PDAF 信息解析与 Sensor Phase Pixel 数据建模实战解析

关键词 ：
PDAF；相位对焦；Phase Detection；Phase Pixel；Sensor 数据建模；AF Map；对焦精度；Sensor调试

摘要 ：
相位检测自动对焦（PDAF）技术已成为中高端手机影像系统的标准配置，其核心依赖于传感器内嵌的 Phase Pixel 阵列，实时捕捉左右视差信号进行对焦距离估算。本文从实战角度出发，系统解析 PDAF 的信息生成机制、Sensor 侧 Phase Pixel 的排布方式、数据建模方法及其在对焦路径计算中的关键作用。结合实际工程平台如高通与 MTK 的使用情况，详述调试接口、Phase Map 构建逻辑及典型错误模式排查方法，帮助开发者构建高鲁棒性的 PDAF 数据处理链条。

目录

一、PDAF 系统结构与信息流基础

  • PDAF 的核心定位：从图像到视差到马达控制
  • Sensor 中的 Phase Pixel 布局模式（左/右/对称/偏置）
  • PDAF 信号链基本组成：Raw → Phase Data → Phase Difference

二、Phase Pixel 数据生成机制

  • 每帧数据中 Phase 区的采样路径
  • 高通平台 RAW10/RAW12 中 PDAF bit 分布逻辑
  • MTK 平台中 PDAF 封装格式与 metadata 插入点

三、AF Map 构建与视差提取流程

  • PDAF 数据 → Phase Map → Confidence Map
  • Block 级别聚合与滑动窗口滤波
  • 异常值剔除与空洞区域补偿策略

四、Sensor 端 Phase 数据建模与校准方法

  • Sensor 厂商出厂 LUT 与平台标定参数的对接方式
  • Phase Linearity 校准与 Offset Mapping 表构建
  • 高精度建模流程：离线测距 + 主副像素标定

五、平台接口差异与寄存器配置逻辑

  • 高通 Camera HAL3 中 PDAF 的调用与流转
  • MTK 平台 PDAFSetting 参数表解析与调参方式
  • 数据 Debug 路径：Log、Dump、ISP 输出对齐

六、实际场景下的 PDAF 数据误差分析

  • 对焦失败的主要根因：低对比度/过曝/遮挡
  • Phase Confidence 值分析与动态阈值策略
  • 多模组差异对 PDAF 精度的影响

七、工程优化建议与通用模型构建

  • 多场景下 Phase Pixel ROI 优化路径
  • 结合机器学习提升 PDAF 稳定性与精度的探索
  • 实用 PDAF 调试脚本与数据可视化方法

八、实战案例：1/1.3” 大底 Sensor 在弱光与逆光场景下 PDAF 数据链建模流程

  • RAW 数据提取与 Phase Map 对比
  • Sensor 坐标系与聚焦效果的多点匹配验证
  • 最终对焦质量评估指标（对焦时间/抖动率/收敛精度）

一、PDAF 系统结构与信息流基础

PDAF 的核心定位：从图像到视差到马达控制

PDAF（Phase Detection Auto Focus）是一种通过测量视差来估算焦点位置的对焦方式，相比于传统对比度对焦（CAF），其优势在于能实现“定向”的对焦判断——即直接告诉马达是“前调”还是“后调”，避免重复扫描，显著提升聚焦速度与稳定性。

PDAF 的核心信息流可分为三层：

  1. 感知层（Sensor） ：在 CMOS 图像传感器中嵌入特殊结构的 Phase Pixel（通常为部分遮挡像素），通过左右分光捕捉两路图像视差。
  2. 计算层（ISP/AF Unit） ：将感知到的左、右相位图像进行比对，得到相位差（Phase Difference）及置信度（Confidence Level）。
  3. 控制层（VCM/马达控制） ：根据相位差大小及方向直接计算所需马达步进量，调整镜头位置。

例如，若当前帧的 PDAF 计算结果显示物体位于成像平面的前方，则镜头需要向前移动一定距离来达到清晰聚焦。整个反馈链典型耗时 <30ms。

Sensor 中的 Phase Pixel 布局模式（左/右/对称/偏置）

Phase Pixel 是 PDAF 技术的关键组件，其在 Sensor 中的排布形式，决定了相位信息的空间覆盖度与方向敏感性。不同厂商使用的排布策略各不相同，主要有以下几种典型模式：

  1. 左右对称模式（Dual Left-Right） ：每一组 Phase Pixel 同时包含左向与右向遮挡像素，适合横向视差提取；
  2. 偏置单侧模式（Single Side） ：仅布设左或右侧像素，靠滑窗聚合来恢复视差信息，优点是功耗更低；
  3. 交错编织布局（Diagonal Pattern） ：在 Bayer 图中斜向分布，提升对角线方向上的对焦能力；
  4. 高密度矩阵式（Full PDAF） ：高端 Sensor 如 Sony IMX989 提供更密集的 Phase Pixel 排布，提高低光下对焦鲁棒性。

