4. 算法误差源：相位差计算偏差、权重分配不均、边界效应

相位对焦的精度，说到底是由算法决定的。硬件把数据采回来了，但怎么算、怎么加权、怎么处理边缘，这里面的坑可不少。我这些年调试过的模组，至少有三分之一的问题最终都定位在算法环节。

咱们这一章就专门聊聊算法误差的三个主要来源：相位差计算偏差、权重分配不均、边界效应。这三个问题往往交织在一起，但咱们得一个一个拆开看。

4.1 相位差计算偏差：核心算不准，后面全白费

相位差计算是整个对焦算法的基石。基石歪了，后面再怎么调都是徒劳。

常见的计算偏差有几种：

• 像素响应不一致：左右像素的感光灵敏度天生就有差异。如果算法直接用原始灰度值做相关运算，结果必然偏。
• 噪声干扰：低光照下，噪声会严重污染相关曲线，导致峰值偏移。
• 模板匹配精度：很多算法用固定模板做匹配，但实际场景千变万化，模板不匹配，结果自然不准。

我建议在算法中引入亚像素插值。别只取整数像素的峰值，用抛物线拟合或者高斯拟合，把峰值定位到亚像素级别。我在一个项目里试过，仅此一项，对焦精度提升了约 15%。

下面是一个简单的抛物线拟合代码示例：

// 抛物线拟合求亚像素峰值
float parabolicFit(float c0, float c1, float c2) {
    // c0: 峰值左侧值, c1: 峰值, c2: 峰值右侧值
    float denom = c0 - 2.0f * c1 + c2;
    if (fabs(denom) < 1e-6) return 0.0f;
    return (c0 - c2) / (2.0f * denom);
}

4.2 权重分配不均：好数据被埋没，坏数据被放大

相位对焦通常会在画面中选取多个检测区域，每个区域都会算出一个相位差。最终的对焦位置，是这些结果的加权平均。

权重怎么分？这是个大学问。

常见的错误做法是平均分配权重。你想想看，画面中央的物体通常是对焦主体，边缘区域可能是背景。如果给边缘区域和中央区域同样的权重，背景的相位差就会把对焦位置拉偏。

我遇到过的一个案例：某款手机在拍摄人像时，总是对焦到背景上。排查后发现，算法给画面四个角的权重太高，而人脸正好在中央区域。调整权重后，问题立刻解决。

合理的权重分配策略：

区域位置	推荐权重	理由
画面中央 1/3	0.5 - 0.6	主体通常在此区域
中间环带	0.3 - 0.4	次重要区域
边缘区域	0.1 - 0.2	背景干扰多，权重宜低

4.3 边界效应：边缘的假象最害人

边界效应，说白了就是图像边缘区域的数据不可靠。为什么？

• 像素截断：靠近传感器边缘的像素，部分感光区域可能被遮挡，导致输出值异常。
• 镜头渐晕：边缘区域的光照强度下降，信噪比变差。
• 算法窗口溢出：做相关运算时，窗口靠近边缘会导致有效像素不足。

这些因素叠加起来，会让边缘区域的相位差计算结果出现系统性偏差。如果不做处理，对焦系统就会「被边缘带偏」。

我的处理原则是：宁可不用，不可错用。

具体做法：

1. 在算法中设定一个安全边界，比如距离传感器边缘 5% 像素范围内的数据直接丢弃。
2. 对剩余区域的数据做置信度评估，低于阈值的区域不参与最终计算。
3. 如果画面中大部分区域都是低置信度（比如纯色墙壁），则切换到反差对焦作为兜底。

4.4 算法误差源全景图

为了让你更直观地理解这三个误差源的关系，我画了一张图：

4.5 综合优化策略

这三个误差源不是孤立的。相位差计算偏差会导致权重分配时置信度评估不准，边界效应又会进一步恶化计算偏差。所以，优化时必须通盘考虑。

我总结了一套综合优化流程：

1. 预处理阶段：对原始像素数据做归一化，消除响应不一致。同时裁剪掉边缘 5% 的安全区域。
2. 计算阶段：用亚像素插值提高相位差计算精度。对每个检测区域同时计算置信度。
3. 融合阶段：根据置信度和区域位置动态分配权重。低置信度区域直接剔除。
4. 后处理阶段：对最终结果做平滑滤波，防止单帧抖动。

嗯，算法误差源这块，说到底就是三个字：准、稳、信。计算要准，权重要稳，数据要可信。把这三点抓住了，相位对焦的精度问题就解决了一大半。