对焦系统是现代手机摄影的核心技术之一。作为工程师，我们可以将对焦理解为一个优化问题：在三维空间中找到使特定平面成像最清晰的透镜位置。本章将深入探讨手机中多种对焦技术的工作原理，从相位检测到激光测距，从经典的景深公式到现代计算摄影的虚化算法。
我们将学习如何精确控制焦点位置，理解景深的物理成因，掌握超焦距的计算方法，并探索如何利用手机专业模式实现类似单反相机的对焦控制。同时，我们还将深入了解计算摄影如何通过深度图和多帧合成突破物理极限，创造出媲美大光圈镜头的虚化效果。
相位对焦（Phase Detection Auto Focus）源于单反相机的分束对焦技术。在手机CMOS传感器中，通过特殊设计的像素实现相位检测：
主光轴
↓
[透镜]
/ | \
/ | \ 左遮罩像素 右遮罩像素
/ | \ ■□ □■
/ | \ ↓ ↓
[====PDAF像素对====]
PDAF像素通过遮罩将入射光分为左右两部分，形成两个子图像。当焦点准确时，两个子图像完全重合；失焦时产生相位差。
PDAF的核心在于利用透镜不同区域的光线形成立体视差。考虑一个简化的薄透镜模型，根据高斯成像公式：
\[\frac{1}{f} = \frac{1}{s} + \frac{1}{s'}\]当物体不在焦平面上时，左右瞳孔接收到的光线在传感器上形成位移。这种位移量与离焦程度成正比关系。对于小孔径近似，相位差可表示为：
\[\Delta x = \frac{D \cdot \Delta z}{s}\]其中 $D$ 是有效瞳孔直径，$\Delta z$ 是离焦量，$s$ 是物距。
手机CMOS传感器中的PDAF像素设计有多种实现方式：
每种实现都有其优缺点。遮罩型简单但损失光通量；微透镜型保持感光效率但工艺复杂；双光电二极管型性能最佳但成本较高。
相位差 $\Delta\phi$ 与离焦量的关系可表示为：
\[\Delta\phi = k \cdot \Delta z \cdot \frac{f^2}{F \cdot (s - f)}\]其中：
Rule of thumb: 相位差与离焦量成正比，相位差的符号指示前焦还是后焦。
实际的相位差检测需要考虑多个因素：
窗口选择： 相关计算窗口大小影响精度和速度。典型窗口大小为 16×16 到 64×64 像素。窗口过小导致噪声敏感，过大则降低空间分辨率。
亚像素精度： 通过插值可达到亚像素级别的相位差检测： \(\Delta\phi_{sub} = \Delta\phi_{int} + \frac{C_{-1} - C_{+1}}{2(C_{-1} + C_{+1} - 2C_0)}\)
其中 $C_{-1}, C_0, C_{+1}$ 是相关峰值附近的三个采样点。
置信度评估： 相位检测的可靠性通过相关峰的尖锐程度评估： \(\text{Confidence} = \frac{C_{peak}}{C_{mean}} \cdot \frac{1}{\sigma_{noise}}\)
标定补偿： 由于制造公差和光学畸变，需要进行标定： \(\Delta z_{corrected} = \alpha(T) \cdot \Delta z_{raw} + \beta(f, s)\)
其中 $\alpha(T)$ 是温度补偿系数，$\beta(f, s)$ 是位置相关的偏移校正。
现代手机支持多达数百个对焦点的相位检测。空间分布策略：
密集型分布（493点）： 十字型分布（45点）：
■■■■■■■■■■■■■ □□□■□□■□□□
■■■■■■■■■■■■■ □□■■■■■■■□□
■■■■■■■■■■■■■ □■■■■■■■■■□
■■■■■■■■■■■■■ ■■■■■■■■■■■
■■■■■■■■■■■■■ □■■■■■■■■■□
■■■■■■■■■■■■■ □□■■■■■■■□□
■■■■■■■■■■■■■ □□□■□□■□□□
密集分布提供更好的追踪性能，十字型分布在中心区域提供更高精度。
现代高端手机采用Dual Pixel技术，每个像素都能参与相位检测：
标准像素结构: Dual Pixel结构:
┌────────┐ ┌────┬────┐
│ │ │ A │ B │
│ 单个 │ → ├────┼────┤
│ 光电极 │ │左PD│右PD│
└────────┘ └────┴────┘
优势：
Dual Pixel传感器支持多种读出模式，根据场景需求优化：
最新的手机采用神经网络增强相位检测：
# 伪代码示例
class EnhancedPDAF:
def __init__(self):
self.phase_net = MobileNetV3() # 轻量级网络
