131 1300 0010
一般來說基于圖像處理的自動對焦的方法有兩種，第一種是通過計算對焦深度得到的，第二種是通過計算離焦深度得到的。
這兩種方法的原理說明起來比較麻煩，簡單來說，離焦深度方法是從離焦圖像中獲得模糊程度和深度信息，根據(jù)二者加上對應(yīng)的拍攝參數(shù)來計算清晰度評價值，并結(jié)合這些所有值，得到需要調(diào)整的具體量，因為需要的圖像較少，所以速度較快。
對焦深度方法要麻煩一些，首先需要一系列模糊程度不同的圖像，計算這一系列圖像的清晰度評價值，之后對這一系列值以擬合的方式得到評價曲線，根據(jù)評價曲線的峰值確定最佳對焦位置，這種方法精度高，但速度慢。
需要說一點題外話就是，雖然這個些過程一樣，但不同的廠商的計算方法其實有些不同，所以一樣的對比度對焦，有的廠家就快，有的廠家就慢。
這兩種方法都不離開一個東西，就是清晰度評價值，清晰度評價值類似一個統(tǒng)計量，是根據(jù)一些參數(shù)經(jīng)過某種處理之后得到的，當(dāng)然清晰度評價值還有其他的要求，比如有效性/魯棒性等。
平常計算清晰度評價值的方法一般有這么幾種（不全面，還有其他的很多）：
第一種是頻譜函數(shù)的方法，清晰的圖像對比相應(yīng)的不清晰圖像在相應(yīng)頻譜分量上含有更多的信息，一種反映出來就是頻譜函數(shù)的幅值，可以利用這種方法評價。
第二種是信息熵，清晰的圖像的信息熵大于相應(yīng)的不清晰圖像，這個原始證明很繁瑣，所以這里用數(shù)據(jù)處理定理反證：1.清晰的圖像處理后可以得到不清晰的圖像。 2.但不清晰的圖像無論如何處理都不能單獨得到清晰的圖像。 3.所以清晰圖像的信息熵大于相應(yīng)的不清晰圖像，如果有方法計算出信息熵，則可以用熵來評價。
第三種是梯度函數(shù)，在圖像中梯度函數(shù)是一個可以衡量某變量變換率快慢的函數(shù)，正確對焦的圖像有較為清晰的邊緣，而在邊緣的地方更為銳利，往往有變化率的最大值，或者說變化最不連續(xù)，如此一來也可以評價清晰度。
現(xiàn)在常用的是第三種，也就是梯度，梯度在數(shù)學(xué)上是變換率的表征，在實際計算的時候我們可以用方差、能量梯度或者拉普拉斯算子（等價于二階微分）或者其他一些方法來實現(xiàn)，這些計算方法本身各自的復(fù)雜度不同，但最影響計算量的是選取圖像中像素點的多寡，比如一個對比度對焦選款，是取中央一點，還是邊緣四點，還是對角線五點？這都是各個相機廠家考慮的問題。
