ヒストグラム範囲を除くすべてのアルゴリズムが良好な結果を出しました。いくつかのアルゴリズムはわずかに変更されています。たとえば、Y方向とY方向の両方で輝度差を使用します。また、StdevBasedCorrelation、Entropy、ThresholdedContent、ImagePower、ThresholdedImagePowerアルゴリズムの符号を変更して、フォーカス位置で最小値ではなく最大値を取得する必要がありました。アルゴリズムは、R = G = Bの24ビットのグレースケール画像を期待しています。カラー画像で使用すると、青のチャンネルのみが計算されます（もちろん簡単に修正できます）。
低残留合計で狭いピークが得られた係数は、それはThresholdedSqことに注意することは興味深いですuaredGradientアルゴリズムとThresholdedBrennerGradientアルゴリズムは、ほぼ平坦な線の位置、x2係数、残差平方和を持ちます。これらは閾値の変化に対して非常に鈍感です。アルゴリズムの 実装：
public unsafe List<Result> CalculateFocusValues(string filename)
{
using(Bitmap bmp = new Bitmap(filename))
{
int width = bmp.Width;
int height = bmp.Height;
int bpp = Bitmap.GetPixelFormatSize(bmp.PixelFormat)/8;
BitmapData data = bmp.LockBits(new Rectangle(0, 0, width, height), ImageLockMode.ReadOnly, bmp.PixelFormat);
long sum = 0, squaredSum = 0;
int[] histogram = new int[256];
const int absoluteGradientThreshold = 148;
long absoluteGradientSum = 0;
long thresholdedAbsoluteGradientSum = 0;
const int squaredGradientThreshold = 64;
long squaredGradientSum = 0;
long thresholdedSquaredGradientSum = 0;
const int brennerGradientThreshold = 184;
long brennerGradientSum = 0;
long thresholdedBrennerGradientSum = 0;
long autocorrelationSum1 = 0;
long autocorrelationSum2 = 0;
const int contentThreshold = 35;
long thresholdedContentSum = 0;
const int pixelCountThreshold = 76;
long thresholdedPixelCountSum = 0;
const int imagePowerThreshold = 40;
long imagePowerSum = 0;
long thresholdedImagePowerSum = 0;
for(int row = 0; row < height - 1; row++)
{
for(int col = 0; col < width - 1; col++)
{
int current = *((byte *) (data.Scan0 + (row + 0) * data.Stride + (col + 0) * bpp));
int col1 = *((byte *) (data.Scan0 + (row + 0) * data.Stride + (col + 1) * bpp));
int row1 = *((byte *) (data.Scan0 + (row + 1) * data.Stride + (col + 0) * bpp));
int squared = current * current;
sum += current;
squaredSum += squared;
histogram[current]++;
int colDiff1 = col1 - current;
int rowDiff1 = row1 - current;
int absoluteGradient = Math.Abs(colDiff1) + Math.Abs(rowDiff1);
absoluteGradientSum += absoluteGradient;
if(absoluteGradient >= absoluteGradientThreshold)
thresholdedAbsoluteGradientSum += absoluteGradient;
int squaredGradient = colDiff1 * colDiff1 + rowDiff1 * rowDiff1;
squaredGradientSum += squaredGradient;
if(squaredGradient >= squaredGradientThreshold)
thresholdedSquaredGradientSum += squaredGradient;
if(row < bmp.Height - 2 && col < bmp.Width - 2)
{
int col2 = *((byte *) (data.Scan0 + (row + 0) * data.Stride + (col + 2) * bpp));
int row2 = *((byte *) (data.Scan0 + (row + 2) * data.Stride + (col + 0) * bpp));
int colDiff2 = col2 - current;
int rowDiff2 = row2 - current;
int brennerGradient = colDiff2 * colDiff2 + rowDiff2 * rowDiff2;
brennerGradientSum += brennerGradient;
if(brennerGradient >= brennerGradientThreshold)
thresholdedBrennerGradientSum += brennerGradient;
autocorrelationSum1 += current * col1 + current * row1;
autocorrelationSum2 += current * col2 + current * row2;
}
if(current >= contentThreshold)
thresholdedContentSum += current;
if(current <= pixelCountThreshold)
thresholdedPixelCountSum++;
imagePowerSum += squared;
if(current >= imagePowerThreshold)
thresholdedImagePowerSum += current * current;
}
}
bmp.UnlockBits(data);
int pixels = width * height;
double mean = (double) sum/pixels;
double meanDeviationSquared = (double) squaredSum/pixels;
int rangeMin = 0;
while(histogram[rangeMin] == 0)
rangeMin++;
int rangeMax = histogram.Length - 1;
while(histogram[rangeMax] == 0)
rangeMax--;
double entropy = 0.0;
double log2 = Math.Log(2);
for(int i = rangeMin; i <= rangeMax; i++)
{
if(histogram[i] > 0)
{
double p = (double) histogram[i]/pixels;
entropy -= p * Math.Log(p)/log2;
}
}
return new List<Result>()
{
new Result("AbsoluteGradient", absoluteGradientSum),
new Result("ThresholdedAbsoluteGradient", thresholdedAbsoluteGradientSum),
new Result("SquaredGradient", squaredGradientSum),
new Result("ThresholdedSquaredGradient", thresholdedSquaredGradientSum),
new Result("BrennerGradient", brennerGradientSum),
new Result("ThresholdedBrennerGradient", thresholdedBrennerGradientSum),
new Result("Variance", meanDeviationSquared - mean * mean),
new Result("Autocorrelation", autocorrelationSum1 - autocorrelationSum2),
new Result("StdevBasedCorrelation", -(autocorrelationSum1 - pixels * mean * mean)),
new Result("Range", rangeMax - rangeMin),
new Result("Entropy", -entropy),
new Result("ThresholdedContent", -thresholdedContentSum),
new Result("ThresholdedPixelCount", thresholdedPixelCountSum),
new Result("ImagePower", -imagePowerSum),
new Result("ThresholdedImagePower", -thresholdedImagePowerSum),
new Result("JpegSize", new FileInfo(filename).Length),
};
}
}
public class Result
{
public string Algorithm { get; private set; }
public double Value { get; private set; }
public Result(string algorithm, double value)
{
Algorithm = algorithm;
Value = value;
}
}
それらは0と1（scaled = (value - min)/(max - min)）の間の値にスケーリングされた異なるアルゴリズムの焦点値をプロットし、比較することができるようにします。 ±20μmの範囲のためのすべてのアルゴリズムの
プロット：
：
0 µm | 20 µm
物事は±50μmの範囲のために非常に似ています
物事をより面白くし500μm±の範囲を使用して
0 µm | 50 µm
。 4つのアルゴリズムは、4次多項式形状の多くを示し、他のアルゴリズムは、ガウス関数のように見えるようになります。また、ヒストグラム範囲アルゴリズムは、より小さな範囲よりも優れた性能を発揮します。全体的に
0 µm | 500 µm
私は非常にこれらの簡単なアルゴリズムの性能と一貫性に感銘を受けています。肉眼では、50μmの画像でさえも焦点が合っていないが、アルゴリズムはわずか数ミクロン離れた画像を比較しても問題がないことは明らかです。
のために働くのだろうか？信号対ノイズ比が小さすぎますか？ –
さて、私はちょうど、基本的なアルゴリズムは、0,5と10μmの画像の間の有効な違いを検出しないと仮定しました。しかし、私はちょうど今いくつかを試して、実際にはかなり有望な結果を得ました。 1μm離れたところにもっと多くの画像を取得し、結果がまだ飽和しているかどうかを確認します。 – Anlo