📚 课程目录第2章对焦评价函数

2、对焦评价函数：清晰度评价函数（如 Tenengrad、Laplacian、Brenner）的原理与对比

在自动对焦（AF）系统中，对焦评价函数是判断图像清晰度的核心算法。其本质是通过计算图像高频分量的能量或梯度强度，来量化图像的锐利程度。本节将深入剖析三种经典清晰度评价函数——Tenengrad、Laplacian 和 Brenner 的数学原理、实现差异及适用场景。

2.1 清晰度评价的数学基础

图像清晰度与高频信息含量正相关。对焦准确的图像边缘锐利、细节丰富，在频域上表现为高频分量能量集中；离焦图像则因低通滤波效应导致高频衰减。评价函数通过空间域或频域算子提取高频成分，输出一个标量值作为清晰度指标。

  核心原则： 理想的对焦评价函数应具备单峰性、无偏性、灵敏度高、计算量低等特性，以适应实时 ISP 处理。

2.2 三种经典评价函数原理

2.2.1 Tenengrad 函数

Tenengrad 基于 Sobel 算子计算图像梯度。Sobel 算子通过两个 3×3 卷积核分别检测水平（Gx）和垂直（Gy）方向的边缘，然后计算每个像素的梯度幅值，最后对所有像素的幅值求和或求平均作为清晰度得分。

// Tenengrad 核心计算（C 风格伪码）
float tenengrad_score(uint8_t* img, int w, int h) {
    float sum = 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 < h-1; y++) {
        for (int x = 1; x < w-1; x++) {
            int gx = 0, gy = 0;
            for (int ky = -1; ky <= 1; ky++)
                for (int kx = -1; kx <= 1; kx++) {
                    int pixel = img[(y+ky)*w + (x+kx)];
                    gx += pixel * sobel_x[ky+1][kx+1];
                    gy += pixel * sobel_y[ky+1][kx+1];
                }
            sum += sqrtf(gx*gx + gy*gy);  // 梯度幅值
        }
    }
    return sum / ((w-2)*(h-2));  // 归一化
}

特点： 对水平和垂直边缘敏感，抗噪性较好，但计算量较大（涉及平方根运算）。

2.2.2 Laplacian 函数

Laplacian 算子使用二阶微分检测图像中的快速灰度变化。标准 3×3 Laplacian 核为：

// Laplacian 核（中心为正）
int laplacian_kernel[3][3] = {{0, -1, 0}, {-1, 4, -1}, {0, -1, 0}};

计算时对每个像素应用该核，取绝对值或平方后求和。由于二阶微分对噪声敏感，Laplacian 函数在低噪声场景下灵敏度极高，但在噪声环境中容易产生虚假峰值。

// Laplacian 清晰度计算
float laplacian_score(uint8_t* img, int w, int h) {
    float sum = 0.0f;
    for (int y = 1; y < h-1; y++) {
        for (int x = 1; x < w-1; x++) {
            int lap = 4*img[y*w + x]
                    - img[(y-1)*w + x] - img[(y+1)*w + x]
                    - img[y*w + (x-1)] - img[y*w + (x+1)];
            sum += fabsf(lap);  // 取绝对值
        }
    }
    return sum / ((w-2)*(h-2));
}

2.2.3 Brenner 函数

Brenner 函数是最简单的梯度评价方法之一，仅计算水平方向相隔两个像素的灰度差平方。其计算量极低，适合硬件实现。

// Brenner 函数（水平方向）
float brenner_score(uint8_t* img, int w, int h) {
    float sum = 0.0f;
    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;  // 差平方
        }
    }
    return sum / (w * h);
}

特点： 计算量最小，但仅利用水平方向信息，对垂直纹理不敏感，且易受噪声影响。

2.3 三种函数对比分析

评价维度	Tenengrad	Laplacian	Brenner
数学基础	一阶梯度（Sobel）	二阶微分	一阶差分（隔点）
方向敏感性	水平+垂直	各向同性	仅水平
计算复杂度	高（含平方根）	中（无平方根）	低（仅减法+乘法）
抗噪性	较好	较差	差
灵敏度	中	高	低
单峰性	优	良（噪声下易多峰）	中
硬件实现	需乘法器+开方单元	需乘法器	加法器即可
典型应用	通用相机、监控	显微、精密对焦	低成本嵌入式、快速粗调

选型建议： 在 ISP 流水线中，若计算资源充足且对精度要求高，优先选择 Tenengrad；若追求极低延迟（如 4K 视频实时对焦），Brenner 配合降噪预处理是可行方案；Laplacian 适合在受控光照环境下使用。

2.4 评价函数响应曲线对比

下图展示了三种函数在理想对焦过程中的归一化响应曲线。横轴为镜头位置（从离焦到对焦再到离焦），纵轴为清晰度得分。

2.5 评价函数选择策略

在实际 ISP 系统中，评价函数的选择需综合考虑以下因素：

场景光照： 低光照下噪声放大，应优先选择抗噪性强的 Tenengrad 或对图像进行预处理降噪。
计算预算： 移动端 ISP 通常有严格的功耗和延迟限制，Brenner 或简化版 Laplacian 更合适。
对焦精度： 高精度应用（如显微镜、工业检测）需 Laplacian 或 Tenengrad 的尖锐峰值。
纹理方向： 若场景以水平纹理为主（如条形码），Brenner 可能失效，需改用各向同性算子。

常见陷阱： 不要直接使用原始图像计算评价函数。建议先进行 Gamma 校正 或 直方图均衡化，以消除光照不均匀对梯度幅值的影响。此外，ROI（感兴趣区域）的选择应避开天空、白墙等平坦区域，否则评价函数将失去区分度。

2.6 评价函数的硬件加速架构

下图展示了一种典型的 ISP 硬件加速架构，用于实时计算 Tenengrad 清晰度得分。该架构采用流水线设计，可在单时钟周期内完成一个像素的梯度计算。

2.7 小结

Tenengrad、Laplacian 和 Brenner 分别代表了清晰度评价函数在精度、灵敏度和计算效率三个维度的不同权衡。在 ISP 自动对焦系统中，通常采用 多级评价策略：粗调阶段使用 Brenner 快速定位大致对焦范围，精调阶段切换至 Tenengrad 或 Laplacian 进行精确峰值搜索。理解这些函数的原理与特性，是后续设计爬山法搜索策略和全局扫描算法的基础。