3. 对比度对焦（CDAF）：爬山算法原理、窗口选择策略、评价函数设计

好，我们进入自动对焦的第二个核心流派——对比度对焦（CDAF）。

相位对焦靠硬件算差值，快是快，但精度有时候差口气。对比度对焦呢？它不依赖额外传感器，直接用图像本身的清晰度来做判断。说白了，就是找画面里「边缘最锐利」的那个镜头位置。

我当年做第一颗手机摄像头驱动时，用的就是纯CDAF。那时候相位像素还没普及，大家全靠爬山算法一点点蹭。嗯，这里面的坑，我踩过不少。

3.1 爬山算法：核心逻辑与实现

爬山算法的名字很形象。你想象一下，一个盲人站在一座山上，他只能靠脚底的感觉判断是在上坡还是下坡。他要走到山顶，就得一直往「上」的方向走。

CDAF的爬山算法就是这个逻辑：

1. 迈一步：驱动镜头移动一个步长。
2. 算一下：在当前帧计算清晰度评价值（Focus Value, FV）。
3. 比一比：如果FV比上一帧大，说明方向对了，继续走。
4. 拐个弯：如果FV比上一帧小，说明走过了，掉头往回走，步长减半。
5. 停下来：当步长小于某个阈值，或者FV变化极小时，认为找到了峰值。

我给你们看一段简化的伪代码，这是我早期项目里提炼出来的骨架：

// 简化版爬山算法
int current_pos = INFINITY_POS; // 从远端开始
int step = LARGE_STEP;
int prev_fv = 0;
int direction = -1; // 1: 向近端, -1: 向远端

while (step > MIN_STEP) {
    // 1. 移动镜头
    move_lens(current_pos + direction * step);
    wait_for_frame();

    // 2. 计算当前清晰度
    int curr_fv = calculate_fv(current_frame);

    // 3. 判断方向
    if (curr_fv > prev_fv) {
        // 方向正确，继续前进
        current_pos += direction * step;
        prev_fv = curr_fv;
        // 步长不变，加速前进
    } else {
        // 方向错误，掉头并缩小步长
        direction *= -1;
        step /= 2;
        // 注意：这里不更新current_pos，只改变方向
        prev_fv = curr_fv; // 记录这个拐点的值
    }
}
// 对焦完成
set_lens_position(current_pos);

3.2 窗口选择策略：别让背景毁了你的对焦

爬山算法算的是整张图的清晰度吗？当然不是。你想想看，如果画面主体在中间，背景是蓝天，你把整张图的边缘都算进去，蓝天部分全是低频，FV值会被严重稀释。

所以，窗口选择是CDAF的命门。

我个人习惯把窗口策略分为三个层级：

策略层级	方法	适用场景	风险点
固定中央窗	取画面中心 1/4 ~ 1/9 区域	常规拍照，主体居中	主体偏离中心时直接跑焦
多区域加权	将画面分成 5x5 或 7x7 网格，中心区域权重高	人像模式，人脸检测辅助	权重设计不合理，边缘主体被忽略
动态跟踪窗	结合人脸/物体检测，窗口跟随主体移动	视频追焦，运动物体	检测算法失效时，窗口会飞掉

3.3 评价函数设计：如何量化「清晰」？

爬山算法需要一个「标尺」来衡量图像清晰度。这个标尺就是评价函数。说白了，就是如何用数学公式描述「边缘锐利」。

我整理了几种常用的评价函数，你们感受一下：

函数名称	公式（简化）	特点	我踩过的坑
Tenengrad	对图像做Sobel梯度，求和	经典，抗噪性一般	在弱光下噪声会被当成边缘，FV曲线毛刺多
Laplacian	二阶微分，对噪声敏感	响应快，但容易误判	纹理丰富的区域（如草地）FV值极高，导致对焦在错误位置
Brenner	计算相邻像素差值的平方和	计算量小，硬件友好	对低频场景（如纯色墙壁）几乎无效
方差/熵	统计像素分布的离散程度	全局评价，不受边缘方向影响	对焦峰值不够尖锐，容易陷入局部极值

实际项目中，我很少只用单一函数。我通常的做法是：

• 粗搜阶段：用Brenner或方差，计算快，步长大，快速定位到峰值附近。
• 精搜阶段：切换到Tenengrad或Laplacian，步长缩小，精确找到峰值。

这种多级评价函数切换的策略，能兼顾速度和精度。我曾在某个项目中，只用单一Laplacian，结果在拍摄毛绒玩具时，因为纹理过于复杂，FV曲线出现了多个小峰值，爬山算法直接卡在了半山腰。后来改成粗搜用方差，精搜用Tenengrad，问题就解决了。

3.4 知识体系：CDAF核心流程

下面这张图，是我自己总结的CDAF完整流程。你们可以把它当作一个检查清单：

3.5 避坑指南：我这些年遇到的CDAF问题

最后，我分享几个实战中容易忽略的细节：

• 场景切换时的FV突变：当你从暗光切换到亮光，或者画面内容剧烈变化时，FV值会跳变。爬山算法会误以为找到了新峰值。我的做法是：在检测到场景切换时，重置爬山状态，重新开始粗搜。
• 微距与无穷远的步长差异：在微距端，景深极浅，FV曲线非常陡峭，步长必须很小。在无穷远端，景深大，步长可以大一些。我习惯根据镜头位置动态调整步长，而不是用固定值。
• 温度对VCM的影响：这个坑我印象最深。冬天室外，VCM的响应速度会变慢，同样的PWM值，镜头移动的距离会偏小。如果不做温度补偿，爬山算法在低温下会「爬不动」。后来我在驱动层加了一个温度-增益查找表，才解决了这个问题。