초점의 자동화

오토포커스

오토포커스는 선명한 이미지를 위해 카메라 렌즈를 정확한 오브젝트 거리로 자동으로 조정하는 기능입니다. 오토포커스 시스템은 uEye LE AF 보드 레벨 카메라의 액체 렌즈 제어를 사용하여 다양한 거리들에 초점을 맞춥니다. "단일 촬영"모드에서, 자동 작동은 소프트웨어에 의해 시작되며 측정 창에서 최대 선명도를 찾을 때 까지만 작동합니다. 그런 다음 자체적으로 비활성화됩니다. "연속" 작동에서는, 이미지 선명도가 영구적으로 측정되고 그에 따라 렌즈가 재조정됩니다. 자동 제어는 폐쇄형 루프에서 호스트 PC의 이미지 데이터 분석을 기반으로 카메라 액체 렌즈를 제어합니다.

"폐쇄형 루프 오토포커스"를 사용하면, 액체 렌즈 및 픽셀 경로(콘트라스트, 비닝 등)의 설정이 이미지 콘텐츠에 직접적인 영향을 미치고, 따라서 이미지의 선명도 측정 결과에 영향을 줍니다. 이러한 평가는 다음 이미지가 획득되기 전에 액체 렌즈를 조정하기 위한 기초를 형성합니다. 이러한 이미지 기반 방법으로는 최적의 초점 값을 계산할 수 없으므로, 이미지 획득, 측정 및 초점 거리 조정을 포함한 폐쇄형 제어 루프를 반드시 먼저 여러 번 통과해야 합니다. 우선, 초점 값과 계산된 이미지 선명도로부터 결정된 여러 쌍들의 값의 분석은 관련 초점 피사계에서 가능한 최상의 (최대의) 이미지 선명도를 결정하기 위한 지표를 제공합니다.

이미지는 언제 초점이 맞춰지는가요?

이미지 선명도를 측정하는 여러 다른 방법들이 있지만, 그 방법들은 두 가지 기본적 원리에 기반합니다. 첫 번째 원리는 가장자리 선명도입니다. 인접한 픽셀들 사이의 큰 회색 값의 급격한 변화는 실제 이미지 콘텐츠에서 검색되어, 가장자리 또는 윤곽선이 강조 표시되도록합니다. 이러한 가장자리들의 콘트라스트를 통해 이미지의 선명도에 대한 결론을 도출할 수 있습니다. 가장자리 이미지가 명확할수록, 원본 이미지의 선명도가 더 높아집니다.

두 번째 원리는 이미지의 히스토그램 값 분석을 기반으로 합니다. 표준 편차는 이미지의 평균 회색 값 주변의 픽셀 값들 변화에 대한 측정 값을 계산하는 데 사용될 수 있습니다. 분산이 클수록, 기존 회색 값 가장자리와 이미지 콘트라스트가 더 높아집니다. 이미지의 초점이 맞지 않으면, 이전에 큰 회색 값의 급격한 변화(가장자리)는 램프 형태의 변화도를 추정합니다. 이미지의 변화와 그에 따른 콘트라스트가 감소합니다. 간단히 말하면: 이미지가 선명할수록, 그레이 스케일이 더 많이 퍼져 이미지의 콘트라스트가 더 높아집니다.

이미지 선명도 측정

그러나, 실제로, 오브젝트 표면은 광학 초점 측정에 이상적이지 않습니다. 이는 종종 신뢰할 수 없고, 불안정한 측정 결과를 초래합니다. 그러나, uEye 소프트웨어의 자동 작동 초점 기능은 다른 이미지 상황에 대해 다른 측정 방법을 제공합니다.

초점 자동의 "평균 점수"및 "Tenengrad" 알고리즘은 이미지 데이터를 분석하고 가장자리 선명도 원리를 사용합니다. 이를 위해, 그들은 바로 인접한 픽셀들과의 관계를 포함하여, 픽셀 단위로 분석합니다. "평균 점수"는 "Tenengrad" 보다 더 간단한 픽셀 계산과 더 작은 인접 픽셀들을 사용하는데, 이는 "Tenengrad" 알고리즘보다 약간 빠르지만 동시에 노이즈에 더 민감하게 만듭니다.

