4. AF评价函数

自动对焦（AF）的本质，是让镜头在候选焦段中找到一个“最清晰”的位置。而判断“清晰”这件事，最终要落到一个可计算的数值上，这个数值就是 AF 评价函数（Focus Value，FV）。评价函数把图像的高频细节强度压缩成一个标量，AF 搜索算法再依据 FV 曲线的峰值来确定合焦位置。因此，评价函数选得好不好，直接决定了低光照下 AF 是否稳定、是否容易拉风箱、是否能准确停在合焦点上。

低光照给评价函数带来的核心困难是：光子噪声和读出噪声被放大，暗部细节被压缩，图像整体对比度下降。此时评价函数面临一对矛盾——既要对真实边缘敏感，又不能对噪声敏感。理解常用算子的数学特性，才能做出合理选择。

一、三类常用清晰度评价算子

梯度类算子通过一阶差分衡量相邻像素的变化强度。典型代表是 Tenengrad（Sobel 梯度平方和）、Brenner 梯度以及 SMD（灰度差分绝对值之和）。它们计算量小、对边缘响应直接，FV 曲线通常较陡，峰值定位精度高。缺点是梯度对噪声同样敏感，在低光照高增益下，噪声会被当作“伪边缘”计入 FV，导致曲线底部抬高、峰值变钝甚至出现多个局部极大值。

拉普拉斯类算子使用二阶微分，典型代表是 Laplacian 绝对值之和、SML（Sum of Modified Laplacian）以及改进的 Tenengrad 变体。二阶算子对细节和细纹理更敏感，理论上峰值更尖锐，适合纹理丰富的场景。但二阶微分对噪声的放大比一阶更严重，在低光照下如果没有充分降噪或阈值截断，FV 曲线会剧烈抖动，搜索过程容易误判。

频域类算子把图像变换到频率域，统计高频分量的能量，典型做法是 FFT 后取高频带能量，或用 DCT 系数、小波高频子带能量。频域方法对全局清晰度描述准确、抗局部噪声能力相对较好，但计算开销大，且需要分块或降采样才能满足实时性。在低光照下，高频能量本身被噪声污染，若不做噪声基底扣除，同样会失真。

二、低光照下各算子的实际表现

在正常光照下，三类算子的 FV 曲线都能呈现良好的单峰形态，差异主要体现在峰值锐度和计算成本上。但在低光照下，差异被急剧放大。

梯度类算子在增益提升后，噪声梯度会均匀地叠加到整条曲线上，表现为“基底抬高”。如果噪声基底接近真实峰值，搜索算法就可能把噪声波动误认为清晰度变化，出现提前停止或反复穿越峰值。不过，由于梯度类计算简单，可以通过设置梯度阈值、只统计超过阈值的像素来有效抑制噪声，工程上最容易调优。

拉普拉斯类算子在低光照下最容易“翻车”。二阶微分对孤立噪声点的响应远大于对缓变边缘的响应，一个噪声像素就能产生很大的拉普拉斯值。如果不做中值滤波或阈值截断，FV 曲线会布满毛刺，峰值位置随机漂移。它的优势只在噪声被充分压制后才体现出来。

频域类算子由于是全局或分块统计，单个噪声点的影响被平均掉，曲线相对平滑。但低光照下高频段本身信噪比极低，噪声能量会均匀填充高频带，导致不同焦段的 FV 差异被压缩，峰值不够突出。通常需要先做噪声基底估计并从高频能量中扣除，才能恢复曲线对比度。

三、选择原则与工程决策

评价函数的选择不是“哪个最好”，而是“在当前光照、噪声、算力和场景纹理下哪个最稳”。可以按以下优先级决策：

• 光照极低、增益很高时：优先选梯度类（Brenner 或 Sobel），并配合梯度阈值截断和 ROI 限制，避免全图噪声参与统计。
• 中等低光照、纹理丰富时：可选用 SML 等改进拉普拉斯算子，但必须先做 3×3 中值滤波或双边滤波，再计算二阶响应。
• 需要全局稳定评估、算力允许时：选用频域高频能量法，并做噪声基底扣除，适合作为辅助评价或校准参考。
• 任何情况下：都应限制评价区域（ROI），避开纯暗背景和纯噪声区域，只统计有实际纹理的窗口。

四、参数配置与调优示例

以梯度类中的 Tenengrad 为例，低光照下常用配置如下：

# Tenengrad 评价函数低光照配置示例
operator: tenengrad
roi: [0.25, 0.25, 0.75, 0.75]   # 中心区域，避开暗角
gradient_threshold: 18           # 低于此值的梯度不计入，抑制噪声
downsample: 2                    # 降采样，降低噪声与算力
noise_floor_estimate: true       # 估计并扣除噪声基底
normalize: true                  # 按亮度归一化，避免增益变化影响
search_step_coarse: 8            # 粗搜索步长
search_step_fine: 2              # 精搜索步长

关键参数是 gradient_threshold。阈值太低，噪声进入统计；阈值太高，暗部真实边缘被丢弃，FV 曲线变平。工程上可用一组不同曝光和增益的实拍图，扫描阈值并观察 FV 曲线单峰性和峰值对比度，选取使“峰值/基底”比值最大的阈值。

五、常见误区与复盘

复盘时建议固定场景、固定增益，分别记录三类算子的 FV 曲线，重点观察三个指标：峰值与噪声基底的比值、曲线单峰性、峰值附近斜率。只有这三个指标同时达标，评价函数才适合用于该低光照场景的 AF 调优。

算子类型	代表算子	低光照抗噪性	峰值锐度	计算开销	推荐场景
梯度类	Tenengrad / Brenner / SMD	中（可阈值截断）	较高	低	低光照默认首选
拉普拉斯类	Laplacian / SML	低（需前置滤波）	高	中	纹理丰富、噪声可控
频域类	FFT / DCT / 小波高频	较高（需扣基底）	中	高	全局评估、辅助校准

总结来说，低光照 AF 评价函数的选择应遵循“先抗噪、再锐度、后算力”的顺序。梯度类算子凭借可截断、可归一化、易调参的特性，是低光照场景下最可靠的起点；拉普拉斯类需要在滤波和阈值保护下谨慎使用；频域类适合作为全局参考而非唯一依据。把评价函数与 ROI、阈值、降采样、噪声基底扣除组合起来，才能让 FV 曲线在低光照下依然保持清晰、稳定、单峰。