焦图像包含更多的细节和边缘信息。

凋焦评价函数通常基于离焦图像与聚焦图像的内容信息的差别等先验知识，因此没有对任何情况都适用的全能方法。

基于图像处理的自动调焦法的常用的聚焦评价函数的类型大致有：灰度梯度函数、信息学函数、频域函数、统计学函数等。

(二)灰度梯度函数：这类函数主要利用对图像灰度的各种处理方法来表征图像清晰度。

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，则灰度梯度判别函数包括以下几种常见形式。

1、灰度涨落变化函数这是一种判断图像灰度起伏程度的方法，其函数式为式中，g0是图像灰度平均值。

2、灰度绝对变化函数该评价函数与灰度涨落变化函数比较类似，适于具有固定单一背景的图像对比。

该函数式为式中，g(x0，y0)为某参考像素点(x0，y0)处的灰度值。

3、梯度向量模方函数梯度向量模方函数是一个灰度变化梯度和的表达式，只选取了梯度标量数值信息作为灰度变化量描述，其函数式为4、梯度向量平方函数梯度向量平方函数与梯度向量模方函数思路相同，只是用梯度平方和作为图像灰度变化判断，其函数式为5、罗伯特(Robert)梯度函数该评价函数使用了被判断点及其外沿3个像素点灰度信息，其函数式为6、拉普拉斯(Laplace)函数梯度函数该评价函数使用了被判断点及其周围4个像素点的灰度信息，其函数式为7、二级梯度平方函数利用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式中，Gx(x,y)=[g(x+1,y-1)+2g(x+1,y)+g(x+1,y+1)]-[g(x-1,y-1)+2g(x-1,y)+g(x-1,y+1)]Gy(x,y)=[g(x-1,y+1)+2g(x,y+1)+g(x+1,y+1)]-[g(x-1,y-1)+2g(x,y-1)+g(x+1,y-1)](三)倍息学函数倍息学函数是目前研究比较成熟的只有图像信息熵函数。

Equipment Manufacturing Technology No.10，2020基于Variance-Brenner函数的显微图像清晰度评价算法研究王灿芳叫崔良玉叫阎兵1,(1.天津职业技术师范大学，天津300222；2•天津市高速切削与精密加工重点实验室,天津300222)摘要:针对显微镜自动聚焦时传统的图像清晰度评价算法容易受外界因素的干扰进而影响自动聚焦的精度和速度的问题，在对常用的基于图像梯度的清晰度评价算法及其他算法的研究基础上，提出了一种结合了Variance函数与Bren­ner函数的优点新的图像清晰度评价算法，建立其数学模型，并与传统的Brenner函数、Tenengrad函数等进行仿真对比。

分析了噪声的影响，验证了高斯及中值滤波去除噪声的效果。

仿真结果表明提出的图像清晰度评价算法计算量小，鲁棒性强，精度高。

关键词：显微图像；自动聚焦；图像处理；图像清晰度评价算法中图分类号:TH742文献标识码:A文章编号:1672-545X(2020)10-0078-050引言传统的显微镜进行图像观察需要人工手动调焦,这种聚焦方式速度慢,对于批量化显微观察，容易让人疲劳，而且由于人的主观因素存在错误判断的可能。

自动聚焦是提交检测效率、减轻劳动量的有效技术，而图像清晰度评价函数是自动聚焦技术中判断图像是否清晰的重要依据［1］O自动聚焦方法主要分为被动式聚焦和主动式聚焦［2］,主动式聚焦通过计算物体与像面的距离根据成像原理得出与焦点的位置差，从而驱动镜头完成自动对焦。

而被动式聚焦是基于数字图像处理，通过对采集的一系列图像进行数据分析来判断当前图像的聚焦程度。

被动式聚焦不需要其他的传感设备，仅使用捕捉的一系列图像就可以完成聚焦，因此应用广泛［3］O图像越清晰，表明其含有更多的细节和边沿信息，在频域上表现为图像包含更多高频成分，因此可以根据这些理论研究评价图像清晰度的算法。

