自动对焦学习-3

整理好的 CSDN Markdown 版本如下，可以直接复制发布。

工业快速自动对焦中常用的清晰度评价函数总结：Tenengrad、Laplacian、Brenner、SMD 等

一、前言

在工业相机、机器视觉、显微成像、电动调焦镜头、自动对焦设备中，基于图像的自动对焦是一类非常常见的方案。

它的核心流程可以概括为：

text 复制代码

移动镜头 Focus 位置
  ↓
采集图像
  ↓
计算图像清晰度评价值
  ↓
判断图像是否变清晰
  ↓
继续移动或反向搜索
  ↓
找到清晰度最大的位置
  ↓
锁定焦点

其中最关键的一步就是：

text 复制代码

如何用一个数学函数判断当前图像是否清晰？

这个函数通常称为：

text 复制代码

清晰度评价函数
Focus Measure Function
Sharpness Evaluation Function

在工业和商业自动对焦系统中，厂商的完整算法通常不会完全公开，但从公开论文、机器视觉资料和工程实践来看，主流快速自动对焦仍然以经典图像清晰度评价函数为主，尤其是：

text 复制代码

梯度类函数
拉普拉斯类函数
灰度差分类函数
统计类函数
频域类函数

其中最常用、最适合快速自动对焦的，通常是：

text 复制代码

Tenengrad / Sobel 梯度能量
Laplacian / 方差拉普拉斯
Brenner 梯度函数
SMD 灰度差分函数

本文对这些主流清晰度评价函数进行系统梳理，并结合工程实现角度说明它们的优缺点和适用场景。

二、清晰度评价函数的基本思想

一张清晰图像和一张模糊图像最大的区别是：

text 复制代码

清晰图像：边缘锐利，灰度变化剧烈，高频细节丰富
模糊图像：边缘发散，灰度变化平缓，高频细节减少

例如一条黑白边界：

text 复制代码

清晰图像：
黑 黑 黑 | 白 白 白

模糊图像：
黑 深灰 灰 浅灰 白

清晰图像中，从黑到白的变化非常突然；模糊图像中，从黑到白的变化比较平缓。

所以大多数清晰度评价函数都是围绕下面几个特征设计的：

text 复制代码

1. 边缘强度
2. 灰度梯度
3. 高频信息
4. 局部对比度
5. 灰度变化程度
6. 频域高频能量

自动对焦算法的目标，就是在不同 Focus 位置下计算清晰度评价值，然后找到评价值最大的那个位置。

三、主流清晰度评价函数分类

常见清晰度评价函数可以按下面方式分类：

类型	代表函数	特点
梯度类	Tenengrad、Sobel、Brenner、SMD	速度快，适合实时自动对焦
拉普拉斯类	Laplacian、Variance of Laplacian、Modified Laplacian	对高频细节敏感，适合精细对焦
统计类	灰度方差、局部方差	实现简单，但容易受亮度影响
频域类	FFT、DCT、小波高频能量	理论效果好，但计算量较大
信息类	熵函数	反映信息量，但不一定稳定对应焦点
组合类	Sobel + Variance、Tenengrad + Laplacian	工程鲁棒性更好，但需要调参

如果按照工业快速自动对焦的实用性排序，可以优先考虑：

推荐优先级	清晰度评价函数	工业实用性	计算速度	是否推荐第一版实现
1	Tenengrad / Sobel 梯度能量	很高	快	强烈推荐
2	Laplacian / 方差拉普拉斯	很高	较快	推荐
3	Brenner 梯度函数	中高	很快	推荐作为轻量方案
4	SMD 灰度差分函数	中高	很快	可作为备选
5	灰度方差 / 局部方差	中	很快	不建议单独使用
6	Sobel + Variance 组合函数	高	中等	可做增强版
7	FFT / DCT / 小波高频能量	特定场景好	较慢	不建议第一版使用
8	熵函数	特定场景可用	中等偏慢	不建议作为主函数

一句话总结：

text 复制代码

工业快速自动对焦最常用的是梯度类和拉普拉斯类函数。
其中 Tenengrad/Sobel 和 Laplacian 是最值得优先实现的两类。

四、Tenengrad / Sobel 梯度能量函数

1. 基本思想

Tenengrad 是非常经典的清晰度评价函数。

它的核心思想是：

text 复制代码

图像越清晰，边缘越锐利；
边缘越锐利，灰度梯度越大；
所以梯度能量越大，图像越清晰。

通常使用 Sobel 算子计算图像在水平方向和垂直方向的梯度。

text 复制代码

Gx = Sobel_x(I)
Gy = Sobel_y(I)

