《AF自动对焦——学习笔记》

大家好，欢迎来到IT知识分享网。

系列文章目录

自动对焦AF

前言

"AF" 通常是指自动对焦（Auto Focus）技术，用于在摄像和成像设备中自动调整镜头的焦距以获得清晰的图像。最重要的两种CDAF和PDAF

第一章：自动对焦原理

1.1 对焦的基本原理

• 对焦的基本原理是通过调整镜头或传感器的位置，以确保光线聚焦在图像传感器上，从而使主题在图像中呈现清晰的影像。
• 

1.2 对比度检测对焦（Contrast Detection Autofocus，CDAF）自动对焦

        对比度对焦是利用感光元件上的像素值差异来判断物体的距离，从而实现自动对焦。对比度对焦的优点是不需要额外的部件，不会影响成像质量，不存在跑焦风险，并且能在整个画面任意位置对焦。

优点：理论上讲，对比检测更加精确，并且能覆盖更宽广的区域。

缺点：这种模式对于高动态的拍摄条件或是短片拍摄来说不太好用。

1.3 相位对焦（Phase Detection Autofocus，PDAF）原理

        相位对焦是一种广泛用于数码相机、智能手机摄像头和其他成像设备中的自动对焦技术。它通过检测图像中不同像素之间的相位差异来测量焦距，从而实现快速且精确的对焦。与对比度对焦（Contrast Detection Autofocus，CDAF）相比，相位对焦通常更快。

优点：这种对焦方式比对比检测自动对焦的速度更快。

缺点：这种检测模式会让自动对焦点都集中在画面的中间。

1.4 清晰度

        清晰度是图像或照片中主题或细节的清晰程度，是摄影和图像处理中的关键指标之一。以下是几种常见的清晰度评价方法：

1. 分辨率（Resolution）：分辨率是图像中可见细节的数量和质量的度量。更高的分辨率通常表示更清晰的图像，因为它可以显示更多的细节。
2. 对比度（Contrast）：对比度是图像中不同部分之间亮度差异的度量。更高的对比度通常表示更清晰的图像，因为主题与背景之间的差异更明显。
3. 锐度（Sharpness）：锐度是图像中边缘和细节的清晰度度量。图像中清晰的边缘和细节通常被认为是更清晰的。
4. 噪点（Noise）：噪点是图像中不希望的颗粒或颜色偏差。更清晰的图像通常具有较低的噪点水平。
5. MTF曲线（Modulation Transfer Function）：MTF曲线显示了图像系统对不同空间频率的细节的传输能力。更高的MTF值表示系统对高频细节的保留能力更强，从而通常意味着更好的清晰度。
6. 视觉评估：最终，清晰度的评价最常采用人的主观感觉。通过人的视觉来评估图像或照片的清晰度，通常是最终的评判标准。
7. PSNR（Peak Signal-to-Noise Ratio）：PSNR是一种用于比较原始图像和压缩或处理后图像质量的度量标准。较高的PSNR值通常表示更清晰的图像。
8. SSIM（Structural Similarity Index）：SSIM是一种结构相似性指数，用于比较两幅图像之间的相似性，包括清晰度。较高的SSIM值通常表示更清晰的图像。

这些指标可以单独或结合使用，以评估图像或照片的清晰度。选择合适的评估指标取决于应用领域和具体需求，但通常情况下，分辨率、对比度、锐度和噪点是最常用的清晰度评价标准。

1.5、无参考图对比度（清晰度函数）

        为了实现准确的自动对焦，需要选取合适的清晰度评价函数，要求无偏性、单峰性、能反映离焦的极性、对噪声敏感度低、计算量尽可能小

自动对焦清晰度评价函数是用来指导调焦机构找到正焦位置的评价函数。理想的清晰度评价曲线类似高斯曲线。在无参考图像模式下，在拍照时进行对焦控制。其工作模式就是利用图像清晰度的评价指标控制镜头与CCD等感光元件的距离，图像从模糊到清晰，再到模糊，确定清晰度峰值，选定最佳位置。无参考图像清晰度评价函数是一类用于评估图像清晰度的方法，无需与原始清晰图像进行比较，而是直接对单张图像进行评估。以下是一些常用的无参考图像清晰度评价函数：

1. 模糊度估计（Blurriness Estimation）：这些方法根据图像中的模糊特征来评估清晰度。其中一种常见的方法是计算图像的梯度信息，模糊图像通常梯度较低。一些流行的算法包括Laplacian方差、梯度幅值等。
2. 频域方法（Frequency Domain Approaches）：这些方法通过分析图像的频谱信息来评估清晰度。例如，使用傅里叶变换可以将图像转换到频域，然后分析频谱分布。清晰图像通常具有更多的高频分量。
3. 信息论方法（Information Theory Approaches）：这些方法使用信息论原理来评估图像的清晰度。一种常见的方法是使用图像的熵（entropy）来度量图像的复杂性，清晰图像通常具有较低的熵值。
4. 神经网络方法（Neural Network Approaches）：近年来，深度学习方法在无参考图像清晰度评估中取得了显著进展。神经网络可以学习图像的特征并预测清晰度得分。

https://www.docin.com/p-256342659.htmlhttps://www.docin.com/p-256342659.htmlhttps://zhuanlan.zhihu.com/p/496782432https://zhuanlan.zhihu.com/p/496782432

总的来说，在具体工程实现过程中，需要实际的数据进行前期测试算法稳定性，以选择适用于当前硬件环境的算法指标。传统方式一般为small数据驱动，深度学习是super data驱动但是不管哪种方式，根据实际硬件去确定。

例如由于电机的稳定性不高，为了采集清晰图像只能让机器来回移动找到最佳清晰图像

 第二章：技术落地

PDAF的具体实现方式又各有不同。目前手机摄像头CIS技术主要掌握在 SONY半导体、Samsung 电子、OV三家手上。

2.1 分析详解单反相机的自动对焦

传统的相位检测自动对焦系统

数码相机使用的自动对焦系统一般是检测自动对焦系统；在实时取景模式下拍摄时取景屏拍摄，所以通常完全依靠对比检测相位检测或对比检测。通常单反相机在使时，用较慢的对比检测自动对焦系统。而对自动对焦系统。不过现在很多相机厂商会用光学取景器拍摄时，用速度比较快的相位于没有反光板的相机来说，基本都是使用实把这两种对焦系统混合起来使用

2.2 自动对焦马达

自动对焦马达的精度是评估其性能的关键因素之一，它决定了相机或镜头在自动对焦时能够准确对焦到所需的主题或场景。以下是关于不同自动对焦马达类型的精度以及其优劣势的介绍：