4、窗口权重分配：均匀权重、中心权重、高斯权重、自适应权重算法

权重分配这事儿，说白了就是决定窗口里每个像素的「话语权」。

你想想看，一个对焦窗口少说也有几十乘几十个像素。如果每个像素都平等投票，那边缘的噪点、低反差的区域，就会跟中心的高频细节抢风头。我早年做手机相机调试时，就吃过这个亏——明明中心有纹理，窗口边缘一片天空，结果对焦马达来回拉风箱，就是锁不住。

所以，权重分配不是数学游戏，它直接决定了你的对焦系统「听谁的」。下面这四种算法，我按从简单到智能的顺序讲。

4.1 均匀权重：最朴素的方案

均匀权重，也叫矩形窗或Box窗。窗口内每个像素的权重都是1/N，N是像素总数。

// 均匀权重示例
float uniform_weight(int x, int y, int win_w, int win_h) {
    return 1.0f / (win_w * win_h);
}

优点很明显：计算量极小，适合硬件实现。缺点也很致命：边缘像素和中心像素一样重要。

什么时候用均匀权重？我个人习惯是：

• 场景纹理分布均匀（比如拍书本、白墙上的文字）
• 窗口尺寸很小（比如16x16以下）
• 硬件资源极度受限（比如低端MCU）

4.2 中心权重：聚焦画面核心

中心权重，顾名思义，越靠近窗口中心的像素权重越大。最常见的实现是线性衰减或二次衰减。

// 中心权重示例（线性衰减）
float center_weight(int x, int y, int cx, int cy, int win_w, int win_h) {
    float dx = (float)(x - cx) / (win_w / 2);
    float dy = (float)(y - cy) / (win_h / 2);
    float dist = sqrtf(dx*dx + dy*dy);
    return fmaxf(0.0f, 1.0f - dist);  // 线性衰减到0
}

中心权重的核心思想是：用户通常把主体放在画面中央。所以中央像素的「意见」更重要。

权重类型	中心像素权重	边缘像素权重	计算开销
均匀权重	1/N	1/N	极低
线性中心权重	1.0	0.0~0.3	低
二次中心权重	1.0	0.0~0.1	低

4.3 高斯权重：平滑且自然

高斯权重，就是用二维高斯函数作为权重分布。它比线性衰减更平滑，也更符合光学系统的特性——镜头本身的MTF就是中心高、边缘低。

// 高斯权重示例
float gaussian_weight(int x, int y, int cx, int cy, float sigma) {
    float dx = (float)(x - cx);
    float dy = (float)(y - cy);
    float dist2 = dx*dx + dy*dy;
    return expf(-dist2 / (2.0f * sigma * sigma));
}

sigma的取值很关键。sigma太小，权重集中在中心几个像素，浪费了窗口信息；sigma太大，又退化成均匀权重。

我记得有一次调试4K视频的对焦，用线性中心权重时，画面边缘的轻微运动会导致评分抖动。换成高斯权重后，曲线平滑了很多。为什么？因为高斯函数的导数连续，评分曲线不会出现「台阶」。

4.4 自适应权重：动态调整

自适应权重，是让权重分布根据图像内容自己调整。这是目前旗舰手机和高端相机的主流方案。

核心思路：

1. 纹理检测：计算每个像素或子块的梯度/方差
2. 权重映射：纹理丰富的区域给高权重，平坦区域给低权重
3. 归一化：保证所有权重之和为1

// 自适应权重示例（基于局部方差）
void adaptive_weights(uint8_t* img, int w, int h, float* weights) {
    // 第一步：计算每个像素的局部方差（3x3窗口）
    float* variance = (float*)malloc(w * h * sizeof(float));
    for (int y = 1; y < h-1; y++) {
        for (int x = 1; x < w-1; x++) {
            float mean = 0, var = 0;
            for (int dy = -1; dy <= 1; dy++)
                for (int dx = -1; dx <= 1; dx++)
                    mean += img[(y+dy)*w + (x+dx)];
            mean /= 9.0f;
            for (int dy = -1; dy <= 1; dy++)
                for (int dx = -1; dx <= 1; dx++)
                    var += powf(img[(y+dy)*w + (x+dx)] - mean, 2);
            variance[y*w + x] = var / 9.0f;
        }
    }
    // 第二步：方差映射为权重（加一个小的epsilon防止除零）
    float eps = 1e-6f;
    for (int i = 0; i < w*h; i++)
        weights[i] = variance[i] + eps;
    // 第三步：归一化
    float sum = 0;
    for (int i = 0; i < w*h; i++) sum += weights[i];
    for (int i = 0; i < w*h; i++) weights[i] /= sum;
    free(variance);
}

4.5 四种算法对比

算法	计算量	抗噪性	场景适应性	硬件友好度	典型应用
均匀权重	★☆☆☆☆	★☆☆☆☆	★☆☆☆☆	★★★★★	低端摄像头、工业检测
中心权重	★★☆☆☆	★★★☆☆	★★☆☆☆	★★★★☆	手机主摄、监控
高斯权重	★★☆☆☆	★★★★☆	★★☆☆☆	★★★☆☆	单反、微单、视频
自适应权重	★★★★☆	★★★★★	★★★★★	★★☆☆☆	旗舰手机、专业相机

嗯，这里要注意：表格里的「抗噪性」一栏，均匀权重得分最低，是因为它把噪声和纹理同等对待。自适应权重得分最高，是因为它天然会忽略平坦区域的噪声。

4.6 知识结构图

下面这张图，把四种权重算法的核心逻辑和适用场景串起来了。

4.7 实战建议

最后，我根据实际项目经验，给几个选型建议：

• 如果你在做入门级产品：用均匀权重就够了，把精力放在窗口位置选择上。
• 如果你在做中端手机：用高斯权重，sigma取窗口宽度的1/5，效果和性能平衡得很好。
• 如果你在做旗舰机：上自适应权重。但记得加一个「保底机制」——当纹理检测失效时（比如全黑或全白场景），回退到高斯权重。
• 如果你在做视频对焦：千万别用均匀权重。我踩过这个坑，画面边缘的微小变化会让评分曲线剧烈抖动，导致对焦频繁误触发。