第五章 自動對焦系統之線上測試與實作
5.1 離散差分預測模型與粗搜尋
由於本論文所提出之對焦搜尋演算法可區分為兩部分：粗搜尋與細 搜尋。所以我們將先運用 DDEPM 於粗搜尋之線上測試，用以測試 DDEPM 於對焦曲線之預測能力，之後再將整體演算法代入自動對焦系 統之中。圖 5-2 到圖 5-12 為一系列測試的結果(下列圖中皆以•代表所讀 取到的原始點資料)，以下測試環境皆在室內且燈光充足之條件下。
圖 5-1 待測物件(一)
圖 5-2 待測物件(一)與對焦曲線
圖 5-3 待測物件(一)之粗搜尋對焦區域
圖 5-4 待測物件(一)之 DDEPM 預測曲線
由圖 5-2、圖 5-3 與圖 5-4 的結果可以看出使用 DDEPM 在粗搜尋上的效能 是十分準確且有效率的，本實驗所找到的對焦區域在位置 125。
圖 5-5 待測物件(二)
圖 5-6 待測物件(二)與對焦曲線
圖 5-7 待測物件(二) 之粗搜尋對焦區域
圖 5-8 待測物件(二)之 DDEPM 預測曲線
由圖 5-6 可以發現該物件的理想對焦位置應該在位置 110 左右，圖 5-7 為 本論文所設計的粗搜尋法所搜尋出對焦區域的位置，圖 5-8 為預測曲線。
圖 5-9 待測物件(三)
圖 5-10 待測物件(三)與對焦曲線
圖 5-11 待測物件(三) 之粗搜尋對焦區域
圖 5-12 待測物件(三)之 DDEPM 預測曲線
由圖 5-10 可以發現該物件的理想對焦位置應該在位置 105 左右，圖 5-11 為本論文所設計的粗搜尋法所搜尋出對焦區域的位置，圖 5-12 為預測曲 線。
由上列之實驗結果可以發現將 DDEPM 實際用於數位相機之粗搜尋上 其效能相當不錯且具實用性，其所搜尋出的搜尋區域也十分逼近理想對焦 點之位置。接下來，我們將把完整的演算法寫入數位相機的對焦系統中進 行整體效能的測試。
5.2 自動對焦搜尋演算法線上測試
由上一章節的實驗結果，我們可以得知 DDEPM 實際用於粗搜尋的情 況下，其所搜尋出的對焦區域十分逼近理想位置。由於先前的粗搜尋已將 對焦點侷限於對焦區域內。所以，我們將搭配區間二分搜尋法(細搜尋之演 算法)，藉由縮小對焦區域以找到最佳的對焦位置。接下來的實驗數據可以 呈現整體演算法的工作效能與準確性(下列圖中皆以•代表所讀取到的原 始點資料；＊代表對焦點位置) ，以下測試環境皆在室內且燈光充足之 條件下。
圖 5-13 待測物件(四)
圖 5-14 待測物件(四)與對焦曲線(對焦點 111)
圖 5-15 待測物件(四)之 DDEPM 預測曲線
圖 5-16 待測物件(四)之對焦搜尋曲線(對焦點 115)
圖 5-17 待測物件(五)
圖 5-18 待測物件(五)與對焦曲線(對焦點 115)
圖 5-19 待測物件(五)之 DDEPM 預測曲線
圖 5-20 待測物件(五)之對焦搜尋曲線(對焦點 117)
由於先前粗搜尋的步驟已將對焦點正確地侷限於對焦區域內，所以在 此使用區間二分法(細搜尋)能正確且快速的找到對焦位置。就整體效能而 言，本論文演算法所找尋到的對焦點位置離整條對焦曲線最高點位置僅僅 相差數步的間距，就實際拍照的效果而言，該位置所擷取到影像的成像品 質與最高點所擷取到影像的成像品質是沒有差別的。下一章節，我們將針 對該演算法於工作時的穩定性作一系列的測試(針對相同物件連續測試，求 其對焦位置與所需時間)。
5.3 自動對焦搜尋演算法線上測試與相關效能數值統計
本章節將針對相同物件連續測試十次，統計相關參數且與實際的對焦 曲線作一比較(比較對焦點位置)並計算其所需之對焦時間。(下圖中以•代 表所讀取到的原始點資料；＊代表對焦點位置) ，以下測試環境皆在室 內且燈光充足之條件下。
圖 5-21 待測物件(六)
圖 5-22 待測物件(六)與對焦曲線(對焦點 116)
圖 5-23 待測物件(六)之對焦搜尋曲線(對焦點 117)
圖 5-24 待測物件(六)之對焦搜尋曲線(對焦點 118)
圖 5-25 待測物件(六)之對焦搜尋曲線(對焦點 118)
圖 5-26 待測物件(六)之對焦搜尋曲線(對焦點 120)
圖 5-27 待測物件(六)之對焦搜尋曲線(對焦點 118)
圖 5-28 待測物件(六)之對焦搜尋曲線(對焦點 118)
圖 5-29 待測物件(六)之對焦搜尋曲線(對焦點 118)
圖 5-30 待測物件(六)之對焦搜尋曲線(對焦點 118)
圖 5-31 待測物件(六)之對焦搜尋曲線(對焦點 115)
圖 5-32 待測物件(六)之對焦搜尋曲線(對焦點 118)
其相關統計數據，如表 5-1 所示。
表 5-1 自動對焦搜尋演算法效能統計表 global max point=116
experiment number focus point sampling points backlash search time
1 117 17 1 368(ms)
2 118 17 2 384(ms)
3 118 17 2 384(ms)
4 120 18 2 410(ms)
5 118 17 2 384(ms)
6 118 17 2 384(ms)
7 118 17 2 384(ms)
8 118 17 1 366(ms)
9 115 17 2 394(ms)
10 118 17 2 384(ms)
average value 117.8 17.1 1.8 384.2(ms) 由上列之統計數據可以發現，本論文所設計之自動對焦搜尋演算法 對於減少 backlash 次數有相當顯著的成效且其平均搜尋時間也大約只有 385ms，其搜尋到之最佳對焦點離整條對焦曲線之最佳點亦相差不遠。
經由實際的實驗驗證(本實驗實際用數位相機進行測試)，離散差分預測 模型用於粗搜尋之成效相當良好，且計算相當簡易並不會增加運算上之 負擔，再搭配區間二分法所找尋到之對焦點亦是位於合理的範圍之內。
就使用者而言，本論文設計之演算法所找到對焦點的成像品質並不會有 所損失，但相機的計算量卻可大幅下降且經由實驗驗證確實可行。
