這兩種方法的原理說(shuō)明起來(lái)比較麻煩，簡(jiǎn)單來(lái)說(shuō)，離焦深度方法是從離焦圖像中獲得模糊程度和深度信息，根據二者加上對應的拍攝參數來(lái)計算清晰度評價(jià)值，并結合這些所有值，得到需要調整的具體量，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(jià)值，之后對這一系列值以擬合的方式得到評價(jià)曲線(xiàn)，根據評價(jià)曲線(xiàn)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(shuō)一點(diǎn)題外話(huà)就是，雖然這個(gè)些過(guò)程一樣，但不同的廠(chǎng)商的計算方法其實(shí)有些不同，所以一樣的對比度對焦，有的廠(chǎng)家就收斂就快，有的廠(chǎng)家就則慢。

這兩種方法都不離開(kāi)一個(gè)東西，就是清晰度評價(jià)值，清晰度評價(jià)值類(lèi)似一個(gè)統計量，是根據一些參數經(jīng)過(guò)某種處理之后得到的，當然清晰度評價(jià)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(jià)值的方法一般有這么幾種（不全面，還有其他的很多）：

第一種是頻譜函數的方法，清晰的圖像對比相應的不清晰圖像在相應頻譜分量上含有更多的信息，一種反映出來(lái)就是頻譜函數的幅值，可以利用這種方法評價(jià)。

第二種是信息熵，清晰的圖像的信息熵大于相應的不清晰圖像，這個(gè)原始證明很繁瑣，所以這里用數據處理定理反證：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(wú)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的不清晰圖像，如果有方法計算出信息熵，則可以用熵來(lái)評價(jià)。

第三種是梯度函數，在圖像中梯度函數是一個(gè)可以衡量某變量變換率快慢的函數，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(shuō)變化最不連續，如此一來(lái)也可以評價(jià)清晰度。

現在常用的是第三種，也就是梯度，梯度在數學(xué)上是變換率的表征，在實(shí)際計算的時(shí)候我們可以用方差、能量梯度或者拉普拉斯算子（等價(jià)于二階微分）或者其他一些方法來(lái)實(shí)現，這些計算方法本身各自的復雜度不同，但最影響計算量的是選取圖像中像素點(diǎn)的多寡，比如一個(gè)對比度對焦選款，是取中央一點(diǎn)，還是邊緣四點(diǎn)，還是對角線(xiàn)五點(diǎn)？這都是各個(gè)相機廠(chǎng)家考慮的問(wèn)題。

現在來(lái)看看，下圖是那種評價(jià)方法？