self.confidence_net = ConfidenceNet()
def detect_phase(self, left_img, right_img):
# 传统相位检测
phase_traditional = correlate(left_img, right_img)
# 神经网络增强
features = self.phase_net.extract(left_img, right_img)
phase_enhanced = self.phase_net.predict(features)
# 置信度加权融合
confidence = self.confidence_net(features)
phase_final = weighted_average(phase_traditional,
phase_enhanced,
confidence)
return phase_final
这种混合方法在低光、低对比度场景下性能提升显著：
三星的Super PD进一步优化了Dual Pixel：
绿色像素优化： 由于拜耳阵列中绿色像素占50%，优先在绿色通道实现相位检测
椭圆形微透镜： 改善边缘像素的相位检测性能
多尺度检测：
相关性计算采用归一化互相关（NCC）：
\[NCC = \frac{\sum_{i} (L_i - \bar{L})(R_i - \bar{R})}{\sqrt{\sum_{i} (L_i - \bar{L})^2 \sum_{i} (R_i - \bar{R})^2}}\]其中 $L_i$、$R_i$ 分别为左右像素组的信号值。
PDAF信号处理采用硬件加速的流水线架构：
原始信号 → 噪声抑制 → 相关计算 → 峰值检测 → 相位转换 → 镜头驱动
↓ ↓ ↓ ↓ ↓ ↓
14bit BM3D FFT加速 亚像素 查找表 VCM控制
噪声抑制： 采用自适应滤波器，根据ISO值调整滤波强度： \(\sigma_{filter} = \sigma_0 \cdot \sqrt{\frac{ISO}{100}}\)
快速相关计算： 利用FFT加速互相关运算： \(C(\tau) = \mathcal{F}^{-1}\{\mathcal{F}\{L\} \cdot \mathcal{F}^*\{R\}\}\)
计算复杂度从 $O(n^2)$ 降至 $O(n\log n)$。
多帧融合： 连续多帧的相位信息融合提高稳定性： \(\phi_{final} = \sum_{t=1}^{N} w_t \cdot \phi_t\)
其中权重 $w_t$ 基于每帧的置信度和时间衰减。
球差影响： 大光圈下的球差导致相位检测偏差： \(\Delta\phi_{SA} = k_{SA} \cdot (\frac{D}{f})^3\)
色差补偿： 不同波长的相位差异需要校正： \(\phi_{corrected} = \phi_{green} + \alpha(\phi_{red} - \phi_{blue})\)
温度漂移： 温度变化影响传感器和镜头特性： \(\Delta f_T = \beta \cdot (T - T_0) \cdot f\)
典型值：$\beta \approx 10^{-5}$/°C
现代手机SoC集成专用的PDAF处理单元：
ISP内部PDAF模块：
┌────────────────────────────┐
│ 相位提取器 (PD Extractor) │ ← 原始Bayer数据
├────────────────────────────┤
│ 相关引擎 (Correlation) │ ← SIMD加速
├────────────────────────────┤
│ 深度映射 (Depth Mapper) │ ← LUT查找
├────────────────────────────┤
│ 镜头控制 (Lens Driver) │ → VCM/闭环反馈
└────────────────────────────┘
处理延迟：< 2ms @ 480MHz 功耗：~15mW（active）
反差对焦（Contrast Detection Auto Focus）通过评估图像锐度寻找最佳焦点：
对比度曲线:
↑
对│ ╱╲
比│ ╱ ╲
度│ ╱ ╲
│ ╱ ╲
│ ╱ ╲
└─────────────→
近 焦点位置 远
常用的对比度评价函数：
| 拉普拉斯算子: $L = \sum_{x,y} | \nabla^2 I(x,y) | $ |