清晰度评价值可以写成：

text 复制代码

FocusValue = Σ(Gx² + Gy²)

也可以加入阈值：

text 复制代码

FocusValue = Σ(Gx² + Gy²), 其中 Gx² + Gy² > T

其中：

text 复制代码

I：灰度图像
Gx：水平方向梯度
Gy：垂直方向梯度
T：梯度阈值，用于抑制噪声

2. Sobel 算子

常用 Sobel 卷积核如下：

text 复制代码

Sobel_x =
[-1  0  1
 -2  0  2
 -1  0  1]

Sobel_y =
[-1 -2 -1
  0  0  0
  1  2  1]

计算流程：

text 复制代码

灰度图像
  ↓
选取 ROI 区域
  ↓
Sobel_x 计算水平梯度
  ↓
Sobel_y 计算垂直梯度
  ↓
计算 Gx² + Gy²
  ↓
累加得到清晰度值

3. 伪代码

c 复制代码

float Focus_Tenengrad(uint8_t *gray, int width, int height)
{
    float focus_value = 0;

    for(int y = 1; y < height - 1; y++)
    {
        for(int x = 1; x < width - 1; x++)
        {
            int gx =
                -gray[(y-1)*width + (x-1)] + gray[(y-1)*width + (x+1)] +
                -2 * gray[y*width + (x-1)] + 2 * gray[y*width + (x+1)] +
                -gray[(y+1)*width + (x-1)] + gray[(y+1)*width + (x+1)];

            int gy =
                -gray[(y-1)*width + (x-1)] - 2 * gray[(y-1)*width + x] - gray[(y-1)*width + (x+1)] +
                 gray[(y+1)*width + (x-1)] + 2 * gray[(y+1)*width + x] + gray[(y+1)*width + (x+1)];

            int g2 = gx * gx + gy * gy;

            focus_value += g2;
        }
    }

    return focus_value;
}

4. 优点

text 复制代码

1. 计算量较低
2. 对边缘清晰度敏感
3. 清晰度曲线通常比较明显
4. 适合工业图像、字符、条码、结构件边缘
5. 适合 ARM、DSP、FPGA 实现
6. 工程上容易调试

5. 缺点

text 复制代码

1. 对噪声敏感
2. 低纹理目标效果较差
3. 过曝区域没有有效梯度
4. ROI 中没有边缘时容易判断失败

6. 工程建议

第一版自动对焦系统，最推荐使用：

text 复制代码

中心 ROI + 灰度图 + Sobel/Tenengrad + 粗扫细扫

这是最容易跑通、最接近工业实用的方案。

五、Laplacian / 方差拉普拉斯函数

1. 基本思想

Laplacian 类函数也是工业自动对焦和显微成像中非常常见的清晰度评价函数。

它的核心思想是：

text 复制代码

清晰图像包含更多高频细节；
Laplacian 二阶导数对高频细节敏感；
所以 Laplacian 响应越强，图像越清晰。

常见形式包括：

text 复制代码

Laplacian 能量
方差拉普拉斯
改进拉普拉斯 Modified Laplacian

2. 方差拉普拉斯

先对图像做 Laplacian 滤波：

text 复制代码

L = Laplacian(I)

然后计算响应图的方差：

text 复制代码

FocusValue = Var(L)

如果图像清晰，高频细节多，Laplacian 响应波动大，方差也大。

3. Laplacian 能量

也可以直接累加 Laplacian 响应：

text 复制代码

FocusValue = Σ |Laplacian(I)|

或者：

text 复制代码

FocusValue = Σ Laplacian(I)²

4. 改进拉普拉斯 Modified Laplacian

Modified Laplacian 常用于显微成像、Shape from Focus 和精密检测场景。

常见形式如下：

text 复制代码

ML(x,y) = |2I(x,y) - I(x-1,y) - I(x+1,y)|
        + |2I(x,y) - I(x,y-1) - I(x,y+1)|

FocusValue = Σ ML(x,y)

