2. 反差式对焦（CDAF）原理：基于图像对比度搜索峰值，爬山算法详解

反差式对焦，圈内人常叫它 CDAF（Contrast Detection Auto Focus）。说白了，它不关心你镜头里有没有相位检测点，也不管场景深度信息。它只做一件事——找图像最“锐”的那个位置。

怎么判断锐不锐？看对比度。图像越清晰，相邻像素之间的亮度差异就越大，对比度值就越高。反过来，画面一模糊，对比度就往下掉。CDAF 的核心逻辑就是：驱动镜头移动，同时实时计算图像对比度，直到找到对比度最大的那个点。

我早年做安防一体机的时候，第一次调 CDAF 算法，发现画面在某个位置来回震荡，死活定不下来。后来才明白，那是爬山算法的步长没设好。嗯，咱们先把原理讲透。

2.1 对比度评价函数：怎么量化“清晰度”？

要让机器判断画面清不清晰，得先有个数学指标。常用的对比度评价函数有好几种，我挑三个最典型的讲。

评价函数	计算方式	特点	我见过的坑
Tenengrad 函数	基于 Sobel 算子，提取图像梯度	抗噪性好，单峰性强	计算量大，嵌入式平台要优化
Laplacian 函数	二阶微分，对边缘敏感	响应快，峰值尖锐	对噪声极其敏感，容易误判
方差函数	计算像素灰度值的方差	实现简单，计算量小	平坦区域容易失效

我个人习惯用 Tenengrad 函数做主力。为什么？因为它在大多数场景下都能给出一个干净的单峰曲线。你想想看，如果评价函数本身就有多个峰值，爬山算法很容易爬到半山腰就以为自己到顶了。

2.2 爬山算法：一步一步往“山顶”走

爬山算法（Hill Climbing）是 CDAF 最经典的搜索策略。它的思路特别直白：

1. 先迈一步——驱动镜头向某个方向移动一小步。
2. 算一下对比度——如果对比度变大了，说明方向对了，继续往这个方向走。
3. 如果对比度变小了——说明走反了，掉头往回走。
4. 重复以上步骤——直到对比度不再增加，甚至开始下降，就认为找到了峰值。

听起来很简单对吧？但实际工程里，问题全出在“一小步”上。

所以工业界通常用变步长策略：刚开始大步快跑，快速接近峰值区域；一旦检测到对比度变化趋势放缓，就切换成小步精细搜索。这就像你爬山，山脚可以大步跨，快到山顶就得一步一步挪。

2.3 爬山算法的核心流程

下面这张图是我自己画的 CDAF 爬山算法流程图，你看一眼就能明白整个逻辑。

这个流程里有一个关键判断：什么时候算“到顶了”？工程上常用的判据是：连续 N 次移动后，对比度变化量小于某个阈值。N 和阈值都需要根据具体镜头和场景来调。我一般先设 N=3，阈值取当前对比度值的 1%，然后根据实际效果微调。

2.4 爬山算法的三大痛点

做 CDAF 这么多年，我总结出三个绕不开的坑：

• 局部峰值陷阱——评价函数如果有多个波峰，算法可能停在次高峰，永远找不到真正的焦点。我遇到过最典型的情况是：镜头前面有根细铁丝，对比度在铁丝位置出现一个假峰，算法就傻乎乎地停在那了。
• 平坦区域失效——对着白墙或者天空，整个画面的对比度几乎不变，评价函数像一条平线。这时候爬山算法就像在沙漠里找方向，完全迷失。
• 速度与精度的博弈——步长大则速度快但精度差，步长小则精度高但速度慢。没有银弹，只能根据场景做权衡。

2.5 代码示例：一个简化的爬山算法实现

下面这个 Python 代码是我在原型验证阶段常用的框架。它不复杂，但把核心逻辑都体现出来了。

def hill_climbing_af(lens_driver, frame_grabber, eval_func, initial_step=50):
    """
    爬山算法实现 CDAF 对焦
    :param lens_driver: 镜头驱动接口
    :param frame_grabber: 图像采集接口
    :param eval_func: 对比度评价函数
    :param initial_step: 初始步长（单位：镜头步进数）
    """
    # 初始化
    step = initial_step
    direction = 1  # 1: 正向, -1: 反向
    prev_contrast = eval_func(frame_grabber.get_frame())
    
    # 记录连续下降次数，用于判断是否到顶
    decline_count = 0
    max_decline = 3
    
    while step > 1:  # 步长小于1时停止
        # 移动镜头
        lens_driver.move(direction * step)
        current_contrast = eval_func(frame_grabber.get_frame())
        
        # 对比度变化判断
        if current_contrast > prev_contrast:
            # 对比度上升，继续同方向
            prev_contrast = current_contrast
            decline_count = 0
        else:
            # 对比度下降，掉头并减小步长
            direction *= -1
            step = step // 2  # 步长减半
            decline_count += 1
            
            if decline_count >= max_decline:
                # 连续下降多次，认为已到峰值附近
                break
    
    # 返回最终镜头位置
    return lens_driver.get_position()

这段代码里，我用了 step // 2 来做步长衰减。实际项目中，步长衰减系数需要根据镜头行程和精度要求来调。有的镜头线性度好，可以用 step * 0.7；有的镜头有回程差，衰减系数就得设大一点。

2.6 工程落地建议

如果你正在做 CDAF 的工程实现，我给你三条建议：

• 先做评价函数选型测试——拿你的目标场景拍几组图，分别用 Tenengrad、Laplacian、方差算一遍，看哪个函数的单峰性最好。这一步花不了多少时间，但能省掉后面大量的调试痛苦。
• 步长策略要分层——粗搜阶段步长可以设到镜头全行程的 5%-10%，精搜阶段步长缩到 1% 以内。我习惯用三级步长：粗搜、中搜、精搜，每级步长差 3-5 倍。
• 加一个超时保护——万一算法陷入死循环或者场景太极端，不能让它无限跑下去。我一般设 2 秒超时，超时后直接返回当前最佳位置。