本发明涉及数据处理，具体是指一种数字化自动聚焦方法。
背景技术：
1、数字化自动聚焦方法的目的是实现在不同情况下获得清晰的图像。但是一般聚焦方法存在信号处理的稳定性和一致性差，无法保留保留图像的结构信息，导致全相位频谱准确性差的问题；一般聚焦方法存在重构图像存在噪声干扰，聚焦区域和散焦区域在视觉上相似导致区分聚焦区域和散焦区域复杂，从而导致聚焦重构图像效果差的问题；针对一般聚焦方法存在权重参数设置不当导致重构效果差的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种数字化自动聚焦方法，针对一般聚焦方法存在信号处理的稳定性和一致性差，无法保留保留图像的结构信息，导致全相位频谱准确性差的问题，本方案将信号转换后的子向量循环移位并填充求和，对新序列进行傅里叶变换，得到全相位频谱，基于相位一致性因子、圆形相干性因子和符号相干因子对信号进行评估，提高信号处理的质量和可靠性；综合考量频域信息和各因子提高重构效果；针对一般聚焦方法存在重构图像存在噪声干扰，聚焦区域和散焦区域在视觉上相似导致区分聚焦区域和散焦区域复杂，从而导致聚焦重构图像效果差的问题，本方案通过扩散过程添加高斯噪声，基于特征差分进行焦点测量，并区分焦点像素和散焦像素；实现多焦点图像融合任务，得到最终的聚焦重构图像；针对一般聚焦方法存在权重参数设置不当导致重构效果差的问题，本方案基于引力搜索改进粒子群搜索算法，基于模型损失值得到适应度值，并设计结果力因子；并基于个体适应度值设计移动策略，实现自适应搜索，提高搜索效率，寻找最佳参数。
2、本发明采取的技术方案如下：本发明提供的一种数字化自动聚焦方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：获取全相位频谱；
5、步骤s3：初步重构；
6、步骤s4：建立去噪模型；
7、步骤s5：超参数搜索。
8、进一步地，在步骤s1中，所述数据采集是采集原始信号数据和噪声数据。
9、进一步地，在步骤s2中，所述获取全相位频谱具体包括以下步骤：
10、步骤s21：信号转换，将奇数信号s转换成子向量，其中向量的数量和维度均为m，表示如下：
11、；
12、式中，yk(n)是生成的子向量，s(n+m-k)是从信号序列s中选择索引为n+m-k的样本值；k表示子向量的索引，n表示子向量中的元素索引；
13、步骤s22：循环移位，对于这m个向量中的每个向量都进行循环移位，确保样本被定位到序列的第一个位置，表示如下：
14、；
15、式中，是经过循环移位后的子向量；ek和em-k分别是维度为k和m-k的单位矩阵；
16、步骤s23：填充求和，针对每个子向量中的每个元素，根据不同的区间条件，选择不同的样本进行填充，表示如下：
17、；
18、式中，是填充后第n个向量元素；s(n+m-1)和s(n-1)分别是从信号序列s中选择索引为n+m-1和n-1的样本值；
19、步骤s24：傅里叶变换，对填充后的向量元素求和得到新的序列，对新序列进行傅里叶变换，得到全相位频谱，所用公式如下：
20、；
21、；
22、式中，y(f)是全相位频谱，表示对新序列进行傅里叶变换后得到的频域信息，f是频率；yap(n)是求和后得到的序列；是相位角度；j是虚数单位。
23、进一步，在步骤s3中，所述初步重构具体包括以下步骤：
24、步骤s31：计算相位一致性因子，通过将相位视为线性变量在[−π,π]区间内进行构建，表示如下：
25、；
26、式中，fpcf是相位一致性因子；是相位值；std(·)是标准差；σ0是参考相位标准差；
27、步骤s32：计算圆形相干性因子，基于阵列信号的相位方差，构建圆形相干性因子，表示如下：
28、；
