3. 对焦窗口选择

任务目标

在自动对焦系统中，默认的全区域对焦窗口容易因边缘干扰导致主体失焦。本案例实现一个中心重点对焦窗口：以画面中心为基准，将窗口划分为中心区与外围区，中心区赋予更高权重，使对焦评价函数（如对比度）更偏向中心主体，提升中心主体对焦准确性。

核心实现

以下代码实现中心重点窗口权重计算与对焦评价值聚合。输入为灰度图像块（模拟对焦扫描帧），输出为加权后的对焦评价值。权重分布采用高斯型中心增强，中心区域（半径r_center）权重为1.0，外围区域按距离线性衰减至0.3，兼顾主体优先与边缘参考。

import numpy as np

def center_weighted_focus_value(frame_gray, center_ratio=0.4, edge_weight=0.3):
    """
    计算中心重点对焦评价值
    Args:
        frame_gray: 2D numpy数组，灰度帧（HxW）
        center_ratio: 中心高权重区域占短边比例（半径/短边）
        edge_weight: 外围区域最小权重
    Returns:
        focus_value: 加权后的对焦评价值（float）
        weight_map: 权重分布图（HxW），便于可视化验证
    """
    h, w = frame_gray.shape
    # 1. 生成坐标网格（归一化到[-1, 1]）
    y = np.linspace(-1, 1, h, dtype=np.float32)
    x = np.linspace(-1, 1, w, dtype=np.float32)
    xx, yy = np.meshgrid(x, y)
    dist = np.sqrt(xx**2 + yy**2)  # 归一化距离

    # 2. 中心半径（归一化坐标下）
    r_center = center_ratio * 1.0  # 中心区域半径

    # 3. 权重映射：中心区=1.0，外围线性衰减至edge_weight
    weight_map = np.ones_like(dist)
    mask_edge = dist > r_center
    if mask_edge.any():
        # 外围权重从1.0线性降至edge_weight（在最大距离处）
        t = (dist[mask_edge] - r_center) / (np.sqrt(2.0) - r_center)
        weight_map[mask_edge] = 1.0 - (1.0 - edge_weight) * np.clip(t, 0, 1)

    # 4. 对焦评价值：Tenengrad梯度（Sobel）加权聚合
    #    使用中心差分近似梯度，避免额外依赖
    gy, gx = np.gradient(frame_gray.astype(np.float32))
    grad_mag = np.sqrt(gx**2 + gy**2)
    focus_value = float(np.sum(weight_map * grad_mag**2))

    return focus_value, weight_map

# ===== 最小验证闭环 =====
if __name__ == "__main__":
    # 构造模拟帧：中心清晰（高频纹理），边缘模糊（低频）
    h, w = 240, 320
    y, x = np.mgrid[0:h, 0:w].astype(np.float32)
    # 中心区域：高频正弦纹理
    center_mask = ((x - w/2)**2 + (y - h/2)**2) < (0.3 * min(h, w))**2
    frame = np.zeros((h, w), dtype=np.float32)
    frame[center_mask] = 128 + 80 * np.sin(x[center_mask] * 0.5) * np.cos(y[center_mask] * 0.4)
    # 边缘区域：低频渐变（模拟失焦模糊）
    frame[~center_mask] = 128 + 10 * np.sin(x[~center_mask] * 0.05)

    # 计算中心重点评价值
    fv, wmap = center_weighted_focus_value(frame)

    # 对比：若使用全区域均匀权重，评价值会受边缘低频干扰
    fv_uniform = float(np.sum(np.gradient(frame.astype(np.float32))[0]**2 +
                              np.gradient(frame.astype(np.float32))[1]**2))

    print(f"中心重点评价值: {fv:.2f}")
    print(f"均匀权重评价值: {fv_uniform:.2f}")
    print(f"权重范围: [{wmap.min():.2f}, {wmap.max():.2f}]")
    # 预期输出（确定性结果）：
    # 中心重点评价值显著高于均匀权重值（因中心高频被放大，边缘低频被抑制）
    # 权重范围: [0.30, 1.00]

运行与验证

1. 环境依赖：Python 3.7+，NumPy（无需OpenCV等额外库）。
2. 运行方式：将代码保存为 center_focus.py，执行 python center_focus.py。
3. 通过条件：
   - 程序无异常退出；
   - 输出权重范围包含0.30与1.00（验证衰减边界正确）；
   - 中心重点评价值 > 均匀权重评价值（验证中心权重确实增强主体贡献）。

关键说明

• 权重映射采用归一化距离，center_ratio=0.4 表示中心高权重区域半径约为短边的40%，可依据实际画面主体占比调整。
• 对焦评价值使用Tenengrad（梯度平方和），中心权重直接参与聚合，等效于在评价函数中抑制边缘低频干扰。
• 实际ISP集成时，将本函数替换原有全区域评价值计算，输入为当前对焦步进下的灰度帧，输出值用于爬山搜索算法判断峰值位置。