2、基于梯度的评价函数：Tenengrad函数原理与实现
聊完清晰度的基本概念，咱们直接进入最常用的梯度类评价函数。说实话，我在工业相机项目里用得最多的就是 Tenengrad，它简单、有效，而且对光照变化没那么敏感。
2.1 Tenengrad 的核心思想
Tenengrad 的原理说白了就一句话：图像越清晰，边缘越锐利，梯度幅值总和越大。
它不像 Brenner 那样只算水平方向，而是同时考虑水平和垂直两个方向的梯度变化。我个人习惯把它理解成「全方向边缘能量求和」。
数学表达：
Tenengrad 值 = Σx Σy [ Gx(x,y)² + Gy(x,y)² ]
其中 Gx 和 Gy 分别是 Sobel 算子在水平和垂直方向的卷积结果。
嗯，这里要注意：平方操作是为了让强边缘贡献更大，同时避免正负梯度相互抵消。
2.2 Sobel 算子与梯度计算
Sobel 算子是个 3×3 的卷积核，它比简单的差分算子多了中心加权，抗噪能力稍好一些。
| 方向 | 卷积核 | 作用 |
|---|---|---|
| 水平 Gx | [[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]] | 检测垂直边缘 |
| 垂直 Gy | [[-1, -2, -1], [0, 0, 0], [1, 2, 1]] | 检测水平边缘 |
你想想看，为什么 Sobel 的中心系数是 2 而不是 1？
因为它在做差分的同时还带了平滑效果，对噪声有一定的抑制作用。我在做精密对焦时遇到过一个问题：直接用简单差分算子，图像稍微有点噪点，评价曲线就抖得厉害。换成 Sobel 之后，曲线平滑了很多。
下面是 Tenengrad 的 Python 实现，我习惯用 OpenCV 来做：
import cv2
import numpy as np
def tenengrad_score(image):
"""
计算 Tenengrad 清晰度评价值
:param image: 灰度图像 (H, W)
:return: 浮点数评分
"""
# 计算水平和垂直梯度
grad_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
grad_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# 计算梯度幅值平方
magnitude = grad_x**2 + grad_y**2
# 求和得到评价值
score = np.sum(magnitude)
return score小技巧：用 cv2.CV_64F 而不是 CV_8U，可以避免梯度值截断。我踩过这个坑——用 8 位整型算梯度，强边缘的梯度值被截断，导致评价曲线在峰值附近出现平台，对焦精度直接下降。
2.3 梯度阈值的影响
实际应用中，我们通常不会直接用所有像素的梯度总和，而是加一个阈值 T，只统计梯度幅值大于 T 的像素。
为什么要加阈值？
说白了，是为了剔除噪声和微小纹理的干扰。你想想看，如果背景有轻微的水波纹或者传感器噪声，这些弱梯度也会贡献到总分里，导致评价曲线不够尖锐。
带阈值的 Tenengrad 公式变成：
TenengradT = Σx Σy [ Gx² + Gy² ] ，其中 Gx² + Gy² > T
阈值 T 怎么选？我根据项目经验整理了一个参考表：
| 场景 | 推荐阈值范围 | 说明 |
|---|---|---|
| 高信噪比、强纹理场景 | 100 - 200 | 剔除微弱噪声，保留主要边缘 |
| 中等纹理、一般光照 | 50 - 100 | 平衡噪声抑制和边缘保留 |
| 低对比度、弱纹理场景 | 10 - 50 | 阈值太低会引入噪声，太高会丢失边缘 |
| 高噪声环境（如低光照） | 150 - 300 | 优先抑制噪声，但可能损失细节 |
避坑指南：我曾经在一个芯片引脚检测项目里，直接把阈值设成 200，结果评价曲线在离焦区域几乎是一条直线，完全找不到峰值。后来发现是引脚表面太光滑，梯度值普遍偏低。把阈值降到 50 之后，曲线才恢复正常。
所以阈值不是越大越好，要根据实际图像的梯度分布来调。
2.4 知识体系结构
下面这张图帮你理清 Tenengrad 评价函数的完整链路：
2.5 实现中的几个细节
写代码的时候，有几个地方容易出问题：
- 数据类型：一定要用浮点型（64F 或 32F），整型计算会丢失精度。
- 边界处理：Sobel 默认的边界填充是复制边缘像素，如果你用其他填充方式，评价结果会有偏差。
- 归一化：不同尺寸的图像，Tenengrad 值差异很大。做对比时最好除以像素总数，得到平均梯度值。
归一化版本：
def tenengrad_normalized(image):
grad_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
grad_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
magnitude = grad_x**2 + grad_y**2
# 除以像素总数，消除图像尺寸影响
score = np.sum(magnitude) / (image.shape[0] * image.shape[1])
return score我个人习惯在项目初期先用不带阈值的版本跑一遍，看看梯度值的分布范围，再根据直方图确定阈值。这样比盲目设一个值靠谱得多。