传统的自动聚焦可分为主动式自动聚焦和被动式自动聚焦两类。主动式自动聚焦是利用发射红外线或超声波来度量被摄物的距离，自动聚焦系统根据所获得的距离资料驱动镜头调节像距，从而完成自动聚焦；被动式自动聚焦是通过接受来自被摄物的光线，以电子视测或相位差检测的方式完成自动聚焦。

    随着计算机技术的发展和数字图像处理理论的日益成熟，自动聚焦技术进入一个新的数字时代，越来越多的自动聚焦算法基于图像处理理论，改变以往用测量相机与被摄物体之间的距离来进行聚焦的方法。传统的方法不仅使系统庞大笨重，而且有时还不准确。数字图像处理理论认为，图像聚焦程度(即图像是否清晰)主要由光强分布中高频分量的多少决定。高频分量少则图像模糊，高频分量丰富则图像清晰，在空域表现为图像的对比度变化明显[1]。本文就是利用这一特点，提出了一种改进的灰度差分法作为图像清晰度评价函数实现自动聚焦系统的方法。实验表明，该系统成本低、聚焦速度快，且效果良好、应用范围广泛。

1 图像清晰度评价函数

    理想的图像清晰度评价函数应该具有以下特性[2]：(1)无偏性，即只有在聚焦处评价函数才取极值；(2)单峰性，即评价函数只有一个极值点；(3)高信噪比，即在较高的干扰条件下，保证系统能够正确检测到离焦信号；(4)计算量小，即能通过较少的计算，快速得出评价函数的结果。

1.1 传统的图像清晰度评价函数

    传统的评价函数分为以下几类：

    (1)灰度变化函数。聚焦图像比离焦图像包含更多的灰度变化，这样图像灰度值的变化可以作为评价函数。

    (2)梯度函数。在图像处理中，图像梯度可以用来进行边缘提取。离焦量越小，图像边缘越锋利，应该具有很大的图像梯度值。因此，图像的梯度变化也可以作为评价函数。    (3)图像灰度熵函数。聚焦图像的信息熵要大于离焦图像的信息熵。因此，图像的灰度熵也可以作为评价函数。

    (4)频域类函数。这类函数主要基于傅里叶变换，傅里叶变换的高频分量对应着图像边缘，而聚焦图像总是具有锋利的边缘，即包含着更多的高频分量，这样可以根据图像傅里叶变换后高频分量含量的多少作为评价函数。

1.2 改进的图像清晰度评价函数

    常用的聚焦评价函数有以下几种方法：高频分量法、平滑法、阈值积分法、灰度差分法、拉普拉斯像能函数等。这里主要介绍灰度差分法。灰度差分法[3]是一种形式简单但很有效的聚焦评价函数，它利用图像的相邻像素差的绝对值之和作为聚焦评价函数，即：

当图像聚焦清晰时，F(x，y)最大。

    但是，对于亮度变化比较均匀的图像，灰度差分法计算所得的数据值之间差异较小，经常出现不符合单调要求的点，其聚焦效果不好，不能明显反应出镜头在不同位置上获得的图像质量。因此，本文提出了一种改进的方法作为图像的清晰度评价函数，即将一场图像所有像素的亮度值与周围相近像素的亮度值差的平方和作为图像的聚焦评价函数，计算相邻同场图像评价函数的值，根据比较结果由单片机控制步进电机的转动方向和步数，从而实现自动聚焦。实验表明，该方法很好地解决了灰度差分法经常出现不单调的缺点，聚焦效果良好。改进的聚焦评价函数如下：