29、式中，fccf是圆形相干性因子；var(·)是方差；
30、步骤s33：计算符号相干因子，基于相位信息的极化标准差构建，表示如下：
31、；
32、式中，fscf是符号相干因子；sign(·)是符号函数；i和j分别是相位矩阵行和列的索引；n是相位数量；
33、步骤s34：初步重构，加权重构像素值，所用公式如下：
34、；
35、式中，newtfm是初步重构像素值；α、β和γ是加权系数；tfm(x,z)是原始像素值，x和z是空间坐标。
36、进一步地，在步骤s4中，所述建立去噪模型具体包括以下步骤：
37、步骤s41：构建去噪模块，具体包括：
38、步骤s411：扩散过程描述，通过调节方差调度参数，逐渐向输入图像引入高斯噪声，产生带有噪声的数据点，表示如下：
39、；
40、；
41、式中，是给定输入的起始图像数据点x0的条件下，生成数据点xt的概率分布；n(·)是高斯分布；是从第一步到第t步的噪声累积效应的乘积；i是单位矩阵；ε是潜在分布中产生的噪声；t是时间步；
42、步骤s412：定义去噪目标函数，通过比较实际引入的噪声ε和预测的噪声εθ来优化噪声预测器的参数，以产生更逼真的噪声预测结果；表示如下：
43、；
44、式中，是目标期望；
45、步骤s413：调整块，在去噪模块的设计中，需要在来自去噪模块中的块{5,6,7,8}的特征图馈送至分类器之前，整合不同大小的特征图，以便进行后续的特征提取和分类，为了实现这一目标，进行调整大小，包括：
46、步骤s4131：将近焦图像和远焦图像的特征图分别表示为ffar和fnear；维度为；其中，r是特征图数量，h是特征图高度，w是特征图宽度，n是通道数；
47、步骤s4132：采用全局平均池化对特征图进行操作，得到新特征图f，维度为；通过reshape操作将f重塑为，维度为，具有一个单一通道，与输入图像的维度对齐；
48、步骤s4133：通过减法操作得到差异特征图，即，其中是特征差异图；和分别是经过重塑操作后的远距离特征图中和近距离特征图中第i个通道的特征；得到四组差异特征图；
49、步骤s4134：将四组差异特征图连接成一个3d张量，；其中，是连接后的3d张量；、、和分别是第5、6、7和8个通道的差异特征图；将连接后的差异特征图输入到像素级分类器中，使用多层感知机实现；
50、步骤s4135：汇总所有像素级预测，形成一个决策图；
51、步骤s42：编码器设计，编码器架构是一个改进的u-net，具有八个阶段，融合了wideresnet模块和自注意力模块，并在最初的两个阶段中排除了自注意力模块；特征图在最后的四个阶段生成，以便实现特征差异分类器；
52、步骤s43：设计损失函数，通过加权将bce和dice损失函数组合为总损失函数，表示如下：
53、；
54、式中，ltotal(·)是总损失函数，d是去噪后的图像，gt是初步重构图像；α1和β1是损失权重；lbce(·)和ldice(·)分别是二进制交叉熵损失函数和dice损失函数；
55、步骤s44：融合方案，决策图中的数值范围都在0到1之间，代表了焦点概率；在进行融合之前，进行二值化，以确定融合像素来自哪个图像；二值化结果将被阈值分割，将阈值设置为0.5，表示如下：
56、；
57、式中，dout(x,y)是经过二值化处理后的决策图的像素值，x和y是位置索引；d(·)是决策图中位置的原始概率值；
58、步骤s45：小区域去除，在焦点和非焦点区域之间存在非常接近的像素，对这些像素的判断需要更加宽松，采用小区域去除处理；计算小区域的面积；并设置阈值进行筛选，最终移除低于阈值的小区域；
59、步骤s46：引入模糊决策图，通过对决策图进行模糊处理，使得决策图边界处的数值降低，将远焦和近焦图像的边界结果加权求和产生更平衡的最终边界融合效果；表示如下：