5. 优点

text 复制代码

1. 对细节和高频信息非常敏感
2. 峰值通常比较尖锐
3. 适合精细对焦
4. 适合显微镜、纹理检测、精密检测
5. 可以用于最终锁焦判断

6. 缺点

text 复制代码

1. 比 Sobel 更容易放大噪声
2. 对图像噪点敏感
3. 对压缩伪影敏感
4. 对高反光、过曝区域容易误判
5. 需要滤波或阈值处理

7. 工程建议

如果图像质量较好、光源稳定、曝光固定，可以使用：

text 复制代码

Laplacian 方差

如果图像噪声较大，建议使用：

text 复制代码

高斯滤波 + Laplacian

或者组合使用：

text 复制代码

Tenengrad 主判断 + Laplacian 辅助判断

六、Brenner 梯度函数

1. 基本思想

Brenner 是一种非常轻量的清晰度评价函数。

它通过比较相隔几个像素的灰度差来判断图像清晰度。

典型公式：

text 复制代码

FocusValue = Σ [I(x+2,y) - I(x,y)]²

也可以加入垂直方向：

text 复制代码

FocusValue = Σ { [I(x+2,y) - I(x,y)]² 
               + [I(x,y+2) - I(x,y)]² }

2. 优点

text 复制代码

1. 计算非常简单
2. 不需要卷积核
3. 速度很快
4. 适合低端 ARM、MCU、FPGA
5. 适合快速粗搜索

3. 缺点

text 复制代码

1. 鲁棒性不如 Tenengrad
2. 对方向有偏好
3. 对低对比图像不稳定
4. 对噪声敏感
5. 峰值有时不够尖锐

4. 工程建议

Brenner 非常适合做：

text 复制代码

快速粗搜索

但是不建议单独作为最终锁焦函数。

更推荐的组合是：

text 复制代码

Brenner 粗扫 + Tenengrad 细扫

或者：

text 复制代码

Brenner 粗扫 + Laplacian 细扫

七、SMD 灰度差分函数

1. 基本思想

SMD 通常指 Sum of Modulus Difference，也就是灰度差分绝对值累加。

典型公式：

text 复制代码

FocusValue = Σ |I(x+1,y) - I(x,y)|
           + Σ |I(x,y+1) - I(x,y)|

它和 Brenner 的思想类似，都是利用相邻像素灰度变化来判断图像清晰度。

2. 优点

text 复制代码

1. 计算简单
2. 速度快
3. 不需要复杂滤波
4. 对边缘变化敏感
5. 适合嵌入式实时计算

3. 缺点

text 复制代码

1. 抗噪性一般
2. 容易受纹理影响
3. 容易受光照变化影响
4. 峰值质量不一定稳定

4. 工程建议

SMD 可以作为轻量方案使用，但如果追求工业稳定性，优先级低于 Tenengrad。

推荐用法：

text 复制代码

SMD 用于粗略判断
Tenengrad 或 Laplacian 用于最终锁焦

八、灰度方差 / 局部方差

1. 基本思想

灰度方差的思想很简单：

text 复制代码

清晰图像灰度变化通常更丰富；
模糊图像灰度变化被平滑；
所以图像方差越大，可能越清晰。

公式如下：

text 复制代码

Mean = 平均灰度

FocusValue = 1/N × Σ [I(x,y) - Mean]²

也可以计算局部方差：

text 复制代码

FocusValue = Σ LocalVariance(I)

2. 优点

text 复制代码

1. 实现非常简单
2. 计算速度快
3. 对低算力平台友好
4. 可以作为辅助评价量

3. 缺点

text 复制代码

1. 受亮度影响明显
2. 受曝光变化影响明显
3. 受增益变化影响明显
4. 对光照不均匀敏感
5. 容易把高对比但不清晰的图像误判为清晰

4. 工程建议

不建议单独使用灰度方差作为主对焦函数。

它更适合作为辅助指标，例如：

text 复制代码

FocusValue = Tenengrad + k × Variance

九、Sobel + Variance 组合函数

1. 基本思想

组合函数是工程中很常见的增强思路。

例如将边缘梯度和灰度变化结合起来：

text 复制代码

FocusValue = α × SobelEnergy + β × GrayVariance

其中：

text 复制代码

SobelEnergy = Σ(Gx² + Gy²)
GrayVariance = Var(I)

