图像清晰度评价函数：四大金刚与安防实战

做自动对焦（AF）调优，说白了就是跟“清晰度”打交道。你得先知道什么算清晰，才能让镜头往清晰的方向跑。今天咱们聊聊安防场景下最常用的四个评价函数：Tenengrad、Laplacian、Brenner 和方差函数。

这四种方法，我这些年都踩过坑，也总结了一些经验。咱们一个一个来看。

1. Tenengrad 梯度函数

Tenengrad 的核心思想很简单：图像越清晰，边缘越锐利，梯度值越大。它用 Sobel 算子计算水平和垂直方向的梯度，然后求平方和。

// C 风格伪代码
float tenengrad(uint8_t* img, int w, int h) {
    float sum = 0;
    for (int y = 1; y < h-1; y++) {
        for (int x = 1; x < w-1; x++) {
            int gx = -img[(y-1)*w + (x-1)] + img[(y-1)*w + (x+1)]
                     -2*img[y*w + (x-1)] + 2*img[y*w + (x+1)]
                     -img[(y+1)*w + (x-1)] + img[(y+1)*w + (x+1)];
            int gy = -img[(y-1)*w + (x-1)] -2*img[(y-1)*w + x] - img[(y-1)*w + (x+1)]
                     +img[(y+1)*w + (x-1)] +2*img[(y+1)*w + x] + img[(y+1)*w + (x+1)];
            sum += gx*gx + gy*gy;
        }
    }
    return sum / (w*h);
}

安防场景适用性：

• 优点：对纹理丰富的场景（如监控画面中的树叶、砖墙、车牌）非常敏感，评价曲线单峰性好。
• 缺点：计算量大，在低端 IPC（网络摄像机）上跑会有点吃力。
• 我的经验：在枪机（固定摄像机）上，我习惯用 Tenengrad 做主评价函数。它稳定，不容易被噪声带偏。

2. Laplacian 算子

Laplacian 算子是二阶微分算子。它不关心边缘的方向，只关心灰度变化的剧烈程度。说白了，它像一个“变化检测器”。

// 标准 3x3 Laplacian 核
int kernel[3][3] = {
    {0,  1, 0},
    {1, -4, 1},
    {0,  1, 0}
};

float laplacian_variance(uint8_t* img, int w, int h) {
    float sum = 0;
    for (int y = 1; y < h-1; y++) {
        for (int x = 1; x < w-1; x++) {
            int lap = img[(y-1)*w + x] + img[y*w + (x-1)] - 4*img[y*w + x]
                    + img[y*w + (x+1)] + img[(y+1)*w + x];
            sum += lap * lap;
        }
    }
    return sum / (w*h);
}

安防场景适用性：

• 优点：计算简单，速度快，适合嵌入式平台。
• 缺点：对噪声敏感，在夜间或低照度场景下表现不佳。
• 建议：适合白天光照充足的场景，比如出入口闸机、收费站。

3. Brenner 函数

Brenner 函数只计算水平方向相邻像素的灰度差平方。它是最简单的梯度函数之一。

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

安防场景适用性：

• 优点：计算量极小，适合实时性要求高的场景。
• 缺点：只考虑水平方向，对垂直纹理不敏感。
• 我的经验：在球机（PTZ 摄像机）的快速对焦中，我常用 Brenner 做粗调，再用 Tenengrad 做精调。这样又快又准。

4. 方差函数

方差函数衡量图像灰度值的离散程度。清晰图像通常有更宽的灰度分布，方差更大。

float variance(uint8_t* img, int w, int h) {
    float mean = 0;
    for (int i = 0; i < w*h; i++) mean += img[i];
    mean /= (w*h);
    
    float var = 0;
    for (int i = 0; i < w*h; i++) {
        float diff = img[i] - mean;
        var += diff * diff;
    }
    return var / (w*h);
}

安防场景适用性：

• 优点：实现简单，不需要卷积运算。
• 缺点：对光照敏感，单峰性不如梯度类函数。
• 建议：适合作为辅助评价函数，或者用在光照稳定的室内场景。

5. 四大函数对比

函数	计算量	抗噪性	单峰性	适用场景
Tenengrad	高	中	优	枪机、纹理丰富场景
Laplacian	中	差	良	白天、光照充足场景
Brenner	低	中	中	球机快速对焦、粗调
方差	低	差	差	室内、光照稳定场景

6. 安防场景选型建议

你想想看，安防场景千差万别。室内、室外、白天、黑夜、固定枪机、旋转球机……没有万能药。

• 室外枪机（白天+夜晚）：我建议用 Tenengrad 做主函数，配合中值滤波去噪。夜晚切换到红外模式时，可以降低梯度阈值。
• 球机（PTZ）：用 Brenner 做快速粗调，Tenengrad 做精调。我曾经在一个项目中，把 Brenner 的步长设成 10 个马达步，Tenengrad 设成 2 个步，对焦速度提升了 40%。
• 室内固定摄像机：Laplacian 或方差函数就够了。光照稳定，噪声小，没必要上复杂的算法。
• 车牌识别场景：必须用 Tenengrad。车牌字符的边缘信息非常关键，Brenner 和方差都容易丢细节。

7. 知识体系图

下面这张图帮你理清四个函数的关系和选型逻辑：