本发明涉及图像对焦技术领域，具体涉及一种基于量子粒子群优化算法的对焦方法。
背景技术
对焦主要包括三个基本部分，即聚焦区域选择，图像清晰度评价，以及搜索算法，传统的图像对焦技术有测距法，焦点检测法，相位对焦法，常用的聚焦区域选择算法有中心取窗，多点取窗，非均匀采样取窗，瞳孔跟踪法以及皮肤探测法，中心取窗对主体目标的成像位置不具备自适应能力；多点取窗引入了更多的背景，计算量更大，对焦速度变慢；非均匀采样取窗同样不具备自适应能力，并且大量的浮点数运算影响了对焦速度；瞳孔跟踪法则要求必须获取拍摄者的瞳孔信息，皮肤探测的使用范围则更小。为解决以上现有技术的不足，提出了一种基于量子粒子群优化算法的对焦方法。
技术实现要素：
本发明是为了解决上述问题而进行的，目的在于提供一种基于量子粒子群优化算法的对焦方法。
本发明提供了一种基于量子粒子群优化算法的对焦方法，用于在拍摄图像时进行图像的对焦，具有这样的特征，包括以下步骤：步骤1，采用多个位于三维空间中的粒子分别表示图像中像素点的灰度值，对每个粒子所代表的灰度值进行随机设定；
步骤2，将量子粒子群中粒子的初始位置按位置公式进行平均分布，得到位置初始化后的粒子；
步骤3，将图像的前景图像与背景图像的平均灰度值方差函数作为适应度函数，用于计算位置初始化后的粒子的适应度值，先利用量子粒子群优化算法根据适应度值进行初步寻优，得到次优值，再通过次优值结合邻域搜索法根据适应度值进一步寻优后找到适应度值的最优值，得到取得该最优值的粒子，并将该粒子所对应的灰度值作为最佳分割阀值；
步骤4，按照灰度值大于或等于最佳分割阈值的像素点作为前景图像、灰度值小于最佳分割阈值的像素点作为背景图像的规则对图像进行分割，得到分割后的前景图像和背景图像；
步骤5，计算出分割后的前景图像的灰度值重心并将该灰度值重心作为中心，选取长和宽均为图像长和宽的四分之一的区域作为聚焦区域；
步骤6，使用通过计算当前像素点与相邻像素点之间灰度值差值的绝对值之和从而评价清晰度的灰度差分法作为图像清晰度评价函数，根据该图像清晰度评价函数计算出的函数值来确定镜头的位置从而完成对焦，
其中，步骤6中包括以下子步骤：
步骤6-1，控制镜头从左至右以规定步长和规定速度遍历聚焦区域，每移动一步均获取当前位置的图像并计算当前位置的图像清晰度评价函数的函数值；
步骤6-2，设定i＝1，选取图像清晰度评价函数的函数值的最大处的前一步和后一步之间作为区域i，缩小规定步长并减慢规定速度后再次遍历区域i，每移动一步均获取当前位置的图像并计算当前位置函数值，求出当前位置与前一个位置的图像清晰度评价函数的函数值的差值并记录为差值集合i；
步骤6-3，设定i的数值加1，将差值集合i中差值最小的当前位置与前一个位置之间作为新的区域i，进一步缩小规定步长后遍历新的区域i，计算函数值，求出当前位置和前一个位置的差值并记录为新的差值集合i；
步骤6-4，重复步骤6-3，直至当前位置与前一个位置的差值小于预设值，将当前位置和前一个位置中函数值大的位置确定为镜头对焦的位置。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤1中的位置公式为：
imax表示图像中的最大灰度值，imin表示图像中的最小灰度值，n表示量子粒子群的规模，i表示粒子的数量。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤2中的适应度函数公式为：
σ2(t)＝ω0(u0-u)2+ω1(u1-u)2
ω0表示前景图像的像素点数占整幅图像的比例；u0表示前景图像的平均灰度；ω1表示背景图像的像素点数占整幅图像的比例；u1表示背景图像的平均灰度；u表示图像的平均总灰度；t表示前景图像和背景图像的分割阀值。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤4中的灰度值重心的计算公式为：
(xc，yc)表示灰度值重心的坐标；m、n分别为图像的长和宽；i、j表示像素点(i，j)的横、纵坐标值；g(i，j)表示像素点(i，j)当前的灰度值。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤5中的图像清晰度评价函数的公式为：
δxfk(x，y)＝fk(x，y)-fk(x-1，y)，
δxfk(x，y)＝fk(x，y)-fk(x，y-1)，
x、y表示像素点(x，y)的横、纵坐标值；fk(x，y)表示像素点(x，y)当前的灰度值。
发明的作用与效果
根据本发明所涉及的一种基于量子粒子群优化算法的对焦方法，因为使用了量子粒子群优化算法，所以在选取聚焦窗口的过程中能够使得边缘信息丰富的区域作为聚焦区域，具有自适应能力，提高了对焦的实时性和准确性，并且有效减少了背景噪声的干扰。因为采用的爬山算法利用了极值附近变化率更加缓慢的特点，所以提高了对焦的准确性。因此本发明的一种基于量子粒子群优化算法的对焦方法具有自适应能力，实时性强，准确度高，能够更精确的完成对焦。
附图说明