最终：

text 复制代码

FocusValue = α × SobelEnergy + β × GrayVariance

2. 优点

text 复制代码

1. 比单独灰度方差更可靠
2. 比单独 Sobel 在某些纹理场景更稳定
3. 可以根据场景调整权重
4. 工程调参空间大

3. 缺点

text 复制代码

1. 需要调 α、β 权重
2. 不同光源下参数可能不同
3. 不同目标材质下参数可能不同
4. 算法复杂度略高

4. 工程建议

第一版不建议直接上组合函数。

建议先实现：

text 复制代码

Tenengrad

等 Tenengrad 跑通后，再升级为：

text 复制代码

Tenengrad + 局部方差

或者：

text 复制代码

Tenengrad + Laplacian

十、FFT / DCT / 小波高频能量

1. 基本思想

频域类方法的核心思想是：

text 复制代码

清晰图像高频成分多；
模糊图像高频成分少；
所以可以统计高频能量作为清晰度。

例如 FFT 高频能量：

text 复制代码

F = FFT(I)

FocusValue = Σ |F(u,v)|²

其中 (u,v) 选取高频区域。

DCT 和小波方法也是类似思想，只是变换方式不同。

2. 优点

text 复制代码

1. 理论上能很好反映频率细节
2. 对纹理分析有价值
3. 对显微成像和离线评估有价值
4. 适合某些高精度检测场景

3. 缺点

text 复制代码

1. 计算量大
2. 实时性不如空间域方法
3. 嵌入式实现复杂
4. ROI 较大时开销明显
5. 不适合低成本高速自动对焦第一版

4. 工程建议

第一版自动对焦系统不建议使用 FFT、DCT 或小波作为主函数。

除非应用是：

text 复制代码

显微成像
高精度三维重建
离线焦点评估
FPGA/DSP 专用加速

否则更推荐使用 Tenengrad 或 Laplacian。

十一、熵函数 Histogram Entropy

1. 基本思想

熵函数的思想是：

text 复制代码

清晰图像信息量更大；
灰度分布更丰富；
所以熵值可能更高。

公式如下：

text 复制代码

FocusValue = -Σ p(i) × log[p(i)]

其中：

text 复制代码

p(i)：灰度 i 出现的概率

2. 优点

text 复制代码

1. 可以反映图像信息量
2. 对纹理丰富图像有一定效果
3. 可用于某些统计图像评价场景

3. 缺点

text 复制代码

1. 不一定和焦点清晰强相关
2. 对噪声敏感
3. 对直方图分布敏感
4. 在低纹理场景容易误判
5. 不适合快速自动对焦主函数

4. 工程建议

不建议将熵函数作为工业快速自动对焦的主清晰度函数。

十二、商业快速自动对焦为什么偏爱 Tenengrad 和 Laplacian？

工业和商业自动对焦更偏爱 Tenengrad、Sobel、Laplacian 这类函数，主要原因是：

text 复制代码

1. 计算量低
2. 实时性好
3. 对边缘清晰度敏感
4. 可以通过 ROI 减少计算量
5. 可以在 FPGA、ISP、DSP 中流水线实现
6. 清晰度曲线通常有明显峰值
7. 适合粗扫 + 细扫搜索策略

工业系统通常追求的是：

text 复制代码

速度快
稳定性好
实现简单
可调试
可移植
可硬件加速

而不是一开始就追求复杂算法。

因此，很多工程系统会优先使用：

text 复制代码

Tenengrad / Sobel 梯度
Laplacian 高频响应
Brenner / SMD 快速差分

而不是优先使用 FFT、小波、熵函数或者复杂 AI 模型。

十三、自动对焦中清晰度评价函数的典型使用流程

一个典型的自动对焦流程如下：

text 复制代码

固定曝光和增益
  ↓
采集图像
  ↓
转换为灰度图
  ↓
选取 ROI 区域
  ↓
计算清晰度评价值
  ↓
移动 Focus
  ↓
再次采图
  ↓
再次计算清晰度
  ↓
比较清晰度变化
  ↓
找到峰值位置
  ↓
锁定焦点

