1、对焦评价函数概述

大家好，我是老张。做机器视觉这些年，我调试过几十套自动对焦系统。说实话，最让我头疼的往往不是算法本身，而是那个看似简单的评价函数选型。选对了，对焦又快又准；选错了，嗯，那画面太美我不敢看。

今天咱们先聊聊基础——什么是自动对焦，评价函数到底在干什么，以及市面上常见的函数都分哪些类。

1.1 什么是自动对焦

自动对焦，说白了就是让镜头自己找到最清晰的那个位置。你想想看，手动对焦时我们拧镜头，眼睛盯着画面，找到最锐利的那一点。自动对焦就是把这件事交给算法来做。

核心流程其实就三步：

1. 移动镜头到某个位置
2. 采集图像并计算清晰度得分
3. 比较得分，找到得分最高的位置

我在项目中遇到过一种情况：客户说他们的对焦系统总是来回震荡，找不到稳定点。后来一查，是评价函数在平坦区域产生了多个局部峰值。这就是典型的函数选型问题。

1.2 对焦评价函数的核心作用

评价函数就是一把尺子。它要量化一幅图像的清晰程度。好的评价函数，应该满足几个条件：

• 单峰性：在正确对焦位置只有一个最大值
• 灵敏度高：稍微离焦，得分就明显下降
• 抗噪性强：不会因为一点点噪声就乱跳
• 计算快：毕竟要实时处理

我记得有一次做工业检测项目，用了最简单的灰度方差函数。结果在低光照条件下，函数值波动特别大，对焦总是偏一点。后来换成基于梯度的函数，问题就解决了。这就是不同场景下，评价函数的表现天差地别。

1.3 评价函数的分类体系

我习惯把评价函数分成四大类。下面这张图可以帮你快速建立整体认知：

下面我详细说说每一类：

1.3.1 灰度域方法

这类方法最直观。它直接分析像素灰度值的分布情况。清晰图像通常灰度变化剧烈，模糊图像则灰度分布均匀。

常见的几个函数：

函数名称	计算方式	特点
灰度方差	计算所有像素灰度值的方差	最简单，但平坦区域失效
灰度熵	基于灰度直方图计算信息熵	对光照变化不敏感
直方图对比度	统计灰度级分布范围	速度快，但精度一般

1.3.2 梯度域方法

这是工业视觉里用得最多的一类。为什么？因为清晰图像的边缘更锐利，梯度值更大。说白了，就是找图像里的"突变"。

常用的算子：

• Sobel算子：计算水平和垂直方向的梯度，然后求和。我习惯用它做快速对焦。
• Laplacian算子：二阶微分，对边缘更敏感。但噪声也会被放大。
• Tenengrad：基于Sobel梯度的平方和。灵敏度很高，我推荐在对焦精度要求高的场景使用。

// 一个简单的Sobel梯度评价函数实现
double focusMeasure(Mat& image) {
    Mat gradX, gradY;
    Sobel(image, gradX, CV_32F, 1, 0);
    Sobel(image, gradY, CV_32F, 0, 1);
    
    Mat magnitude;
    magnitude = abs(gradX) + abs(gradY);
    
    return mean(magnitude)[0];
}

1.3.3 频域方法

这类方法从频率角度分析。清晰图像包含更多高频成分，模糊图像则低频占主导。

常见做法：

• FFT高频能量：对图像做傅里叶变换，统计高频区域的能量总和
• DCT系数：类似JPEG压缩的思路，用离散余弦变换
• 小波变换：多尺度分析，精度高但计算量大

频域方法的优点是精度高，但计算开销也大。我一般只在离线标定或者对焦精度要求极高的场合用它们。

1.3.4 信息论方法

这类方法比较"学术"。它把图像看作信息源，清晰图像包含的信息量更大。

典型代表：

• 图像熵：统计灰度分布的不确定性
• 互信息：衡量两幅图像的相关性，常用于多模态对焦

说实话，我在实际工程项目里很少用这类方法。它们计算复杂，而且效果不一定比梯度方法好。但在一些特殊场景，比如医学图像配准中，互信息方法确实有不可替代的优势。