图1是本发明的实施例中的基于量子粒子群优化算法的对焦方法的对焦流程示意图；
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
实施例：
图1是本发明的实施例中的基于量子粒子群优化算法的对焦方法的对焦流程示意图。
如图1所示，基于量子粒子群优化算法的对焦方法包括以下步骤：
步骤1，采用多个位于三维空间中的粒子分别表示图像中像素点的灰度值，对每个粒子所代表的灰度值进行随机设定；
步骤2，将量子粒子群中粒子的初始位置按位置公式进行平均分布，得到位置初始化后的粒子；
位置公式为：
imax表示图像中的最大灰度值，imin表示图像中的最小灰度值，n表示量子粒子群的规模，i表示粒子的数量。
步骤3，将图像的前景图像与背景图像的平均灰度值方差函数作为适应度函数，用于计算位置初始化后的粒子的适应度值，先利用量子粒子群优化算法根据适应度值进行初步寻优得到次优值，再通过次优值结合邻域搜索法根据适应度值进一步寻优后找到适应度值的最优值，得到取得该最优值的粒子，并将该粒子所对应的灰度值作为最佳分割阀值；
领域搜索法包括以下步骤：
步骤1，将取得的次优值定义为jgd，取得该次优值的粒子位置定义为pgd，定义n为邻域搜索有效步数，n为邻域搜索最大有效步数，求pgd的右邻位置pgd+1对应的适应度值jgd+1，求pgd的左邻位置pgd-1对应的适应度值jgd-1，同时进行右邻搜索和左邻搜索；
步骤2，进行右邻搜索，若在右邻位置寻得更优值，即jgd+1>jgd，则终止左邻搜索，并令jgd＝jgd+1，pgd＝pgd+1，n＝0，然后继续右邻搜索，若jgd+1<jgd，则n＝n+1，然后将pgd+2作为新的右邻，继续右邻搜索；
步骤3，进行左邻搜索，若在左邻位置寻得更优值，即jgd-1>jgd，则终止右邻搜索，并令jgd＝jgd-1，pgd＝pgd-1，n＝0，然后继续左邻搜索，若jgd-1＜jgd，则n＝n+1，然后将pgd-2作为新的左邻，继续左邻搜索；
步骤4：当连续n次邻域搜索都无更优值时，即n≥n时，终止搜索，此时jgd即为适应度值的最优值，pgd为最优粒子位置。
适应度函数公式为：
σ2(t)＝ω0(u0-u)2+ω1(u1-u)2
ω0表示前景图像的像素点数占整幅图像的比例；u0表示前景图像的平均灰度；ω1表示背景图像的像素点数占整幅图像的比例；u1表示背景图像的平均灰度；u表示图像的平均总灰度；t表示前景图像和背景图像的分割阀值。
步骤4，按照灰度值大于或等于最佳分割阈值的像素点作为前景图像、灰度值小于最佳分割阈值的像素点作为背景图像的规则对图像进行分割，得到分割后的前景图像和背景图像；
步骤5，计算出分割后的前景图像的灰度值重心并将该灰度值重心作为中心，选取长和宽均为图像长和宽的四分之一的区域作为聚焦区域；
灰度值重心的计算公式为：
(xc，yc)表示灰度值重心的坐标；m、n分别为图像的长和宽；i、j表示像素点(i，j)的横、纵坐标值；g(i，j)表示像素点(i，j)当前的灰度值。
步骤6，使用通过计算当前像素点与相邻像素点之间灰度值差值的绝对值之和从而评价清晰度的灰度差分法作为图像清晰度评价函数，根据该图像清晰度评价函数计算出的函数值来确定镜头的位置从而完成对焦；
图像清晰度评价函数的公式为：
δxfk(x，y)＝fk(x，y)-fk(x-1，y)，
δxfk(x，y)＝fk(x，y)-fk(x，y-1)，
x、y表示像素点(x，y)的横、纵坐标值；fk(x，y)表示像素点(x，y)当前的灰度值。
其中，步骤6中包括以下子步骤：
步骤6-1，控制镜头从左至右以规定步长和规定速度遍历聚焦区域，每移动一步均获取当前位置的图像并计算当前位置的图像清晰度评价函数的函数值；
步骤6-2，设定i＝1，选取图像清晰度评价函数的函数值的最大处的前一步和后一步之间作为区域ⅰ，缩小规定步长并减慢规定速度后再次遍历区域ⅰ，每移动一步均获取当前位置的图像并计算当前位置函数值，求出当前位置与前一个位置的图像清晰度评价函数的函数值的差值并记录为差值集合ⅰ；
步骤6-3，设定i的数值加1，将差值集合ⅰ中差值最小的当前位置与前一个位置之间作为新的区域i，进一步缩小规定步长后遍历新的区域ⅰ，计算函数值，求出当前位置和前一个位置的差值并记录为新的差值集合ⅰ；
步骤6-4，重复步骤6-3，直至当前位置与前一个位置的差值小于预设值，将当前位置和前一个位置中函数值大的位置确定为镜头对焦的位置。
实施例的作用与效果
根据本实施例所涉及的一种基于量子粒子群优化算法的对焦方法，因为使用了量子粒子群优化算法，所以在选取聚焦窗口的过程中能够使得边缘信息丰富的区域作为聚焦区域，具有自适应能力，提高了对焦的实时性和准确性，并且有效减少了背景噪声的干扰。因为采用的爬山算法利用了极值附近变化率更加缓慢的特点，所以提高了对焦的准确性。因此本实施例的一种基于量子粒子群优化算法的对焦方法具有自适应能力，实时性强，准确度高，能够更精确的完成对焦。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。