4. 全局搜索算法：全局扫描策略、粗扫与精扫结合、搜索范围与步长优化
全局搜索，说白了就是让镜头从一头走到另一头，把每个位置的清晰度都算一遍。听起来很笨，对吧？但在我做过的项目中，这恰恰是最可靠、最不容易出问题的方法。尤其是当你面对一个全新的光学系统，或者环境变化特别大的时候，全局搜索往往是保底方案。
4.1 全局扫描策略：从一端扫到另一端
全局扫描的核心逻辑很简单：确定一个起始位置和一个终止位置，然后按照固定的步长，一步一步地走，每走一步拍一张图，算一个清晰度评价值。最后，从这些评价值里挑出最大值对应的位置，那就是对焦位置。
我习惯把这种策略叫做“穷举法”。它不挑场景，不挑光线，只要你的搜索范围覆盖了真正的焦平面，它就一定能找到。但代价也很明显——慢。
全局扫描的典型参数
- 搜索范围：通常设置为镜头全行程的 80%~100%。比如一个镜头行程是 1000 步，那搜索范围可能就是 100~900 步。
- 步长：一般取景深的 1/3 到 1/2。步长太大容易漏掉峰值，步长太小则浪费时间。
- 采样点数：搜索范围除以步长，就是你要拍的照片数量。这个数直接决定了对焦耗时。
举个例子。我曾经调试过一个工业检测镜头，它的景深只有 20 微米。我一开始用了 10 微米的步长，结果每次对焦都要拍 80 多张图，耗时接近 3 秒。客户说太慢了，要求 1 秒以内。怎么办？只能优化策略。
4.2 粗扫与精扫结合：先找大概，再定精确
全局扫描虽然可靠，但效率太低。我后来想了个办法：为什么不先快速扫一遍，找到峰值的大概位置，然后再在那个小范围里精细地扫一次？这就是粗扫与精扫结合。
粗扫的目的不是找到精确的焦平面，而是把峰值位置锁定在一个较小的区间内。精扫则是在这个区间内，用小步长精确找到峰值。
| 阶段 | 步长 | 采样点数 | 目标 |
|---|---|---|---|
| 粗扫 | 景深的 1~2 倍 | 10~20 点 | 锁定峰值区间 |
| 精扫 | 景深的 1/4~1/3 | 5~10 点 | 精确找到峰值 |
你看，粗扫只用了 10~20 个点，精扫又用了 5~10 个点，加起来最多 30 个点。相比之前 80 多个点，时间直接砍了一半多。而且精度一点没降。
我的经验：粗扫的步长不能太大。我曾经试过用景深的 3 倍步长做粗扫，结果峰值区间没锁住，精扫的时候直接跑偏了。后来我定了个规矩：粗扫步长最多不超过景深的 2 倍。
4.3 搜索范围与步长优化：找到那个“甜点”
搜索范围和步长，这两个参数是全局搜索的核心。它们直接决定了对焦的速度和精度。怎么优化？我总结了一套方法。
4.3.1 搜索范围的优化
搜索范围不是越大越好。范围越大，耗时越长。但范围太小，又可能漏掉真正的焦平面。怎么平衡？
- 利用历史数据：如果系统连续对焦，上一次的焦平面位置可以作为参考。下一次搜索时，以上一次位置为中心，向两边扩展一个安全余量。这个余量通常取景深的 5~10 倍。
- 利用传感器信息：有些镜头带有位置传感器，可以实时反馈当前位置。如果知道目标距离的大致范围，就可以缩小搜索区间。
- 动态调整：我做过一个项目，镜头在不同温度下热胀冷缩，焦平面会漂移。后来我加了个温度传感器，根据温度动态调整搜索范围的中心位置。效果很好。
4.3.2 步长的优化
步长太小，采样点太多，耗时太长。步长太大，容易漏掉峰值。怎么选？
这里有个关键概念：清晰度曲线的“峰宽”。峰宽是指清晰度值从峰值下降到某个阈值（比如 80%）时，对应的位置范围。步长必须小于峰宽的一半，否则很可能采样不到真正的峰值。
避坑指南：我曾经在一个低对比度场景中，用了固定的步长。结果清晰度曲线非常平缓，峰宽很大，步长虽然小，但峰值位置根本分辨不出来。后来我改用自适应步长——根据当前曲线的斜率动态调整步长。斜率大的地方步长小，斜率小的地方步长大。这样既保证了精度，又节省了时间。
4.4 全局搜索的完整流程
下面这张图是我自己画的一个全局搜索流程图，包含了粗扫与精扫结合的完整逻辑。你可以参考一下。
4.5 代码示例：粗扫与精扫的实现
下面是一个简单的 C 语言伪代码，展示了粗扫与精扫的核心逻辑。实际项目中，你需要根据硬件接口做适配。
// 全局搜索：粗扫 + 精扫
int global_search(int start, int end, int coarse_step, int fine_step) {
int peak_pos = 0;
float max_sharpness = 0.0f;
// 阶段1：粗扫
printf("[粗扫] 范围: %d ~ %d, 步长: %d\n", start, end, coarse_step);
for (int pos = start; pos <= end; pos += coarse_step) {
move_lens_to(pos);
float sharpness = calculate_sharpness(capture_image());
if (sharpness > max_sharpness) {
max_sharpness = sharpness;
peak_pos = pos;
}
}
// 锁定精扫范围：峰值位置 ± 2倍粗扫步长
int fine_start = peak_pos - 2 * coarse_step;
int fine_end = peak_pos + 2 * coarse_step;
if (fine_start < start) fine_start = start;
if (fine_end > end) fine_end = end;
// 阶段2：精扫
printf("[精扫] 范围: %d ~ %d, 步长: %d\n", fine_start, fine_end, fine_step);
max_sharpness = 0.0f;
for (int pos = fine_start; pos <= fine_end; pos += fine_step) {
move_lens_to(pos);
float sharpness = calculate_sharpness(capture_image());
if (sharpness > max_sharpness) {
max_sharpness = sharpness;
peak_pos = pos;
}
}
return peak_pos;
}小技巧：粗扫的时候，如果发现清晰度值连续下降 3 次以上，可以提前终止扫描。因为峰值大概率已经过了。这个技巧在峰值比较尖锐的场景中特别管用，能再省 20%~30% 的时间。
4.6 全局搜索的适用场景
全局搜索不是万能的，但它有自己的“舒适区”。我整理了一个表格，方便你判断什么时候该用它。
| 场景 | 推荐策略 | 原因 |
|---|---|---|
| 首次对焦 / 系统初始化 | 全局搜索（粗扫 + 精扫） | 没有历史数据，需要全范围覆盖 |
| 低对比度 / 弱光环境 | 全局搜索（大步长粗扫） | 清晰度曲线平缓，小步长容易误判 |
| 高精度对焦（如显微镜） | 全局搜索（小步长精扫） | 需要亚微米级精度，不能漏掉峰值 |
| 连续对焦 / 跟踪对焦 | 不推荐全局搜索 | 耗时太长，建议用爬山法或预测搜索 |