注意，自动对焦时最好固定：

text 复制代码

曝光时间
模拟增益
数字增益
光源亮度
ROI 区域

否则清晰度评价值可能会受到亮度变化影响，导致算法误判。

十四、粗扫和细扫中如何选择评价函数？

在自动对焦中，通常会分成两个阶段：

text 复制代码

粗扫
细扫

1. 粗扫阶段

粗扫阶段的目标是快速找到大致清晰位置。

可以使用：

text 复制代码

Brenner
SMD
Tenengrad

如果对速度要求很高，可以用 Brenner 或 SMD。

如果希望更稳定，可以直接用 Tenengrad。

2. 细扫阶段

细扫阶段的目标是找到更精确的焦点峰值。

可以使用：

text 复制代码

Tenengrad
Laplacian
Tenengrad + Laplacian

推荐：

text 复制代码

粗扫：Tenengrad
细扫：Tenengrad + Laplacian

或者：

text 复制代码

粗扫：Brenner
细扫：Tenengrad
最终确认：Laplacian

十五、如何提高评价函数的稳定性？

清晰度评价函数本身很重要，但工程上还要注意稳定性。

常用优化方法如下：

1. 固定曝光和增益

自动对焦过程中不要让曝光和增益自动变化。

否则图像亮度变化会影响清晰度值。

text 复制代码

推荐：AF 过程中锁定曝光、锁定增益

2. 使用 ROI

不要全图计算。

推荐使用：

text 复制代码

中心 ROI
目标 ROI
多区域 ROI

例如：

text 复制代码

整幅图像：1920 × 1080
对焦 ROI：中心 640 × 480

这样可以减少计算量，也能避免背景干扰。

3. 排除无效区域

以下区域不适合作为对焦评价区域：

text 复制代码

过曝区域
纯黑区域
纯白区域
低纹理区域
强反光区域
运动模糊区域

可以在计算前做简单判断：

text 复制代码

如果 ROI 平均灰度太高：可能过曝
如果 ROI 平均灰度太低：可能欠曝
如果 ROI 方差太低：纹理不足

4. 多帧平均

单帧图像可能有噪声，可以对清晰度值做多帧平均：

text 复制代码

FocusValue = (F1 + F2 + F3) / 3

这样可以提高稳定性，但会降低速度。

5. 阈值抑制噪声

以 Tenengrad 为例，可以只累加超过阈值的梯度：

text 复制代码

if(Gx² + Gy² > T)
{
    FocusValue += Gx² + Gy²;
}

这样可以减少噪声对评价值的影响。

十六、对嵌入式和 FPGA 实现的建议

对于嵌入式自动对焦系统，建议优先考虑空间域算法。

1. MCU / 低端 ARM

推荐：

text 复制代码

Brenner
SMD
简化 Sobel

原因是计算量低，实现简单。

2. ARM Linux / 高性能 ARM

推荐：

text 复制代码

Tenengrad
Laplacian
Tenengrad + Variance

可以配合：

text 复制代码

NEON 加速
多线程
OpenCV
ROI 降采样

3. FPGA

推荐：

text 复制代码

Sobel / Tenengrad
Modified Laplacian
SMD
Brenner

FPGA 非常适合做图像流水线。

典型 FPGA Sobel 流水线如下：

text 复制代码

像素输入
  ↓
行缓存 Line Buffer
  ↓
3×3 窗口
  ↓
Sobel_x / Sobel_y
  ↓
梯度能量计算
  ↓
ROI 内累加
  ↓
输出清晰度评价值

FPGA 实现时，要重点关注：

text 复制代码

1. 行缓存设计
2. 3×3 窗口生成
3. 乘法资源消耗
4. 累加位宽
5. ROI 统计区域
6. 帧同步信号
7. 评价值输出时序

十七、推荐的第一版实现方案

如果从零开始做一套自动对焦系统，建议不要一开始做复杂算法。

第一版建议：

text 复制代码

主评价函数：Tenengrad / Sobel 梯度能量
辅助评价函数：Laplacian 方差
备用评价函数：Brenner 或 SMD
不建议主用：Entropy、FFT、纯灰度方差

推荐流程：

text 复制代码

1. 固定相机曝光和增益
2. 获取图像
3. 转换为灰度图
4. 截取中心 ROI
5. 计算 Tenengrad 清晰度值
6. 移动 Focus
7. 重复采图和计算
8. 找到清晰度最大位置
9. 小范围细扫
10. 锁定焦点