"히스토그램 편차"는 관심 영역(ROI)의 히스토그램 값을 사용하여 이미지 선명도를 결정합니다. 이 전체론적 접근 방식은 이 알고리즘에 필터 문자를 제공합니다. 선명도 한계는 측정 값 창에 명확한 곡선으로 표시됩니다. 소음은 결과에 단지 작은 영향을 미칩니다. 그러나, 검색된 초점 영역에 초점 최대값에 가까운 값들이 여러 개가 있는 경우, 이들은 히스토그램 편차로 명확하게 구분될 수 없습니다. 저역 통과와 마찬가지로, 알고리즘은 최대 값들을 커버링 커브로 "부드럽게" 만듭니다. "Tenengrad"및 "평균 점수"에서 더 작은 인접 픽셀 들의 분석은 회색 값 변경에 훨씬 더 명확한 영향을 미칩니다. 따라서 가장자리가 더 명확하게 보입니다. 두 알고리즘들 모두 명확하게 구분할 수 있는 개별적 최대값들을 보여주지만, 노이즈와 같은 간섭의 영향도 더 많이 받습니다.

컴퓨팅 원리가 다르기 때문에, 세 가지 알고리즘들은 이미지 당 선명도 값의 계산 시간도 다릅니다. 소벨 및 라플라스 필터와 같은 복잡한 픽셀 변환은, 예를 들어, 평균 회색 값으로부터 계산한 단순 표준 편차보다 더 높은 컴퓨팅 부하를 생성합니다. 더 큰 이미지 영역(대규모 관심 영역)을 분석하면 획득된 카메라 프레임 레이트를 빠르게 줄일 수 있습니다. 당신의 어플리케이션의 장면과 요구 사항들에 따라, 사용 가능한 알고리즘을 선택함으로써 측정 속도와 정확도에 영향을 미칠 수 있습니다. 계산 방법 "평균 점수" 및 "히스토그램 편차"는 평균 PC 하드웨어에서 시간이 관건인 계산에 더 적합합니다. 반면에, Tenengrad 계산 효율성은 더 큰 측정 창에서 달성 가능한 프레임 레이트를 빠르게 희생시킬 수 있습니다.

관심 영역 및 초점 범위 설정

선명도 측정은 일반적으로 관심 영역(여기서는 "측정 창"이라고 함)에서 수행됩니다. 이는 계산 시간을 단축하는 데 도움이 됩니다.

"정확한" 초점 수준에 대한 검색을 보다 정확하게 지정하려면 다음 옵션이 있습니다:

최대 선명도를 찾아 주세요.

초점 자동 작동의 목적은 캡처된 이미지의 측정 창에서 선명도 값이 가장 큰 초점 설정을 가능한 한 빨리 찾는 것입니다. 이를 찾기 위해, uEye 소프트웨어는 몇 가지 기본 피크 검색 알고리즘들을 제공하는데, 이러한 알고리즘들은 장면(이미지 콘텐츠) 또는 속도 및 품질에 대한 요구 사항에 따라서 적합한지 결정됩니다. 가장 신뢰할 수 있지만 가장 느린 방법은 각 초점 설정을 순차적으로 설정하고, 한 번에 한 장의 사진을 찍고, 그 선명도를 결정하는 것입니다. 최적의 선명도 값 검색 속도를 높이기 위해, 먼저 초점 설정(간격)을 건너 뛰어 다른 전략들에 따라서 "임의의 샘플들"만 채취합니다. 추가 실행에서만, "피크"의 위치가 찾아지면, 이것들은 더 보기 좋게 스캔됩니다. 개별 알고리즘은 중단 조건을 통해 검색 시간을 줄이지 만, 이것이 항상 최적의 결과로 이어지는 것은 아닙니다. 따라서 uEye 소프트웨어는 사용하려는 검색 전략을 선택할 수 있도록 합니다.

최대 검색의 정확성

히스테리시스는 최대 선명도 검색이 중지되는, 최소 단계 크기를 지정합니다. 이것은 또한 최대 검색의 달성 가능한 정확도를 결정합니다. "전체 스캔"에서만 히스테리시스는 전체 검색 영역을 스캔하는 데 사용되는 일정한 단계 크기를 지정합니다.