4、基于梯度的评价函数（二）：Laplacian算子、能量梯度函数、Brenner函数

上一章我们聊了Sobel和Roberts，说白了就是拿一阶导数去抓边缘。但实际做自动对焦时，你会发现有些场景一阶算子不够“锐利”。比如拍一张纹理细腻的PCB板，Sobel算出来的评价值曲线太平缓，峰值点很难找准。

这时候就该二阶算子登场了。我个人习惯把Laplacian、能量梯度、Brenner这三兄弟放在一起讲，因为它们都跟“变化率的变化率”有关，但实现思路和适用场景各有千秋。

4.1 Laplacian算子：二阶导数的直觉

Laplacian算子的数学直觉很简单——它测量图像亮度的“突变加速度”。一阶导找的是“哪里在变”，二阶导找的是“哪里变得最剧烈”。

离散图像里，Laplacian的经典模板长这样：

// 4邻域Laplacian核
int lap_kernel_4[3][3] = {
    { 0,  1,  0},
    { 1, -4,  1},
    { 0,  1,  0}
};

// 8邻域Laplacian核（带对角线）
int lap_kernel_8[3][3] = {
    { 1,  1,  1},
    { 1, -8,  1},
    { 1,  1,  1}
};

为什么中心是负值？因为我们要计算中心像素与周围像素的差值之和。如果中心比周围都亮，结果就是负的；反之是正的。取值或平方后，就能得到边缘强度。

我在项目中遇到过一个问题：直接用Laplacian对噪声非常敏感。你想想看，二阶导本质上放大了高频成分，而噪声恰恰也是高频。所以用Laplacian之前，我建议先做一次轻量的高斯平滑。

4.2 能量梯度函数：平方的力量

能量梯度函数（Energy of Gradient，EOG）是我个人比较偏爱的一种。它的思路很直接：把每个像素的梯度幅值平方后累加。

公式长这样：

// 能量梯度函数实现
float energy_gradient(uint8_t* img, int w, int h) {
    float sum = 0.0f;
    for (int y = 0; y < h-1; y++) {
        for (int x = 0; x < w-1; x++) {
            int dx = img[y*w + x+1] - img[y*w + x];
            int dy = img[(y+1)*w + x] - img[y*w + x];
            sum += (float)(dx*dx + dy*dy);
        }
    }
    return sum;
}

为什么要平方？两个原因：

• 消除符号：梯度有正有负，直接累加会互相抵消
• 放大差异：平方运算让大梯度贡献更大，小梯度被抑制——这正好模拟了人眼对清晰边缘的敏感度

对比一下Sobel和EOG的效果：

评价函数	对弱边缘响应	对强边缘响应	噪声敏感度	曲线陡峭度
Sobel	中等	强	中等	中等
Laplacian	弱	很强	高	陡峭
能量梯度(EOG)	弱	极强	中等偏高	很陡峭

说白了，EOG就是给梯度加了一个“放大器”。对焦越准，边缘越锐利，平方后的值就越大。这个非线性特性让EOG在峰值附近的区分度特别好。

4.3 Brenner函数：最轻量的梯度评价

Brenner函数可能是最简单的梯度评价函数了。它只计算相隔两个像素的灰度差平方：

// Brenner函数实现
float brenner(uint8_t* img, int w, int h) {
    float sum = 0.0f;
    for (int y = 0; y < h; y++) {
        for (int x = 0; x < w-2; x++) {
            int diff = img[y*w + x+2] - img[y*w + x];
            sum += (float)(diff * diff);
        }
    }
    return sum;
}

为什么跳过一个像素？我刚开始学的时候也有这个疑问。后来在嵌入式平台上调试才发现：

• 抗噪性更好：相隔两个像素的差值，对单点噪声不那么敏感
• 计算量极小：只需要减法、乘法和累加，没有卷积，没有模板
• 硬件友好：在FPGA或DSP上，这个操作可以流水线化，一个时钟周期出一个结果

4.4 三种算子的对比与选型

我把这三兄弟放在一起做个对比，方便你根据项目需求选型：

特性	Laplacian	能量梯度(EOG)	Brenner
数学阶数	二阶	一阶平方	一阶差分平方
计算复杂度	高（3×3卷积）	中（逐像素差分）	低（隔点差分）
峰值锐度	高	很高	中高
抗噪能力	差	中	较好
适用场景	高信噪比、纹理丰富	通用、追求精度	低功耗、实时性要求高

我个人习惯这样选：

• 做实验室验证、追求极致精度 → 用EOG
• 做嵌入式产品、资源受限 → 用Brenner
• 图像质量好、需要快速实现 → 用Laplacian

4.5 本章知识结构图

下面这张图帮你理清三种算子的关系和选型逻辑：

4.6 实战建议

最后分享几个我在项目中踩过的坑：