第一版目标不是追求最复杂，而是先把闭环跑通：

text 复制代码

镜头动一下
  ↓
采一帧图
  ↓
算一个清晰度分数
  ↓
再动一下
  ↓
找到分数最大的位置

十八、推荐算法组合

方案 1：最简单稳定版

text 复制代码

评价函数：Tenengrad
搜索策略：粗扫 + 细扫
ROI：中心 ROI

适合：

text 复制代码

第一版样机
工业相机调焦
电动镜头验证

方案 2：轻量高速版

text 复制代码

粗扫：Brenner
细扫：Tenengrad
最终确认：多帧平均 Tenengrad

适合：

text 复制代码

嵌入式系统
低算力平台
快速搜索

方案 3：精细对焦版

text 复制代码

粗扫：Tenengrad
细扫：Tenengrad + Laplacian
最终确认：Laplacian 方差

适合：

text 复制代码

显微成像
精密检测
纹理清晰目标

方案 4：多 ROI 工业增强版

text 复制代码

中心 ROI：权重 0.6
左侧 ROI：权重 0.2
右侧 ROI：权重 0.2

评价函数：

text 复制代码

FocusValue = 0.6 × CenterROI
           + 0.2 × LeftROI
           + 0.2 × RightROI

适合：

text 复制代码

目标不一定在中心
画面复杂
背景容易干扰

十九、常见问题总结

1. 为什么图像看起来清楚，但评价值不稳定？

可能原因：

text 复制代码

1. 光源不稳定
2. 曝光自动变化
3. 增益自动变化
4. ROI 选择不合理
5. 图像噪声大
6. 目标纹理少
7. 被测物反光严重

解决方法：

text 复制代码

1. 固定曝光和增益
2. 使用稳定光源
3. 重新选择 ROI
4. 对评价值做滤波
5. 使用阈值抑制噪声
6. 多帧平均

2. 为什么找不到清晰度峰值？

可能原因：

text 复制代码

1. 搜索范围不够
2. Focus 没有真正移动
3. 电机失步
4. ROI 没有纹理
5. 图像过曝或欠曝
6. 清晰度评价函数不合适
7. 景深太大，曲线不明显

解决方法：

text 复制代码

1. 扩大搜索范围
2. 检查电机驱动
3. 检查镜头方向
4. 调整光源和曝光
5. 更换 ROI
6. 尝试 Tenengrad 或 Laplacian

3. 为什么不建议第一版使用 FFT 或小波？

因为第一版的核心目标是跑通闭环，而不是追求理论最复杂。

FFT、小波这类方法虽然可以反映高频信息，但存在：

text 复制代码

计算量大
实现复杂
调试困难
实时性压力大

第一版更推荐：

text 复制代码

Tenengrad
Laplacian
Brenner
SMD

这些方法更适合快速验证。

二十、最终结论

工业和商业快速自动对焦中，主流清晰度评价函数主要包括：

text 复制代码

1. Tenengrad / Sobel 梯度能量
2. Laplacian / 方差拉普拉斯
3. Brenner 梯度函数
4. SMD 灰度差分函数
5. 灰度方差 / 局部方差
6. Sobel + Variance 组合函数
7. FFT / DCT / 小波高频能量
8. 熵函数

其中最推荐优先实现的是：

text 复制代码

Tenengrad / Sobel 梯度能量
Laplacian / 方差拉普拉斯

对于第一版自动对焦设备，推荐路线是：

text 复制代码

固定曝光和增益
  ↓
选取中心 ROI
  ↓
灰度化
  ↓
计算 Tenengrad 清晰度值
  ↓
移动 Focus
  ↓
寻找清晰度最大值
  ↓
小范围细扫
  ↓
锁定焦点

如果需要进一步提升速度和稳定性，可以升级为：

text 复制代码

粗扫阶段：Brenner 或 Tenengrad
细扫阶段：Tenengrad + Laplacian
最终锁焦：多帧平均后的 Tenengrad 峰值

一句话总结：

快速自动对焦不要一开始追求复杂 AI 或频域算法，先把 Tenengrad 跑通，再逐步加入 Laplacian、多 ROI、阈值滤波和搜索策略优化，这是最稳、最接近工业实现的路线。

参考方向

Contrast-based Autofocus，对比度检测自动对焦
Tenengrad Focus Measure，Sobel 梯度清晰度评价
Variance of Laplacian，方差拉普拉斯清晰度评价
Brenner Gradient，Brenner 梯度函数
Sum of Modulus Difference，灰度差分清晰度函数
Shape from Focus 中的 Modified Laplacian 方法
机器视觉自动对焦中的 Focus Measure Function 综述