📚 课程目录第4章自动对焦算法原理

4、自动对焦算法原理：对比度对焦（CDAF）、相位对焦（PDAF）、混合对焦（Hybrid AF）

自动对焦，说白了就是让镜头自己找到最清晰的那个位置。我做了这么多年影像调试，见过太多工程师把对焦算法当成黑盒子来调。其实搞懂它，你就能在调试时少走很多弯路。

这一章，我们重点拆解三种主流对焦方式：CDAF、PDAF 和 Hybrid AF。它们各有脾气，也各有绝活。

  核心观点：没有完美的对焦算法，只有最合适的场景。Hybrid AF 是目前手机和车载摄像头的主流方案，但理解它的前提是吃透 CDAF 和 PDAF。

4.1 对比度对焦（CDAF）—— 稳扎稳打的爬山算法

CDAF 的原理其实很直观：图像越清晰，相邻像素的亮度差异就越大。说白了，就是找边缘最锐利的那张图。

我习惯把 CDAF 比作「爬山」。镜头从近到远移动，每到一个位置就计算一次图像的对比度值。对比度最高的点，就是山顶，也就是对焦最准的位置。

4.1.1 评价函数怎么选？

评价函数是 CDAF 的灵魂。我见过不少项目因为选错了评价函数，导致对焦反复震荡。常用的有几种：

评价函数	原理	特点	我踩过的坑
Sobel 算子	水平/垂直边缘梯度求和	计算量适中，抗噪性一般	低光下容易误判
Laplacian 算子	二阶微分，对边缘敏感	精度高，但对噪声敏感	纹理丰富的场景容易过冲
Tenengrad 函数	Sobel 梯度的平方和	单峰性好，稳定性高	计算量稍大
方差函数	像素灰度值的方差	简单快速，适合平坦区域	对焦峰值不够尖锐

我的建议：实际项目中，我通常用 Tenengrad 作为主评价函数，配合方差函数做平坦区域的兜底。别迷信单一函数，场景不同，选择就不同。

4.1.2 爬山搜索策略

爬山算法听起来简单，但实现起来有不少细节。我举个例子：

// 伪代码：CDAF 爬山搜索
int current_pos = start_pos;
int current_value = evaluate(current_pos);
int step = large_step;  // 粗搜索步长

while (step > min_step) {
    int next_pos = current_pos + step;
    int next_value = evaluate(next_pos);
    
    if (next_value > current_value) {
        // 还在上升，继续走
        current_pos = next_pos;
        current_value = next_value;
    } else {
        // 过了峰值，回头并减小步长
        step = step / 2;
        current_pos = current_pos - step;
        current_value = evaluate(current_pos);
    }
}

嗯，这里要注意：步长的衰减策略很关键。衰减太快容易陷入局部极值，衰减太慢又浪费时间。我个人习惯用「黄金分割法」来优化步长衰减，效果比二分法好不少。

我曾经踩过的坑：有一次在低光场景下，CDAF 反复震荡，始终找不到峰值。后来发现是评价函数的噪声阈值设得太低，导致对比度曲线出现了多个假峰。解决办法是增加一个「死区」—— 只有当对比度变化超过一定阈值时，才认为是在爬山。

4.2 相位对焦（PDAF）—— 一步到位的快枪手

PDAF 的原理和 CDAF 完全不同。它不靠「爬山」，而是靠相位差直接算出镜头该往哪走、走多少。

你想想看，PDAF 传感器上有一些特殊的像素，它们被分成左右（或上下）两个半区。当光线从不同方向进入时，左右半区接收到的图像会有偏移。这个偏移量，就是相位差。根据相位差，算法可以直接计算出对焦方向和步数。

4.2.1 PDAF 的优缺点

维度	优点	缺点
速度	一次计算到位，无需反复移动	受限于像素读出速度
低光性能	依赖相位检测像素，低光下精度下降	比 CDAF 更容易受噪声影响
硬件成本	无需额外传感器	需要专用像素，占用成像面积
场景适应性	运动场景表现优秀	纹理单一场景（如白墙）失效

  关键点：PDAF 不是万能的。当场景缺乏纹理（比如拍一面白墙），相位检测像素无法产生有效的相位差，这时候 PDAF 就会「失明」。所以，纯 PDAF 方案在手机摄像头上已经很少见了。

4.3 混合对焦（Hybrid AF）—— 取长补短的王者

Hybrid AF 的思路很简单：用 PDAF 快速粗定位，再用 CDAF 精调。这样既保证了速度，又保证了精度。

我在项目中调试 Hybrid AF 时，最核心的工作就是切换策略。什么时候用 PDAF？什么时候切到 CDAF？切换的阈值怎么设？这些都是经验活。

4.3.1 典型的 Hybrid AF 流程

启动阶段：PDAF 快速计算相位差，驱动镜头到大致对焦位置。
精调阶段：切换到 CDAF，在小范围内做爬山搜索，找到精确峰值。
跟踪阶段：如果场景变化不大，保持 PDAF 跟踪；如果场景纹理丢失，切回 CDAF 重新搜索。
异常处理：如果 PDAF 置信度低（比如低光或纹理缺失），直接走 CDAF 全流程。

我的经验：切换阈值不要设得太死。我习惯用「PDAF 置信度」作为切换依据。置信度高于 0.8，就用 PDAF 粗定位 + CDAF 精调；低于 0.5，直接走 CDAF。中间区域做平滑过渡，避免来回切换导致画面抖动。

4.3.2 实战中的参数调优

Hybrid AF 的调试，说白了就是调几个关键参数。我列一个常用的参数表：

参数	作用	典型值	调试建议
PDAF 粗搜步长	决定粗定位的速度	镜头行程的 10%~20%	步长太大容易过冲，太小失去速度优势
CDAF 精搜范围	精调时搜索的窗口大小	粗搜位置的 ±5%	范围太小可能漏掉峰值
PDAF 置信度阈值	切换依据	0.6 ~ 0.8	低光场景适当降低阈值
CDAF 评价函数窗口	计算对比度的 ROI	画面中心 30%~50%	避免边缘区域干扰

我曾经踩过的坑：有一次在运动场景下，Hybrid AF 频繁在 PDAF 和 CDAF 之间切换，导致画面忽明忽暗。后来发现是 PDAF 置信度阈值设得太敏感，稍微有点运动就触发切换。解决办法是增加一个「切换滞回区」—— 从 PDAF 切到 CDAF 的阈值和从 CDAF 切回 PDAF 的阈值不同，留一个缓冲带。

4.4 三种方案的对比总结

最后，我用一张表把三种方案的核心差异列出来，方便你对照：

维度	CDAF	PDAF	Hybrid AF
对焦速度	慢（需要多次移动）	快（一次计算）	快（粗搜 + 精调）
对焦精度	高（可达像素级）	中等（受限于像素密度）	高（PDAF 粗定位 + CDAF 精调）
低光性能	好（依赖图像对比度）	差（相位检测像素灵敏度下降）	好（低光时切到 CDAF）
纹理依赖	依赖纹理	依赖纹理	纹理缺失时走 CDAF
硬件成本	低（无需专用像素）	中（需要相位检测像素）	中（同 PDAF）
典型应用	工业相机、显微镜	单反、部分手机	主流手机、车载摄像头

说实话，这三种方案没有的优劣。我见过一些工业相机项目，至今还在用纯 CDAF，因为精度要求极高，速度反而不是瓶颈。但如果你做的是手机或车载摄像头，Hybrid AF 几乎是唯一的选择。