3、基于梯度的评价函数（一）：Tenengrad函数、Sobel算子实现、阈值选择策略

聊到自动对焦，最经典、最常用的方法就是基于梯度的评价函数。说白了，就是判断图像清不清晰，看边缘锐不锐利。边缘越锐利，梯度值越大，图像就越“合焦”。

这一章我们重点讲三个东西：Tenengrad函数、Sobel算子怎么落地、以及阈值怎么选。嗯，都是硬核干货，我尽量讲得接地气一点。

3.1 Tenengrad函数：梯度评价的“老大哥”

Tenengrad函数，其实就是一个基于Sobel算子的梯度能量计算。它的核心思想很简单：对图像每个像素求梯度幅值，然后累加求和。

公式长这样：

F(I) = Σ_x Σ_y [ G_x(x,y)² + G_y(x,y)² ]

其中 G_x 和 G_y 分别是Sobel水平方向和垂直方向的梯度。注意，这里用的是平方和，不是值。为什么？

我个人习惯用平方和，因为这样能放大边缘响应，让合焦和离焦的差距更明显。你想想看，如果边缘很弱，平方后更弱；边缘很强，平方后更强——对比度一下就拉开了。

3.2 Sobel算子实现：别小看这3x3

Sobel算子，本质上是一个离散微分算子。它结合了高斯平滑和差分，所以对噪声有一定的抑制能力。

标准的3x3 Sobel核：

[-1  0  1]
[-2  0  2]
[-1  0  1]

[-1 -2 -1]
[ 0  0  0]
[ 1  2  1]

实现的时候，我建议直接用卷积操作。在嵌入式平台上，如果CPU资源紧张，可以只用Gx或Gy，但精度会下降。我在项目中遇到过这种情况：为了省算力只算Gx，结果对水平条纹的场景完全失效。后来老老实实两个方向都算。

下面是一个C语言风格的伪代码实现，适合嵌入式环境：

// Sobel梯度计算（单通道灰度图）
void sobel_gradient(uint8_t *src, int16_t *grad, int w, int h) {
    for (int y = 1; y < h-1; y++) {
        for (int x = 1; x < w-1; x++) {
            int gx = -src[(y-1)*w + (x-1)] + src[(y-1)*w + (x+1)]
                     -2*src[y*w + (x-1)] + 2*src[y*w + (x+1)]
                     -src[(y+1)*w + (x-1)] + src[(y+1)*w + (x+1)];

            int gy = -src[(y-1)*w + (x-1)] -2*src[(y-1)*w + x] - src[(y-1)*w + (x+1)]
                     + src[(y+1)*w + (x-1)] +2*src[(y+1)*w + x] + src[(y+1)*w + (x+1)];

            grad[y*w + x] = abs(gx) + abs(gy);  // 也可以用平方和
        }
    }
}

3.3 阈值选择策略：别让噪声毁了你的对焦

直接累加所有像素的梯度值，会有一个问题：噪声也被算进去了。尤其是低光照环境下，传感器噪声会导致梯度值虚高，让系统误以为已经合焦。

解决办法就是加一个阈值。只有梯度值超过阈值的像素才参与累加。公式变成：

F(I) = Σ_x Σ_y [ G(x,y) , if G(x,y) > T ]

阈值T怎么选？我总结了几种策略：

我曾经在一个安防摄像头项目里踩过坑：固定阈值设得太低，晚上噪点全被当成边缘，对焦马达来回乱跑。后来改成自适应阈值，用梯度均值的1.8倍，问题就解决了。

3.4 整体流程：从图像到评价分数

把上面这些串起来，一个完整的基于梯度的自动对焦评价流程是这样的：

1. 采集图像：从传感器获取一帧RAW图，转成灰度。
2. ROI选取：只对画面中心区域（或指定区域）计算梯度，减少计算量。
3. Sobel卷积：分别计算Gx和Gy。
4. 梯度幅值计算：用值或平方和得到每个像素的梯度值。
5. 阈值过滤：只保留超过阈值的梯度值。
6. 累加求和：得到最终的清晰度评价分数。
7. 搜索策略：根据分数驱动马达，寻找峰值位置。

下面这张图展示了整个流程：

3.5 实战建议：别盲目追求高精度

最后说点实在的。很多初学者一上来就搞复杂的梯度算子，什么Scharr、Laplacian、甚至Canny。其实在自动对焦这个场景里，Sobel + 合适的阈值已经能覆盖90%以上的需求。

我个人的经验是：先跑通最简单的Tenengrad，把阈值调好，再考虑优化。如果连基础版本都跑不稳，换再高级的算子也没用。