一、AF基础概念：从模糊到清晰的那点事
大家好，我是你们这门课的老朋友。做了十几年图像算法，从最早的数码相机到现在的手机摄像头，我一直在跟自动对焦打交道。今天咱们聊聊最基础的东西——自动对焦到底是什么，它背后的逻辑又是怎样的。
说实话，我刚入行那会儿，觉得自动对焦不就是让画面变清楚嘛，有什么难的？后来踩了不少坑才发现，这里面的门道比想象中深得多。好，咱们正式开始。
1.1 什么是自动对焦？
自动对焦，英文叫 Auto Focus，简称 AF。说白了，就是相机自己判断什么时候画面最清楚，然后驱动镜头到那个位置。
你想想看，手动对焦的时候，你得拧镜头环，眼睛盯着取景器，觉得清楚了就停。自动对焦就是把这件事交给算法和硬件去完成。
我个人的理解是：自动对焦本质上是一个搜索+判断的过程。搜索是指马达带着镜头前后移动，判断是指算法实时评估当前画面的清晰程度。
核心要点：自动对焦不是让画面变清晰，而是找到那个让画面最清晰的镜头位置。
1.2 对焦评价函数（Focus Measure）的定义
好，问题来了：算法怎么知道画面清不清楚？
这就需要引入一个概念——对焦评价函数，也叫 Focus Measure。它就是一个数学公式，输入是一帧图像，输出是一个数值，这个数值越大，代表图像越清晰。
我在项目中遇到过最典型的场景：调试一款手机摄像头，发现对焦总是来回震荡。后来查了半天，问题出在评价函数选错了——对于低对比度的场景，传统的梯度算子根本不好使。
常见的评价函数有这几类：
- 基于梯度的方法：比如 Tenengrad、Laplacian、Sobel。原理很简单——清晰的图像边缘锐利，梯度值大。
- 基于频域的方法：比如 FFT 变换后看高频分量。清晰图像高频多，模糊图像高频少。
- 基于统计的方法：比如方差、熵。清晰图像的像素值分布更分散。
嗯，这里要注意：没有万能的评价函数。不同场景、不同传感器，适合的函数不一样。我一般会准备 3-5 个候选函数，上线前做一轮对比测试。
1.3 清晰度与对比度的关系
很多人把清晰度和对比度混为一谈，其实它们不是一回事。
对比度是图像中明暗区域的差异程度。比如一张黑白分明的图片，对比度就高。
清晰度是图像中细节的锐利程度。比如一根头发丝，边缘越锐利，清晰度越高。
它们有关系吗？有。高对比度的图像通常看起来更清晰，但反过来不一定成立——一张对比度很高的图，如果细节模糊，清晰度照样低。
我记得有一次调试夜景模式，发现评价函数在暗光下表现很差。后来分析发现，暗光下对比度本来就低，梯度算子算出来的值很小，信噪比太差。解决方案是换了一种基于局部方差的评价函数，效果好了不少。
避坑指南：我曾经在低光照场景下直接套用白天用的评价函数，结果对焦速度慢了一倍。后来养成了习惯——先分析场景特性，再选评价函数。
1.4 AF系统的组成模块
一个完整的自动对焦系统，由四个核心模块组成。我画了一张图，方便你理解它们之间的关系。
这四个模块缺一不可。我简单说说每个模块的作用：
| 模块 | 作用 | 我踩过的坑 |
|---|---|---|
| 镜头 | 折射光线，改变焦点位置 | 镜头的机械公差会影响对焦精度，同一批镜头个体差异可能很大 |
| 传感器 | 将光信号转为电信号 | 传感器噪声会直接影响评价函数的准确性，尤其是暗光下 |
| 马达 | 驱动镜头前后移动 | 马达的步进精度和响应速度，决定了你能不能在 100ms 内完成对焦 |
| 算法 | 计算清晰度、决策对焦策略 | 算法再牛，硬件跟不上也是白搭——这是血泪教训 |
重要提醒：很多初学者只关注算法，忽略了硬件。我见过太多项目，算法调得天花乱坠，结果马达响应延迟 50ms，整个对焦系统就是慢半拍。记住——AF 系统是一个整体，短板效应非常明显。
1.5 小结
这一章咱们把 AF 的基础概念捋了一遍。自动对焦说白了就是：用评价函数量化清晰度，驱动马达找到最佳位置。清晰度和对比度有关系，但不是一回事。AF 系统的四个模块——镜头、传感器、马达、算法——必须协同工作。
下一章我会深入讲评价函数的数学原理，包括梯度算子的具体实现、频域分析的优缺点，以及怎么在实际项目中做选型。到时候我会带上代码，咱们边写边聊。