📚 课程目录第2章对焦评价函数

2. 对焦评价函数：常见的反差评价函数及其数学表达

在反差式自动对焦（Contrast Detection Auto Focus, CDAF）系统中，对焦评价函数（Focus Measure Function）是衡量图像清晰度的核心算子。其本质是对图像高频分量（边缘、纹理）的能量进行量化：对焦越准确，边缘越锐利，高频能量越高；离焦越严重，图像越模糊，高频能量越低。

本章将详细解析三种最经典的灰度域反差评价函数：Tenengrad、Laplacian 和 Brenner，并给出其离散数学表达与工程实现要点。

2.1 评价函数的设计原则

一个实用的对焦评价函数应满足以下条件：

单峰性：在最佳对焦位置附近呈现唯一的全局最大值。
无偏性：峰值位置与真实对焦面一致，不因场景纹理分布产生偏移。
灵敏度：在峰值附近斜率足够大，能够区分微小离焦量。
抗噪性：对传感器噪声、光照变化具有一定的鲁棒性。
计算效率：适合在 ISP 流水线中实时处理，通常只使用整型运算。

工程提示： 实际 ISP 中很少单独使用一种评价函数，而是将多种算子加权融合，或在不同对焦阶段切换不同的评价策略（粗搜索用 Brenner，精搜索用 Tenengrad）。

2.2 Tenengrad 算子

Tenengrad 算子基于 Sobel 梯度算子，分别计算图像在水平方向（x）和垂直方向（y）的一阶梯度，然后取梯度幅值的平方和（或绝对值之和）作为清晰度度量。

数学表达

对于像素点 \((x, y)\)，其灰度值为 \(I(x, y)\)，Tenengrad 评价函数定义为：

F_Tenengrad = Σ_x Σ_y [ G_x(x,y)² + G_y(x,y)² ]

其中 \(G_x\) 和 \(G_y\) 分别为 Sobel 算子在 x 和 y 方向的卷积结果：

G_x = I * S_x ,   S_x = [[-1, 0, +1],
                        [-2, 0, +2],
                        [-1, 0, +1]]

G_y = I * S_y ,   S_y = [[-1, -2, -1],
                        [ 0,  0,  0],
                        [+1, +2, +1]]

实际工程中常使用绝对值近似以降低计算量：

F_Tenengrad_abs = Σ_x Σ_y ( |G_x| + |G_y| )

特点

属性	说明
方向敏感性	各向同性较好，对水平和垂直边缘均有响应
噪声敏感度	中等；Sobel 核本身有平滑作用，但梯度平方会放大噪声
峰值锐度	高；在焦点附近曲线陡峭，适合精对焦
计算开销	较高（2 次 3×3 卷积 + 平方运算）

  ISP 实现要点： 在硬件 ISP 中，Sobel 卷积通常使用 Line Buffer 实现 3 行流水线，梯度平方运算可查 LUT 表加速。

2.3 Laplacian 算子

Laplacian 算子是一种二阶微分算子，它直接计算图像灰度值的二阶空间导数。对于理想边缘，二阶导数在边缘处会产生过零点，而 Laplacian 响应的绝对值可以反映边缘强度。

数学表达

离散 Laplacian 算子定义为：

∇²I = ∂²I/∂x² + ∂²I/∂y²

常用的 3×3 离散卷积核为：

L = [[ 0, -1,  0],
     [-1,  4, -1],
     [ 0, -1,  0]]

评价函数取所有像素点 Laplacian 响应的绝对值之和（或平方和）：

F_Laplacian = Σ_x Σ_y |∇²I(x,y)|

变体：Laplacian of Gaussian (LoG)

为抑制噪声，可先对图像做高斯平滑，再计算 Laplacian，即 LoG 算子。工程中常用 DoG（Difference of Gaussian）近似 LoG 以提高计算效率。

属性	说明
方向敏感性	各向同性（旋转不变性）
噪声敏感度	高；二阶微分对噪声极为敏感，需配合降噪使用
峰值锐度	极高；但易出现多峰（伪峰）
计算开销	低（单次 3×3 卷积）

避坑指南： Laplacian 算子对孤立噪点响应强烈，在低照度场景下直接使用可能导致对焦曲线剧烈抖动。建议先做 3×3 均值滤波或高斯滤波预处理。

2.4 Brenner 算子

Brenner 算子是最简单的一阶差分评价函数之一，它只计算水平方向上相隔两个像素的灰度差值的平方和。因其计算量极小，在早期数码相机和低功耗 ISP 中广泛使用。

数学表达

F_Brenner = Σ_x Σ_y [ I(x+2, y) - I(x, y) ]²

也可以加入垂直方向分量以增强各向同性：

F_Brenner_2D = Σ_x Σ_y { [I(x+2,y)-I(x,y)]² + [I(x,y+2)-I(x,y)]² }

特点

属性	说明
方向敏感性	强；基本版本仅响应水平边缘
噪声敏感度	低；差分步长为 2 相当于做了简单的低通滤波
峰值锐度	中等；曲线较平缓，适合粗对焦
计算开销	极低（仅减法和乘法，无卷积）

  工程经验： Brenner 算子常作为粗搜索阶段的评价函数，配合大步长快速扫描对焦范围。当曲线进入上升区域后，再切换为 Tenengrad 或 Laplacian 进行精搜索。

2.5 三种算子对比总结

算子	阶数	计算量	抗噪性	峰值锐度	适用阶段
Brenner	一阶	极低	高	低	粗搜索
Tenengrad	一阶	中	中	高	精搜索
Laplacian	二阶	低	低	极高	精搜索（需降噪）

2.6 工程实现示例（Python）

以下代码展示了三种评价函数的 NumPy 实现，可直接用于 ISP 原型验证：

import numpy as np
import cv2

def brenner_focus_measure(image: np.ndarray) -> float:
    """Brenner 评价函数（水平方向，步长2）"""
    if image.ndim == 3:
        image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    diff = image[:, 2:] - image[:, :-2]
    return float(np.sum(diff ** 2))

def tenengrad_focus_measure(image: np.ndarray) -> float:
    """Tenengrad 评价函数（Sobel梯度平方和）"""
    if image.ndim == 3:
        image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
    gy = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
    return float(np.sum(gx ** 2 + gy ** 2))

def laplacian_focus_measure(image: np.ndarray) -> float:
    """Laplacian 评价函数（绝对值累加）"""
    if image.ndim == 3:
        image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    lap = cv2.Laplacian(image, cv2.CV_64F, ksize=3)
    return float(np.sum(np.abs(lap)))

性能提示： 在嵌入式 ISP 中，上述运算通常使用定点数（Q8.8 格式）实现，避免浮点运算。Brenner 的平方运算可替换为绝对值以进一步降低功耗。

2.7 本章小结

Brenner：计算量最小，抗噪性最好，适合粗搜索阶段的大步长扫描。
Tenengrad：各向同性好，峰值锐利，是精搜索阶段的首选。
Laplacian：二阶微分灵敏度最高，但噪声放大效应明显，需配合预处理使用。
实际 ISP 系统通常采用多阶段评价策略，在不同对焦阶段切换不同的评价函数，以平衡速度与精度。