📚 课程目录第4章基于统计的评价函数

4、基于统计的评价函数：方差函数、熵函数、直方图对比度、拉普拉斯能量函数

聊完了基于梯度的那些评价函数，咱们来看看另一大类——基于统计的方法。这类函数不直接看像素之间的差值，而是从图像整体的统计特性出发，来判断清晰度。说白了，就是问一个问题：这张图的像素分布，到底有多“散”？

我个人觉得，统计类函数在某些场景下比梯度类更鲁棒。比如你拍的是纹理特别少的物体，梯度信息很少，但像素值的统计分布依然能反映出离焦模糊的程度。嗯，咱们一个一个来看。

方差函数是最直观的统计评价方法。它的逻辑很简单：图像越清晰，像素值之间的差异就越大，方差就越高。反之，图像越模糊，像素值越趋于平均，方差就越低。

公式长这样：

V = (1 / (M * N)) * Σ Σ (I(x, y) - μ)²

其中 μ 是整幅图像的灰度均值，M、N 是图像尺寸。

我在项目中遇到过一个问题：用方差函数评价一张夜景照片，结果方差特别低，但人眼看其实挺清晰的。为什么？因为夜景整体偏暗，像素值集中在低灰度区域，方差自然小。所以，方差函数对光照变化非常敏感。你想想看，同样的场景，开灯和关灯，方差能差好几倍。

我的建议：方差函数适合在光照稳定的环境下使用，比如显微镜、工业检测中的固定光源场景。如果环境光变化大，建议先做归一化处理。

熵这个概念来自信息论。图像熵衡量的是图像中灰度分布的混乱程度。公式是：

E = - Σ p(i) * log₂(p(i))

其中 p(i) 是灰度级 i 出现的概率。

清晰图像的灰度分布更丰富，熵值更高。模糊图像的灰度分布更集中，熵值更低。这个逻辑听起来很完美，对吧？

但实际用起来有个坑。我曾经用熵函数去评价一张有大量平坦区域的图像（比如天空、白墙），结果发现熵值很低，但图像其实是清晰的。为什么会这样？因为平坦区域的灰度分布本来就单一，熵值天然就低。所以，熵函数更适合纹理丰富的场景。

避坑指南：我曾经在一个自动对焦项目里只用熵函数做评价，结果在拍摄纯色物体时频繁误判。后来我加了一个纹理检测的前置步骤，先判断图像是否包含足够纹理，再决定是否用熵函数。效果好了很多。

直方图对比度，说白了就是看灰度直方图的“胖瘦”。清晰图像的直方图通常更“宽”，因为像素值分布范围广。模糊图像的直方图更“窄”，像素值向中间集中。

常用的计算方式有两种：

我个人习惯用直方图标准差，因为它比范围更稳定。为什么？因为直方图范围容易受单个噪声点影响。比如一个像素因为传感器噪声变成了255，范围就拉大了，但标准差不会这么敏感。

评价指标	优点	缺点	适用场景
直方图范围	计算简单，速度快	易受噪声干扰	快速粗调焦
直方图标准差	抗噪性好，稳定	计算量稍大	精调焦、高精度场景

这个函数有点特殊。它虽然叫“能量函数”，但本质上还是基于二阶梯度。不过因为它用的是统计的方式汇总能量值，所以我把它归到统计类里。

公式：

E = Σ Σ (∇²I(x, y))²

其中 ∇²I 是拉普拉斯算子对图像卷积的结果。拉普拉斯算子对边缘和细节非常敏感，清晰图像的拉普拉斯响应值大，能量高。

我记得有一次做显微镜自动对焦，试了好几种评价函数都不理想。最后换成拉普拉斯能量函数，效果立竿见影。为什么？因为显微镜图像通常有大量细胞边缘和结构细节，拉普拉斯算子能很好地捕捉这些高频信息。

  核心要点：拉普拉斯能量函数是统计类评价函数中精度最高的之一，但计算量也最大。如果你对实时性要求不高，追求对焦精度，选它准没错。

说了这么多，到底怎么选？我整理了一个对比表，方便你快速决策：

函数名称	计算速度	抗噪性	光照敏感度	纹理依赖度	推荐场景
方差函数	快	中	高	低	固定光源、工业检测
熵函数	中	高	低	高	纹理丰富、自然场景
直方图对比度	快	中	中	低	快速粗调焦
拉普拉斯能量	慢	低	中	高	高精度、显微镜、医疗影像

你想想看，没有万能的评价函数。关键是根据你的应用场景，选最合适的那个。如果拿不准，我建议你做一个简单的实验：用几种函数跑一遍你的数据，看看哪个曲线的单峰性最好、最平滑。

最后说一句，统计类函数和梯度类函数不是互斥的。我在实际项目中经常把它们组合使用。比如先用直方图对比度做粗调焦，快速找到大致位置，再用拉普拉斯能量做精调焦。这样既保证了速度，又保证了精度。