频域分析法： 利用高频分量评估清晰度： \(F = \sum_{u,v} |\mathcal{F}(I)|^2 \cdot H(u,v)\)
其中 $H(u,v)$ 是高通滤波器： \(H(u,v) = 1 - e^{-\frac{u^2+v^2}{2\sigma_f^2}}\)
小波变换法： 多尺度分析提供更鲁棒的评价： \(W = \sum_{j} \sum_{k} |\text{DWT}_{j,k}(I)|^2 \cdot 2^j\)
其中 $j$ 是分解层级，权重 $2^j$ 强调高频细节。
统计特征法： 基于图像统计特性的清晰度度量： \(S = \frac{\sigma^2}{\mu} \cdot \text{Entropy}(I)\)
结合方差、均值和熵，对噪声更鲁棒。
CDAF的核心是寻找对比度峰值的优化算法：
class AdaptiveHillClimbing:
def __init__(self):
self.step_size = INITIAL_STEP
self.direction = 1
self.prev_contrast = 0
def search(self, get_contrast):
while True:
# 当前对比度
contrast = get_contrast()
# 自适应步长
if contrast < self.prev_contrast:
# 越过峰值，反向并减小步长
self.direction *= -1
self.step_size *= 0.5
# 收敛判断
if self.step_size < MIN_STEP:
break
# 移动镜头
move_lens(self.direction * self.step_size)
self.prev_contrast = contrast
优化策略：
激光对焦采用飞行时间（ToF）原理：
\[d = \frac{c \cdot \Delta t}{2}\]其中：
典型精度：±5mm @ 2m距离
时间测量采用TDC（Time-to-Digital Converter）： \(t = N \cdot t_{LSB} + t_{fine}\)
其中 $t_{LSB}$ 是最小时间单位，$t_{fine}$ 是精细插值。
间接ToF（iToF）： 通过相位差测量距离： \(d = \frac{c \cdot \phi}{4\pi f_{mod}}\)
其中 $f_{mod}$ 是调制频率，$\phi$ 是相位差。
多频率消除模糊：
激光对焦模块结构：
┌─────────────────────────────┐
│ VCSEL激光器 (940nm) │
│ ├─ 发射功率: 1-5mW │
│ ├─ 发散角: 25° │
│ └─ 调制频率: 20-100MHz │
├─────────────────────────────┤
│ 接收透镜 + 滤光片 │
│ ├─ 带通滤波: 940±10nm │
│ └─ 视场角: 28° │
├─────────────────────────────┤
│ SPAD阵列 / CCD │
│ ├─ 像素: 8×8 到 240×180 │
│ └─ 量子效率: >30% @ 940nm │
└─────────────────────────────┘
多路径干扰： 玻璃、镜面反射造成错误读数： \(d_{measured} = \alpha \cdot d_{direct} + (1-\alpha) \cdot d_{reflect}\)
解决方案：
温度补偿： \(d_{corrected} = d_{raw} \cdot (1 + \gamma \cdot (T - T_{cal}))\)
其中 $\gamma \approx 50ppm/°C$ 是温度系数。
根据场景选择性启用：
| 场景 | 激光对焦 | 原因 |
|---|---|---|
| 暗光环境 | ✓ | PDAF/CDAF失效 |
| 纯色墙面 | ✓ | 无纹理特征 |
| 玻璃后方 | ✗ | 多路径干扰 |
| 远景风光 | ✗ | 超出量程 |
| 微距 | ✓ | 高精度需求 |
现代手机采用多种对焦技术的融合：
场景判断
↓
┌─────────────┐
│ 对焦控制器 │
└──┬──┬──┬──┬─┘
│ │ │ │
PDAF CDAF 激光 TOF
│ │ │ │
└──┴──┴──┴──→ 融合算法 → 镜头驱动
决策策略：
多传感器融合采用贝叶斯框架：
\[P(d|O_1, O_2, ..., O_n) = \frac{\prod_{i} P(O_i|d) \cdot P(d)}{P(O_1, O_2, ..., O_n)}\]其中：
