1、AF系统概述：自动对焦（AF）在ISP中的角色与重要性

1.1 自动对焦的基本定义与系统边界

自动对焦（Auto Focus, AF）是图像信号处理器（ISP）前端光学子系统中的核心闭环控制模块。其根本任务是在最短时间内驱动镜头或光学元件，使被摄目标在图像传感器（Sensor）上形成清晰影像，为后续ISP管线（去马赛克、降噪、色调映射等）提供高对比度、高锐度的原始RAW数据。

从系统架构看，AF模块位于光学镜头与传感器之间，与ISP主控、电机驱动（VCM/Hall Sensor）、光源传感器协同工作。AF的决策质量直接影响ISP后端所有算法的输入信噪比——一张失焦的RAW图，即使后端算法再强大，也无法恢复出真正的纹理细节。

1.2 AF在ISP管线中的位置与数据流

下图展示了AF模块在典型ISP前端系统中的嵌入位置及其与周边模块的数据交互关系：

1.3 AF对ISP图像质量的量化影响

AF的收敛精度直接决定ISP输入端的MTF（调制传递函数）曲线。下表展示了不同AF收敛状态下，ISP后端各模块的典型表现差异：

1.4 AF系统的核心性能指标

评估AF系统优劣，通常从以下四个维度进行量化：

• 收敛速度（Convergence Time）： 从启动对焦到输出稳定清晰图像所需帧数或毫秒数。典型目标：预览模式 ≤ 300ms，拍照模式 ≤ 150ms。
• 收敛精度（Convergence Accuracy）： 最终镜头位置与最佳焦平面之间的偏差。通常要求偏差 ≤ 1个最小步进（VCM Step）。
• 鲁棒性（Robustness）： 在不同光照、对比度、运动场景下，AF能否稳定收敛而不出现反复振荡或误判。
• 功耗（Power Consumption）： 搜索过程中VCM驱动与ISP计算的总功耗，尤其在视频录制场景中需严格控制。

1.5 主流AF搜索策略概览

当前ISP领域主流的AF搜索策略可分为两大类，本课程将重点围绕它们的优化展开：

1.6 AF评价函数的数学基础

AF搜索的核心依赖清晰度评价函数（Focus Measure）。常用的评价函数包括：

• 基于梯度： Sobel梯度幅值、Laplacian能量、Tenengrad函数。计算图像边缘强度，对焦越准，高频分量越强。
• 基于频域： 离散傅里叶变换（DFT）高频能量、小波变换细节子带能量。精度高但计算量大。
• 基于统计： 灰度方差（Variance）、自相关函数。实现简单，但对低对比度场景敏感。

以下为Sobel梯度评价函数的典型实现代码片段：

// 基于Sobel梯度的清晰度评价函数
float computeFocusMeasure(uint8_t* img, int width, int height) {
    float total_gradient = 0.0f;
    int sobel_x[3][3] = {{-1, 0, 1}, {-2, 0, 2}, {-1, 0, 1}};
    int sobel_y[3][3] = {{-1, -2, -1}, {0, 0, 0}, {1, 2, 1}};

    for (int y = 1; y < height - 1; y++) {
        for (int x = 1; x < width - 1; x++) {
            int gx = 0, gy = 0;
            for (int ky = -1; ky <= 1; ky++) {
                for (int kx = -1; kx <= 1; kx++) {
                    uint8_t pixel = img[(y + ky) * width + (x + kx)];
                    gx += pixel * sobel_x[ky + 1][kx + 1];
                    gy += pixel * sobel_y[ky + 1][kx + 1];
                }
            }
            total_gradient += sqrtf((float)(gx * gx + gy * gy));
        }
    }
    return total_gradient / (float)((width - 2) * (height - 2));
}

1.7 本章小结