3. 对焦曲线特性：理想对焦曲线与真实对焦曲线的差异分析

在反差式自动对焦（Contrast Detection Auto Focus, CDAF）系统中，对焦曲线描述了镜头位置与图像清晰度评价函数值（通常为对比度值）之间的映射关系。理解理想曲线与真实曲线之间的差异，是设计步长优化算法、避免对焦失败或震荡的前提。

3.1 理想对焦曲线的数学模型与特征

理想情况下，当镜头从近端向远端移动时，图像对比度值先单调上升，达到峰值（最佳焦面）后单调下降。该曲线可用高斯函数或二次函数近似描述：

# 理想对焦曲线模型（二次函数近似）
def ideal_focus_curve(x, x0, a, c):
    """
    x: 镜头位置（步数或um）
    x0: 最佳焦面位置
    a: 曲线陡度系数
    c: 背景对比度基线
    """
    return -a * (x - x0)**2 + c

理想曲线具备以下四个关键特征：

3.2 真实对焦曲线的典型畸变类型

在实际ISP系统中，由于传感器噪声、光照变化、场景纹理分布不均以及镜头像差等因素，真实对焦曲线会偏离理想形态。以下是五种最常见的畸变类型：

1. 多峰/伪峰：由周期性纹理（如栅栏、条纹衣物）或强边缘干扰导致，曲线出现多个局部极大值。
2. 非对称性：镜头前后景深不一致，或马达响应非线性，导致峰值两侧斜率不同。
3. 平台区/平坦段：在低纹理区域或大光圈下，焦深范围内对比度变化极小，形成“死区”。
4. 锯齿/高频抖动：传感器读出噪声或光源频闪造成对比度值随机波动。
5. 偏移/基线漂移：环境光照缓慢变化或自动增益控制（AGC）调整导致整体对比度基线上下移动。

3.3 差异根源分析：ISP链路中的影响因素

真实曲线偏离理想形态的根源可归结为ISP处理链路中的四个层级：

3.4 差异量化指标：如何评估曲线质量

为了在算法中自动识别曲线畸变并调整步长策略，需要引入量化评估指标。以下是三个最常用的指标：

• 峰值锐度（Peak Sharpness, PS）：峰值点与两侧谷值点的对比度差值，反映峰值的“尖锐”程度。PS 越小，越容易陷入平台区误判。
• 对称性比率（Symmetry Ratio, SR）：峰值左侧斜率与右侧斜率的比值。SR 越接近 1.0，曲线越对称；SR < 0.7 或 > 1.3 时需启用非对称步长补偿。
• 噪声幅度（Noise Amplitude, NA）：曲线平坦段的标准差，用于量化锯齿抖动程度。NA 超过峰值高度的 5% 时，必须启用平滑滤波。

# 对焦曲线质量评估函数示例
import numpy as np

def evaluate_curve_quality(positions, contrast_values):
    # 寻找峰值
    peak_idx = np.argmax(contrast_values)
    peak_val = contrast_values[peak_idx]

    # 1. 峰值锐度 (PS)
    left_valley = np.min(contrast_values[:peak_idx]) if peak_idx > 0 else contrast_values[0]
    right_valley = np.min(contrast_values[peak_idx+1:]) if peak_idx < len(contrast_values)-1 else contrast_values[-1]
    PS = peak_val - max(left_valley, right_valley)

    # 2. 对称性比率 (SR)
    left_slope = (peak_val - contrast_values[0]) / (positions[peak_idx] - positions[0]) if peak_idx > 0 else 1.0
    right_slope = (peak_val - contrast_values[-1]) / (positions[-1] - positions[peak_idx]) if peak_idx < len(positions)-1 else 1.0
    SR = left_slope / right_slope if right_slope != 0 else 1.0

    # 3. 噪声幅度 (NA) - 取远离峰值的平坦段
    flat_region = np.concatenate([contrast_values[:max(0, peak_idx-5)], contrast_values[min(len(contrast_values), peak_idx+5):]])
    NA = np.std(flat_region) if len(flat_region) > 0 else 0.0

    return {
        'PS': PS,
        'SR': SR,
        'NA': NA,
        'curve_quality': 'good' if (PS > 0.1 * peak_val and 0.8 < SR < 1.2 and NA < 0.05 * peak_val) else 'degraded'
    }

3.5 从差异到步长优化：设计启示

理解理想与真实曲线的差异，直接指导了步长优化算法的设计方向。下表总结了差异类型与步长策略的对应关系：