实际实现采用加权最小二乘：
\[d_{optimal} = \arg\min_d \sum_{i} w_i \cdot (d - d_i)^2\]权重 $w_i$ 基于：
对焦状态机：
┌─────────┐
│ 空闲 │
└────┬────┘
│ 触发对焦
┌────▼────┐
│ 粗对焦 │← PDAF/激光
└────┬────┘
│ 接近目标
┌────▼────┐
│ 精对焦 │← CDAF
└────┬────┘
│ 达到峰值
┌────▼────┐
│ 锁定 │
└────┬────┘
│ 场景变化
┌────▼────┐
│ 追踪 │← 连续PDAF
└─────────┘
状态转换条件：
主线程：UI响应
↓
对焦线程：状态机控制
├─ PDAF线程：相位检测（2ms）
├─ CDAF线程：对比度计算（5ms）
├─ ToF线程：测距（10ms）
└─ 融合线程：决策输出（1ms）
if distance < MACRO_THRESHOLD: # 15cm
# 切换到微距镜头
switch_to_macro_lens()
# 使用CDAF + 放大峰值对焦
enable_focus_peaking()
set_cdaf_window_size(128) # 增大窗口
景深（Depth of Field, DOF）由近景深和远景深组成：
\[DOF = D_f - D_n\]其中：
超焦距 $H$ 的计算：
\[H = \frac{f^2}{N \cdot c} + f\]其中：
从几何光学出发，考虑一个点在传感器上形成的弥散圆：
物点 透镜 像平面
P ───────── [ ]───────── P'
\ / /|\
\/ / | \
/\ / |c \
/ \ / | \
Q ──────── [ ]───────────────
← s → ← s' →
当物点Q偏离对焦平面时，在传感器上形成弥散圆。根据相似三角形：
\[\frac{c}{D} = \frac{|s' - s'_Q|}{s'_Q}\]其中$D$是入瞳直径，$D = f/N$。
结合透镜公式，可得到允许的物距范围：
\(\frac{1}{D_n} = \frac{1}{s} + \frac{c \cdot N}{f^2}\) \(\frac{1}{D_f} = \frac{1}{s} - \frac{c \cdot N}{f^2}\)
经过代数变换，得到标准景深公式。
微距摄影： 当放大率 $m \approx 1$ 时： \(DOF \approx \frac{2 \cdot N \cdot c}{m^2}\)
景深与放大率平方成反比，微距景深极浅。
无穷远对焦： 当 $s \to \infty$ 时： \(DOF = \infty - \frac{f^2}{N \cdot c}\)
实际上从超焦距开始到无穷远。
class DOFCalculator:
def __init__(self, sensor_size):
# 根据传感器尺寸计算CoC
self.coc = sensor_size / 1730 # 标准公式
def calculate_dof(self, f, N, s):
"""
f: 焦距 (mm)
N: 光圈值
s: 对焦距离 (m)
"""
# 超焦距
H = (f * f) / (N * self.coc) + f
H = H / 1000 # 转换为m
if s >= H:
# 超过超焦距，远景深为无穷
Df = float('inf')
Dn = s * H / (H + s)
else:
# 正常计算
Dn = s * H / (H + s)
Df = s * H / (H - s)
return {
'near': Dn,
'far': Df,
'total': Df - Dn if Df != float('inf') else float('inf'),
'hyperfocal': H
}
# 使用示例
calc = DOFCalculator(sensor_size=7.6) # 1/2.3"
dof = calc.calculate_dof(f=5, N=1.8, s=2)
print(f"景深范围: {dof['near']:.2f}m - {dof['far']:.2f}m")
弥散圆（Circle of Confusion, CoC）的标准：
对于手机传感器： \(c = \frac{d}{1730}\)
其中 $d$ 为传感器对角线长度。