传统的数字图像清晰度评价算法主要是基于空域、频域、统计学和信息熵等［4-5］。

图像清晰度评价函数的研究
图像清晰度评价函数是对图像清晰度进行 quantification 的一种方法。

它在计算机视觉领域有着广泛的应用，例如在图像处理、图像增强、图像质量评估、图像压缩等领域。

图像清晰度评价函数的目标是通过数学模型来计算图像的清晰度得分，从而quantifying 图像的清晰度。

图像清晰度一般包括两个方面：主观评价和客观评价。

主观评价是指由人类主观感受来评价图像的清晰度，而客观评价是通过算法和数学模型来进行评价。

在图像清晰度评价函数的研究中，研究者们提出了许多不同的评价函数。

这些评价函数可以分为两大类：基于统计的评价函数和基于模型的评价函数。

基于统计的评价函数主要是通过计算图像的统计特征来评估图像的清晰度。

常用的统计特征包括梯度、方差、频域特征等。

这些统计特征在图像清晰度较低时会有较大的值，而在图像清晰度较高时会有较小的值。

通过计算这些统计特征的值，可以得到一个图像的清晰度得分。

基于模型的评价函数主要是通过构建数学模型来评估图像的清晰度。

常用的模型包括自然场景统计模型、机器学习模型和深度学习模型等。

这些模型通过对图像进行特征提取和特征匹配等操作，然后根据模型进行计算，得到一个图像的清晰度得分。

除了这些传统的评价函数外，近年来还出现了一些基于深度学习的图像清晰度评价函数。

这些方法通过使用深度神经网络来进行图像清晰度评估。

深度神经网络具有强大的特征提取和拟合能力，可以更好地捕捉图像的清晰度特征。

相位梯度自聚焦算法1.原理图像的相位梯度是指图像中相邻像素之间的相位差。

在一张清晰的图像中，相邻像素的相位差应该较小；而在一张模糊的图像中，相位差将较大。

利用这个特性，我们可以通过计算图像的相位梯度来确定图像的清晰度，并找到最佳对焦位置。

2.步骤2.1计算图像的一阶相位梯度首先，我们需要计算图像中每个像素点的相位梯度。

一阶相位梯度可以通过以下公式进行计算：G_x = I_x * cos(θ) + I_y * sin(θ)G_y = -I_x * sin(θ) + I_y * cos(θ)其中，G_x和G_y分别表示图像在x和y方向上的一阶相位梯度，I_x和I_y分别表示图像在x和y方向上的一阶幅度梯度，θ表示图像的相位。

2.2计算图像的二阶相位梯度接下来，我们可以根据一阶相位梯度计算图像的二阶相位梯度。

二阶相位梯度可以通过以下公式进行计算：G_xx = G_x * cos(θ) + G_y * sin(θ)G_yy = -G_x * sin(θ) + G_y * cos(θ)其中，G_xx和G_yy分别表示图像在x和y方向上的二阶相位梯度。

