本系列主要介紹圖像信號處理器 (ISP, image signal processor) 中各核心算法模塊的設計以及相關的前沿研究，以典型的相機成像系統為基礎，涉及的內容包括各類缺陷校正，去馬賽克，去噪，3A算法（自動對焦，自動曝光，自動白平衡），超分，HDR，風格遷移等主題。
本文介紹自動對焦技術的基本概念，并介紹現有的一些自動對焦方法。
背景介紹
對于機器來說，準確快速地聚焦是一件困難的事情。早期的圖像及視頻成像系統中，主要采取手動對焦的方式，根據人眼主觀判斷手動進行反復調節，直至肉眼所觀測的圖像最為清晰。自動對焦，顧名思義，將手動對焦的過程自動化，即自動調整相機鏡頭或焦距使相機成清晰的像。
01
對焦值評價函數
在聚焦調節范圍內，每一個調焦位置會對應一個對比度值，即對焦值，這些對焦值形成一條曲線，通常稱為對焦曲線，如下圖1所示。評價函數往往決定了對焦效果的好壞，即圖像的清晰程度。
圖1
一個理想的對焦值評價及焦點搜索過程如下圖2所示，可以看到，對比度最大位置處的圖像最清晰，對焦值曲線也是單峰的。當對焦函數確定之后，如何找到最大對焦值對應的焦點，需要相應的搜索算法。
圖2
02
對焦值搜索算法
對焦準確的位置對應于對比度評價函數的最大峰值，只有找到峰值，才能實現精準對焦。確定峰值需要相應的搜索算法。從某種意義上來說，對比度評價函數決定了對焦的精度，對焦值搜索算法決定了對焦的速度。下面簡單介紹常用的兩種對焦搜索方法。
全局搜索：從調焦范圍的一端出發，采用等長的步長，逐步移動到調焦尾端，比較電機所有移動位置處圖像對焦值大小，從而確定一個最大對焦值位置。
圖3
二分搜索：需要多次往返搜索，與全局搜素類似，從對焦范圍一端出發，首先以較大步長對整個調焦范圍掃描一次，然后移動到當前最大對焦位置的周圍區域，再以較小步長進行搜素，如此往復，直到搜索的最大值變化足夠小。
圖4
03
對焦窗口選擇
對焦窗口，是在自動對焦過程中利用評價函數對拍攝場景進行清晰度評價值計算所選取的某一區域，通常為人們所感興趣的區域，而不是對整幅圖像進行計算。常用的對焦窗口選擇算法主要有中央區域對焦窗口選擇法、多區域對焦窗口選擇法。
中央區域對焦窗口選擇法是利用圖像正中心某一特定尺寸的區域作為對對焦窗口區域的，其原理是認為在拍攝時關注的主體部分通常在視場中央，只要中央區域處在合焦狀態，即認為整幅圖像對焦完成。
圖5
多區域對焦窗口選擇法是在圖像中選取多個子區域作為對焦窗口，利用多個區域共同評價圖像的對焦程度。主要有黃金分割法和倒T字型法。
圖6
現有方法介紹
01
主動對焦
主動對焦使用傳感器或測距工具測量出目標場景與鏡頭之間的距離，然后據此調焦而獲得對焦準確的位置。主要分為紅外線測距法、超聲波測距法、PSD測距法等。主動對焦能適應各種光照情形，尤其是在低照度情況下也能正常工作，但是主動對焦成本更高，體積更大，便攜性較差。下圖是PSD測距法的原理示意圖。
圖7
02
被動對焦
被動對焦主要利用透入的光線和形成的圖像信息進行分析來調節焦距，主要分為反差式對焦 (Contrast Detection, AF) 和相差式對焦 (Phase Detection, AF) 。
反差式自動對焦的基本原理可以概括為：隨著鏡頭向合焦位置移動，圖像越來越清晰，圖像的對比度也越來越大，將尋找合焦位置的焦點轉化為尋找圖像最大對比度的過程。反差式對焦的主要優點在于對焦準確，環境適應能力強，光學設計原理簡單。缺點在于對焦速度較慢，對噪聲敏感，在物體本身對比度較低時會對焦失效。下圖描繪了反差式對焦系統的一般框架。
圖8
使用相位差作為評價圖像對焦程度的方法稱為相差式對焦，它利用一對線性對焦傳感器 (Line Sensor) 的相位差來調整焦距。這種對焦系統結構如下圖所示，一部分入射到相機的光被半反射鏡 (Half Mirror) 和子反射鏡 (Sub-mirror) 向下反射到線性傳感器上，向下反射的光通過透鏡 (Mirror) 匯聚到兩個單獨的線性傳感器上。相差式對焦優點在于對焦迅速、準確；缺點在于需要獨特的硬件構造，結構復雜，造價高，環境適應能力差。
圖9
參考文獻：
[1] Lee S Y, Kumar Y, Cho J M, et al. Enhanced autofocus algorithm using robust focus measure and fuzzy reasoning[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2008, 18(9): 1237-1246.
[2] Ho C J, Chan C C, Chen H H. AF-Net: A convolutional neural network approach to phase detection autofocus[J]. IEEE Transactions on Image Processing, 2020, 29: 6386-6395.
[3] Zhang Y, Liu L, Gong W, et al. Autofocus system and evaluation methodologies: a literature review[J]. Sens. Mater., 2018, 30(5): 1165-1174.
[4] Xu X, Wang Y, Tang J, et al. Robust automatic focus algorithm for low contrast images using a new contrast measure[J]. Sensors, 2011, 11(9): 8281-8294.
[5] Krotkov E. Focusing[J]. International Journal of Computer Vision, 1988, 1(3): 223-237.