典型值：
CoC的定义基于人眼分辨能力：
视角分辨率： 正常视力的人眼分辨角约为1角分（1/60度）。
观看距离： 标准观看距离为对角线的250mm。
计算公式： \(c = d \cdot \tan(1/60°) \approx \frac{d}{1730}\)
| 传感器尺寸 | 对角线(mm) | CoC(mm) | CoC(μm) | 像素尺寸参考 |
|---|---|---|---|---|
| 1/3.2” | 5.68 | 0.0033 | 3.3 | 1.4μm |
| 1/2.55” | 7.18 | 0.0041 | 4.1 | 1.55μm |
| 1/2.3” | 7.66 | 0.0044 | 4.4 | 1.67μm |
| 1/1.7” | 9.50 | 0.0055 | 5.5 | 2.0μm |
| 1/1.33” | 12.0 | 0.0069 | 6.9 | 2.4μm |
| 1” | 15.86 | 0.0092 | 9.2 | 3.0μm |
| APS-C | 28.2 | 0.0163 | 16.3 | 4.3μm |
| 全画幅 | 43.3 | 0.0250 | 25.0 | 6.0μm |
现代手机传感器的像素尺寸通常在1.0-2.0μm之间。CoC与像素尺寸的关系：
\[N_{pixels} = \frac{c}{p}\]其中 $p$ 是像素尺寸。一般要求 $N_{pixels} \geq 2-3$ 以保证弥散不可见。
根据不同场景和输出需求，CoC可以动态调整：
# 4K显示需要更严格的CoC
coc_4k = coc_standard * 0.5
# 压缩后观看，可放宽标准
coc_social = coc_standard * 1.5
# 根据打印尺寸调整
viewing_distance = print_diagonal * 1.5
coc_print = sensor_diagonal * tan(1/60 * pi/180) * \
(viewing_distance / 250)
在计算摄影中，CoC用于确定模糊半径：
\[r_{blur} = \frac{|z - z_f|}{z_f} \cdot \frac{f}{N} \cdot \frac{1}{c}\]其中：
实际应用中的阈值判断：
def should_blur(depth, focus_depth, f, N, coc):
blur_radius = abs(depth - focus_depth) / focus_depth * f / N / coc
return blur_radius > 0.5 # 半像素以上才模糊
Rule of thumb：
实用公式（适用于 $s \ll H$）：
\[DOF \approx \frac{2 \cdot N \cdot c \cdot s^2}{f^2}\]为了在实拍中快速估算景深，可以使用以下经验公式：
手机特定公式： 对于典型手机主摄（$f_{eq} \approx 26mm$，$f_{actual} \approx 5mm$）： \(DOF_{meters} \approx \frac{N \cdot s^2}{100}\)
例如：f/2.0，2m对焦：DOF ≈ 2 × 4 / 100 = 0.08m
不同传感器尺寸间的景深换算：
\[DOF_{2} = DOF_{1} \cdot \left(\frac{C_2}{C_1}\right)^2 \cdot \frac{N_2}{N_1}\]其中 $C$ 是crop factor（裁切系数）。
典型换算表：
def equivalent_aperture(f_number, crop_factor):
"""
计算等效全画幅光圈值
"""
return f_number * crop_factor
# 示例
phone_sensor = {
'size': '1/2.3"',
'crop': 5.6,
'f_number': 1.8
}
# 手机f/1.8 ≈ 全画幅f/10
ff_equivalent = equivalent_aperture(1.8, 5.6) # = 10.08
专业模式中的景深预览功能：
class DOFPreview:
def __init__(self, current_aperture, preview_aperture):
self.current = current_aperture
self.preview = preview_aperture