2.3计算图像的相位梯度幅度最后，我们可以通过计算图像的相位梯度幅度来确定图像的清晰度。

相位梯度幅度可以通过以下公式进行计算：M = sqrt(G_xx^2 + G_yy^2)其中，M表示图像的相位梯度幅度。

2.4确定最佳对焦位置最佳对焦位置可以通过寻找相位梯度幅度M的极值点来确定。

当M达到极大值时，表示图像的清晰度最高，此时对焦位置即为最佳位置。

3.应用3.1高精度3.2适用性广3.3实时性强总结：相位梯度自聚焦算法是一种通过计算图像的相位梯度来确定最佳对焦位置的方法。

它的原理是通过分析图像的相位差来确定图像的清晰度，并找到最佳对焦位置。

该算法具有高精度、适用性广和实时性强等优点，在自动对焦的应用中得到广泛应用。

图像清晰度评价函数的研究随着图像处理技术的不断发展，图像清晰度评价函数成为了图像处理领域中的一个重要研究方向。

图像清晰度是指图像中各种特征的清晰程度。

因此，图像清晰度评价函数可以用来评估图像的清晰度，指导图像处理过程。

目前，已经有许多图像清晰度评价函数被提出并应用于实际场景中。

本文将主要介绍几种常见的图像清晰度评价函数及其优缺点。

1. 图像梯度法图像梯度法是一种基于图像梯度的图像清晰度评价函数。

该方法使用图像梯度来衡量图像中各个像素之间的变化，进而评估图像的清晰度。

通常，该方法使用Sobel或者Laplace算子来计算图像梯度。

虽然这种方法易于实现，但它只能衡量图像的边缘清晰程度，对于图像中的纹理，以及低对比度的图像，评价效果较差。

2. 傅里叶变换法傅里叶变换法是一种基于傅里叶变换的图像清晰度评价函数。

该方法将图像转换到频域中，试图寻找频域中的高频信息来评价图像清晰度。

具体来说，该方法计算图像的高斯傅里叶变换，然后计算频率响应值的平均值作为清晰度指标。

虽然该方法可以处理大部分的图像，但需要进行复杂的傅里叶变换，计算量很大，不适用于实时处理。

3. 方差法方差法是一种基于图像对比度的图像清晰度评价函数。

该方法通过计算图像中所有像素值的方差，来评估图像的清晰度。

具体来说，该方法使用高斯差分滤波器来处理图像，并使用像素之间的相对差异计算方差。

虽然该方法计算简单，但并不适用于较暗或较亮的图像。

此外，像素之间的相对差异无法真实地反映图像内容，因此，结果可能会受到图像亮度和对比度的影响。

4. CN法CN法是一种基于卷积神经网络的图像清晰度评价函数。

该方法使用卷积神经网络来学习图像的清晰度特征，并使用学习到的特征来评估图像的清晰度。

该方法需要大量的训练数据，因此，准确性较高。

尽管如此，该方法的计算复杂度很高，不适用于实时处理。

此外，由于该方法在训练时需要大量的训练数据，因此，存在过拟合的问题。

总之，不同的图像清晰度评价函数各有优缺点。

图像清晰度评价函数的研究【摘要】本文探讨了图像清晰度评价函数的研究现状及未来发展趋势。

在研究背景中介绍了图像清晰度评价函数的重要性和应用场景，以及研究意义。

正文部分包括了图像清晰度评价函数的基本原理、常见评价函数及其性能评估方法。

还分析了图像清晰度评价函数的发展趋势和未来研究方向。

在结论部分对图像清晰度评价函数的重要性进行总结，并展望了未来的研究方向。

通过本文的探讨，可以更好地了解图像清晰度评价函数的研究现状，为未来的研究提供参考。

【关键词】图像清晰度评价函数、研究背景、研究意义、基本原理、常见评价函数、性能评估、发展趋势、未来研究方向、重要性总结、未来研究方向、结束语1. 引言1.1 研究背景在当今数字图像处理和计算机视觉的领域，图像清晰度评价函数是一项重要的研究课题。

随着数字图像在各个领域的广泛应用，如医学影像、安防监控、图像传感器等，图像的清晰度成为评价图像质量的一个重要指标。

而图像清晰度评价函数就是用来量化和评估图像的清晰度程度，帮助人们快速准确地判断图像的质量。

图像清晰度评价函数的研究旨在解决人眼主观评价存在差异性和不确定性的问题，通过客观的数学模型和算法来评价图像的清晰度。

这不仅可以提高图像处理的效率，也可以提高图像传输和存储的效率。

图像清晰度评价函数的研究具有重要的实际意义和应用前景。

随着人工智能和深度学习技术的快速发展，图像清晰度评价函数也在不断吸收新的理论和方法，不断完善和提升评价效果。

进行图像清晰度评价函数的研究具有重要的实践意义和学术意义，对于推动数字图像处理和计算机视觉技术的发展具有积极的意义。

1.2 研究意义图像清晰度评价函数的研究具有重要的意义，对于提高图像质量和视觉感知质量具有积极作用。

图像清晰度评价函数可以帮助我们客观地评价图像的清晰度，而非仅仅凭借主观感受。

通过量化指标来评价图像的清晰度，可以为图像处理和图像质量优化提供科学依据。

图像清晰度评价函数在图像处理领域有着广泛的应用。

halcon 模糊系数【Halcon模糊系数】引言：Halcon模糊系数是一种用于图像处理和计算机视觉领域的评估图像清晰度的指标。

它可以帮助评估图像或图像中某个区域的边缘模糊程度，常用于边缘检测和图像分割等应用。

本文将详细介绍Halcon模糊系数的定义、计算方法和应用，并探讨其优缺点及发展前景。

一、Halcon模糊系数的定义Halcon模糊系数是由国际视觉公司MVTec开发的一种图像模糊度量指标。

其定义基于图像的一阶梯度信息，通过计算图像中每个像素的梯度值来评估图像的清晰度。

具体而言，Halcon模糊系数是图像中每个像素梯度幅值与梯度方向的函数，其数学表达式如下：F(x) = f( ∇x ,α(x))其中，F(x)表示像素x的模糊系数，f是一个关于梯度幅值和梯度方向的函数，∇x 表示像素x的梯度幅值，α(x)表示像素x的梯度方向。