60、；
61、；
62、式中，是边界融合结果；是模糊运算；g(x,y;σ)是高斯滤波函数；σ为高斯滤波的标准差；和分别是远焦图像像素值和近焦图像像素值；ifuse是融合像素值。
63、进一步地，在步骤s5中，所述超参数搜索是对步骤s3和步骤s4涉及的超参数进行优化，寻找最佳参数，步骤s3和步骤s4仅介绍运行方案，但聚焦效果还取决于参数的设置，用步骤s5搜索最佳参数；具体包括以下步骤：
64、步骤s51：创建搜索种群，基于步骤s3的加权系数、步骤s4的损失权重及模块初始权重和偏置设置搜素空间；随机初始化搜索粒子；将基于粒子位置得到的初步重构图像输出值模型后，迭代k次的模型损失函数值的倒数作为粒子个体的预适应度值；将种群的预适应度值归一化处理，得到最终的个体适应度值；
65、步骤s52：设计结果力因子，所用公式如下：
66、；
67、式中，是第i个粒子第d维度的结果力因子，k是当前迭代次数；mqbest是适应度顺序排名前50%的粒子集合，n是集合中粒子数量；rj是0到1的随机数；是第j个粒子对第i个粒子在第d维度的引力；li(·)是基于粒子位置得到的初步重构图像输出值模型后，迭代k次的模型损失函数值的归一化值；
68、步骤s53：设计移动策略，基于
69、；
70、；
71、式中，、分别是第i个粒子第d维度的速度和位置；η是学习率；fi和fmax分别是个体适应度值和种群最优适应度值；c1和c2是相互独立的0到1的随机数；rk和rm分别是局部因子和全局因子；和分别是d维度的个体历史最优位置和种群最优位置；
72、步骤s54：搜索判定，预先设有适应度阈值，当存在个体适应度值高于适应度阈值时，超参数搜索结束，个体位置表示的参数即所要设置的超参数；若达到最大迭代次数，则重新初始化种群位置；否则继续迭代搜索。
73、采用上述方案本发明取得的有益效果如下：
74、（1）针对一般聚焦方法存在信号处理的稳定性和一致性差，无法保留保留图像的结构信息，导致全相位频谱准确性差的问题，本方案将信号转换后的子向量循环移位并填充求和，对新序列进行傅里叶变换，得到全相位频谱，基于相位一致性因子、圆形相干性因子和符号相干因子对信号进行评估，提高信号处理的质量和可靠性；综合考量频域信息和各因子提高重构效果。
75、（2）针对一般聚焦方法存在重构图像存在噪声干扰，聚焦区域和散焦区域在视觉上相似导致区分聚焦区域和散焦区域复杂，从而导致聚焦重构图像效果差的问题，本方案通过扩散过程添加高斯噪声，基于特征差分进行焦点测量，并区分焦点像素和散焦像素；实现多焦点图像融合任务，得到最终的聚焦重构图像。
76、（3）针对一般聚焦方法存在权重参数设置不当导致重构效果差的问题，本方案基于引力搜索改进粒子群搜索算法，基于模型损失值得到适应度值，并设计结果力因子；并基于个体适应度值设计移动策略，实现自适应搜索，提高搜索效率，寻找最佳参数。
1.一种数字化自动聚焦方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种数字化自动聚焦方法，其特征在于：在步骤s2中，所述获取全相位频谱具体包括以下步骤：
3.根据权利要求1所述的一种数字化自动聚焦方法，其特征在于：在步骤s4中，所述建立去噪模型具体包括以下步骤：
4.根据权利要求1所述的一种数字化自动聚焦方法，其特征在于：在步骤s3中，所述初步重构具体包括以下步骤：
5.根据权利要求1所述的一种数字化自动聚焦方法，其特征在于：在步骤s5中，所述超参数搜索是对步骤s3和步骤s4涉及的超参数进行优化，寻找最佳参数，步骤s3和步骤s4仅介绍运行方案，但聚焦效果还取决于参数的设置，用步骤s5搜索最佳参数；具体包括以下步骤：