def calculate_brightness_drop(self):
"""
计算预览时的亮度下降
"""
stops = log2((self.preview / self.current) ** 2)
return stops
def compensate_iso(self, base_iso):
"""
自动补偿ISO以保持预览亮度
"""
stops = self.calculate_brightness_drop()
new_iso = base_iso * (2 ** stops)
return min(new_iso, 3200) # 限制最高ISO
当单张照片景深不足时，可以使用景深堆栈：
def calculate_stack_steps(total_depth, single_dof, overlap=0.3):
"""
计算需要的堆栈张数
overlap: 重叠比例(0.3 = 30%)
"""
effective_dof = single_dof * (1 - overlap)
steps = ceil(total_depth / effective_dof)
return steps
def focus_bracketing(near, far, steps):
"""
计算每一步的对焦距离
"""
# 使用对数步进（更均匀的景深分布）
log_near = log(near)
log_far = log(far)
distances = []
for i in range(steps):
log_d = log_near + (log_far - log_near) * i / (steps - 1)
distances.append(exp(log_d))
return distances
由于手机传感器小、焦距短，天然具有大景深：
对比示例（f/1.8，对焦2m）：
设备 焦距 景深范围
全画幅+50mm 50mm 1.8-2.3m (0.5m)
APS-C+35mm 35mm 1.6-2.6m (1.0m)
手机主摄 5mm 0.5m-∞ (∞)
这解释了为什么手机需要计算摄影来实现浅景深效果。
衰射极限影响： 当光圈过小时，衰射会降低分辨率： \(d_{Airy} = 2.44 \cdot \lambda \cdot N\)
对于绿光（550nm）：
当Airy盘大于2-3倍像素尺寸时，图像明显软化。
超出这个范围，衰射影响大于景深增加的收益。
def equivalent_dof(phone_params, ff_params):
"""
计算手机相对于全画幅的等效景深
"""
crop = phone_params['crop_factor']
# 等效光圈
ff_aperture = phone_params['f_number'] * crop
# 等效焦距
ff_focal = phone_params['focal'] * crop
# 景深比例
dof_ratio = (ff_aperture / ff_params['f_number']) * \
(ff_params['focal'] / ff_focal) ** 2
return ff_params['dof'] * dof_ratio
现代手机通过多摄像头组合实现更好的景深控制：
主摄(26mm eq) + 长焦(52mm eq)
↓ ↓
主体识别 背景虚化信息
↓ ↓
└─────┬─────┘
深度图生成
↓
渐进式模糊
def multi_camera_bokeh(main_img, tele_img, depth_map):
# 基于深度的模糊半径
blur_radius = compute_blur_from_depth(depth_map)
# 长焦镜头的自然虚化
natural_bokeh = extract_bokeh_from_tele(tele_img)
# 加权融合
weight_map = compute_weights(depth_map)
result = main_img * (1 - weight_map) + \
natural_bokeh * weight_map
return result
峰值对焦通过高亮显示对焦边缘辅助手动对焦：
算法实现：
# 伪代码
edge_map = sobel_filter(image)
threshold = adaptive_threshold(edge_map)
peaking_mask = edge_map > threshold
display = overlay(image, peaking_mask, color='red')