通过计算图像中所有像素的模糊系数并求平均值，可以得到整幅图像的模糊度量值。

二、Halcon模糊系数的计算方法Halcon模糊系数的计算方法可以分为以下几个步骤：1. 首先，需要对图像进行预处理，包括灰度化、平滑滤波和边缘增强等步骤。

这些步骤旨在提取图像的梯度信息，使得后续计算更加准确。

2. 然后，需要计算每个像素的梯度幅值和梯度方向。

梯度幅值可以通过Sobel、Prewitt或Roberts等算子来计算，而梯度方向则可以通过求反正切函数得到。

3. 接下来，根据梯度幅值和梯度方向来计算每个像素的模糊系数。

具体而言，需要根据预先定义好的函数f来计算模糊系数。

4. 最后，将所有像素的模糊系数进行求平均，即可得到整幅图像的模糊度量值。

三、Halcon模糊系数的应用Halcon模糊系数在图像处理和计算机视觉中有着广泛的应用。

以下是一些常见的应用场景：1. 边缘检测：Halcon模糊系数可以帮助评估图像中边缘的清晰度，从而实现准确的边缘检测。

通过设定一个适当的阈值，可以将清晰的边缘提取出来，而忽略模糊的区域。

基于熵的自动聚焦图像清晰度评价函数仿真分析潘雪娟;朱尤攀;浦恩昌;罗琳;曾邦泽;赵德利;李泽民;孙爱平【期刊名称】《红外技术》【年(卷),期】2016(038)010【摘要】基于图像处理的自动聚焦方法，图像清晰度评价函数的选择很重要。

图像熵函数作为清晰度评价函数在不同文献中有一些形式上的变化，且关于聚焦图像评价值对应函数极大值还是极小值的论断不统一。

本文详细整理了自动聚焦系统中图像信息熵的不同形式，比较分析它们的物理意义、数学原理，采用灰度图像，重点考虑离焦造成的图像模糊失真，在 Matlab 平台下仿真分析，得出的结论对具体自动聚焦系统设计时熵函数数学公式的选用和修正提供参考。

%In autofocus system based on image processing, selecting a high performance sharpness evaluation function is very important. Image entropy function has some difference in form when used as sharpness evaluation function, and conclusions of evaluation result of focused image should be maximum or minimum is not consistent. This paper summarized the different forms of image information entropy used in autofocus system, compared and analyzed their physical meaning and mathematical principle, then used gray images distorted mainly due to defocus. Under Matlab simulation and analysis, it gained conclusions that will offer reference to the selection and modification of entropy function form when designing a specific auto focus system.【总页数】7页(P838-844)【作者】潘雪娟;朱尤攀;浦恩昌;罗琳;曾邦泽;赵德利;李泽民;孙爱平【作者单位】昆明物理研究所，云南昆明 650223;昆明物理研究所，云南昆明650223; 微光夜视技术重点实验室，陕西西安 710065;昆明物理研究所，云南昆明 650223;昆明物理研究所，云南昆明 650223;昆明物理研究所，云南昆明650223;昆明物理研究所，云南昆明 650223;昆明物理研究所，云南昆明650223;昆明物理研究所，云南昆明 650223【正文语种】中文【中图分类】TN911.73【相关文献】1.基于小波变换的显微图像清晰度评价函数及3-D自动调焦技术 [J], 王义文;刘献礼;谢晖2.基于梯度计算的自动聚焦图像清晰度评价函数仿真分析 [J], 潘雪娟;朱尤攀;潘超;韩娟;李大庆;张皓;罗琳;李泽民3.基于SOBEL算子的图像清晰度评价函数研究 [J], 蒋婷;谭跃刚;刘泉4.基于图像清晰度评价函数与自动取窗对焦的目标视觉调焦算法 [J], 田文利5.基于图像清晰度评价函数的CCD摄像机自动调焦技术研究 [J], 王欣;安志勇;杨瑞宁因版权原因，仅展示原文概要，查看原文内容请购买。