1、方差

在相机拍照时，通常会看到相机由模糊至清晰的自动对焦过程，逐渐形成清晰度比较高的图像。其实这是非常简单的处理,，并不需要非常特殊的算法，方法各式各样好多种，而且效率极其高。

表示样品离散程度的知识：方差和标准差。仅仅利用本知识加以变化，就足够了。

当完全聚焦时，图像最清晰，图像中的高频分量也最多，突变像素与相邻像素的差值也会变大，基于这个原理，对每一个像素水平右侧邻域的两个灰度值相减再相乘，再逐个像素累加，计算相邻两个像素灰度差的平方，如下：

其中：f(x,y) 表示图像f对应像素点(x,y)的灰度值，D(f)为图像清晰度。本方法效率非常高，1280*1024大小的图片10张同时计算能在70毫秒以内完成，而且结果精准。

当然不限于是上面这一种，比如对每一个像素右侧和下侧邻域两个灰度差相乘，再逐个像素累加，也可以，比如：

也可以方差定义里说的样本点与平均值比较的方式，比如如下：

当然按公式做的话，如果是针对灰度图，背景全白而拍摄主体是黑，或背景全黑而拍摄主体全白，D(f)值结果大小会相反，所以此法还不如前面那两种方法。再比如，用下和右相邻点与自己差值平方累加。如下：

也是可以很好的放大差异，越清晰则结果值越大，越模糊则值越小。

说到这里，你会发现上面提到的，其实都是相邻像素差用乘积放大从而鉴定出谁更清晰。

      当然你可以自己改进：比如用上下左右的4个点或者8个点也可以，比如用N个点以中心点差值相乘再求和，等于是以一个小块（模板）的形式去比较计算。

      但是执行效率不如上面几种，如果觉得上面算法效率还是不能满足你的要求，也很简单，采用隔行扫描，或间隔多行的方式，瞬间效率提升几倍。

2、通过拉普拉斯算子求梯度

拉普拉斯算子模块是利用拉普拉斯算子求梯度的模块，拉普拉斯算子是一种二阶导数算子，对于一个连续函数f(x,y),它的位置(x,y)的拉普拉斯值定义为：

在数字图像中，计算函数的拉普拉斯值也可以借助各种模板实现，这里对模板的基本要求是对应中心像素系数为正，面对应中心像素邻近像素的系数为负，面它们的和等于零。选择如下的拉普照拉斯算子模板，

-1	-1	-1
-1	8	-1
-1	-1	-1

则计算过程为：

E=8I(x,y)-I(x-1,y-1)-I(x-1,y)-I(x-1,y+1)-I(x,y-1)-I(x,y+1)-I(x+1,y-1)-I(x+1,y)-I(x+1,y+1);

对于一幅模糊的图像，在每一像素附近的灰度值变化小，则E值小，对于清晰的图像，图像的轮廓鲜明，E值会大，最清晰则E值（即梯度值）最大。

拉普拉斯算子模块内的实现为使用fifo缓存出如图3所示的一个3x3的矩阵，对整帧图像求E的和，相当于对整帧图像做卷积再求和，得到图像的梯度值，输出给聚焦模块进行判断。

图3  fifo缓存出一个3x3的像素的矩阵