使用技巧：
专业模式提供精确的对焦距离控制：
对焦标尺示例：
[∞]──────[10m]──────[2m]──────[1m]──────[0.5m]──────[MFD]
↑
当前对焦位置
关键距离点：
AF-L（自动对焦锁定）技术：
数学关系（余弦误差）： \(\Delta f = f \cdot (1 - \cos\theta)\)
其中 $\theta$ 为重构图角度。
Rule of thumb：重构图角度小于30°时，焦点偏移可忽略。
连续对焦的预测算法：
\[p_{t+\Delta t} = p_t + v_t \cdot \Delta t + \frac{1}{2} a_t \cdot \Delta t^2\]其中：
场景优化参数：
手机通过多种方式生成深度图：
双摄视差法： \(d = \frac{f \cdot B}{p}\) 其中 $B$ 为基线距离，$p$ 为视差
结构光/TOF： 直接获取深度信息，精度可达毫米级
AI深度估计： 使用CNN从单张图片推断深度：
输入图像 → MobileNet → 深度编码器 → 深度解码器 → 深度图
基于深度图的虚化渲染流程：
深度图生成 → 前景分割 → 虚化核计算 → 渐进式模糊 → 边缘优化
↓ ↓ ↓ ↓ ↓
TOF/双摄 语义分割 景深模型 高斯/散景 抗锯齿
虚化程度计算：
\[\sigma(z) = \frac{|z - z_f|}{z_f} \cdot \frac{f^2}{N \cdot c}\]其中：
真实镜头的点扩散函数（PSF）模拟：
圆形光圈： \(PSF_{circle}(r) = \begin{cases} 1/(\pi R^2) & r \leq R \\ 0 & r > R \end{cases}\)
五边形 七边形 圆形
⬟ ⬢ ●
n=5片 n=7片 n→∞
精确边缘检测采用Matting技术：
\[I = \alpha F + (1-\alpha) B\]其中：
三分图（Trimap）生成：
原图 → 深度图 → 粗分割 → 三分图
├─ 确定前景(白)
├─ 确定背景(黑)
└─ 不确定区域(灰)
边缘优化技巧：
专业模式中的虚化控制：
Rule of thumb：
对焦速度优化策略：
粗调阶段：大步长二分搜索 → 快速接近
精调阶段：小步长爬山算法 → 精确对焦
常见对焦失败场景及对策：
| 场景 | 原因 | 解决方案 |
|---|---|---|
| 低对比度 | CDAF失效 | 启用辅助对焦灯 |
| 重复纹理 | PDAF混淆 | 切换到中心点对焦 |
| 逆光 | 眩光干扰 | 使用点测光对焦 |
| 玻璃后 | 反射干扰 | 手动对焦 + 偏振镜 |
| 快速移动 | 跟踪失败 | 预对焦 + 景深预留 |
本章深入探讨了手机摄影中的对焦系统与景深控制技术：
核心概念：
关键公式汇总：
| 虚化程度：$\sigma(z) = \frac{ | z - z_f | }{z_f} \cdot \frac{f^2}{N \cdot c}$ |
实用规则：
❌ 错误：认为手机只有反差对焦 ✅ 正确：现代手机集成PDAF、CDAF、激光、TOF等多种对焦技术
❌ 错误：相位对焦总是比反差对焦快 ✅ 正确：低光或低对比度场景，CDAF可能更可靠
❌ 错误：直接套用全画幅相机的景深公式 ✅ 正确：必须使用相应传感器尺寸的弥散圆标准
❌ 错误：手机光圈f/1.8等同于单反f/1.8的虚化 ✅ 正确：需考虑等效焦距，手机f/1.8约等于全画幅f/11的景深
❌ 错误：峰值对焦显示越多越准确 ✅ 正确：过度的峰值可能是噪点，需要适当调节灵敏度
❌ 错误：对焦后可以随意重构图 ✅ 正确：大角度重构图会造成焦平面偏移，需要重新对焦
❌ 错误：计算虚化可以完全替代光学虚化 ✅ 正确：边缘处理、透明物体、细节保留仍有挑战
❌ 错误：虚化程度越大越好 ✅ 正确：过度虚化会显得不自然，应模拟真实的景深范围
❌ 错误：对焦速度完全取决于硬件 ✅ 正确：算法优化、场景预测、缓存策略同样重要
对焦不准确：
虚化效果异常：
对焦速度慢：
专业模式对焦技巧：
# 调试命令（如有开发者选项）
adb shell setprop camera.af.debug 1 # 显示对焦调试信息
adb shell setprop camera.af.plot 1 # 显示对焦曲线
记住：对焦是摄影的基础，掌握对焦原理和技巧是拍出清晰照片的前提。在手机摄影中，虽然自动对焦已经非常智能，但理解其工作原理能帮助我们在特殊场景下做出正确的选择和调整。