以某 IMX766 模组为例，其在 Sensor 中每 16×16 Block 区域内布设 4–6 个 Phase Pixel，左/右像素交替排布，确保覆盖率与计算密度。厂商通常在 Sensor datasheet 或平台 HAL 层提供相关 PDAF 坐标配置表，以便 ISP 正确映射对应位置。

二、Phase Pixel 数据生成机制

每帧数据中 Phase 区的采样路径

在数据采集路径中，Sensor 的 Phase Pixel 输出通常被独立处理，不参与 Bayer 图像重建。典型路径如下：

  • Sensor RAW → RAW Statisitcs Block（ISP 内部模块） → Phase Map + Confidence Map；
  • 部分平台（如 MTK）会将 PDAF 数据封装在 metadata 中（如 MTK_P1node 输出的 tuning data）；
  • 高端平台（如高通）可通过 ISP 中的 PDAF Block 直接输出 Phase Difference、Confidence 和 Point Map。

以 MTK 平台为例，每帧可输出以下三类 PDAF 相关数据：

  • PDAF_PhaseDiffMap ：每个 Block 对应的相位差（-1024~1024）；
  • PDAF_ConfidenceMap ：该位置数据可信度（0~255）；
  • PDAF_ValidityMap ：是否有效（bool mask）。

该类数据多为 2D 数组格式，维度与 ROI 区域一致（如 32×24），供 AF 算法模块用于判断聚焦趋势。

高通平台 RAW10/RAW12 中 PDAF bit 分布逻辑

在高通平台，Sensor 输出为 RAW10/RAW12 格式时，PDAF Pixel 通常嵌入在 Bayer RAW 中的最低有效位（LSB）通道或者附加帧尾结构中。具体做法分两类：

  • In-pixel Encapsulation ：将 PDAF 信息嵌入 Bayer RAW 特定 bit 段中（如第 10bit 或第 12bit），由驱动层解码；
  • Sidecar Metadata（PD-Stats） ：部分平台通过外部 metadata 通道传输 PDAF 结构数据，形如 QPD（Quad Phase Detection）数据帧，包含完整方向、位移、置信度信息。

ISP 调试中常用的接口包括：

  • PDStatsConfig ：设置 PDAF ROI 位置与 binning 模式；
  • QPDTable ：配置 Phase Mapping 参数表；
  • AFPDStatsOutput ：读取当前帧 PDAF Phase/Confidence 值。

工程实践中建议开启 PDAF RAW 输出功能，在调试时对比 ISP 生成的 Phase Map 与物理 ROI 区域的一致性。

三、AF Map 构建与视差提取流程

PDAF 数据 → Phase Map → Confidence Map

自动对焦系统中，PDAF 产生的原始数据需要经过 ISP 的聚合、分析与建模，最终形成可用于马达控制的 AF Map。典型的处理流程如下：

  1. 原始相位差提取 ：从 Sensor 输出的 Phase Pixel 中获取左右子图像的光强分布，通过计算其位置偏移来得出当前块的相位差（Phase Difference）；
  2. 构建 Phase Map ：以每一个 PDAF ROI Block 为单位，在整幅图像上生成相位差二维矩阵，构成完整的 Phase Map；
  3. 构建 Confidence Map ：针对每个 Phase Difference，评估其可信度，如计算左/右视图之间的互相关值、梯度方向对齐度等，形成对应位置的 Confidence Map。

举例来说，在一个 1080p 图像中，若 PDAF 统计区域划分为 32×24 的 Block，则最终构建的 Phase Map 和 Confidence Map 也为 32×24 的二维矩阵。每个点记录一组 (phase_value, confidence_score) 信息。

该 Map 后续被传入对焦引擎（AF Engine），用于判断：

  • 当前是否已达到焦点（Phase ≈ 0）；
  • 是否可进行马达控制（Confidence > 阈值）；
  • 哪个方向应移动镜头（Phase > 0 向前 / < 0 向后）；
  • 是否需要维持当前对焦（High Confidence 且 Phase 跳变很小）。
Block 级别聚合与滑动窗口滤波

由于 PDAF 原始数据易受噪声干扰，尤其在低光、强反射等条件下，某些 Block 的 Phase 值会出现跳变或漂移。因此，为了保证对焦曲线的稳定性与连贯性，系统往往需要引入滤波与区域聚合操作：

  • Block 聚合策略 ：

    • 可基于 ROI 或中心加权方式对多个 Block 的 Phase 值进行加权平均；
    • 聚合区域大小（如 3×3、5×5）依平台设定灵活调整；
    • 保证聚焦趋势保持一致的前提下提升鲁棒性。

  • 滑动窗口滤波 ：

    • 时间维度上，针对多帧连续 Phase 值进行一阶或二阶滤波，去除剧烈变化；
    • 空间维度上，对 Phase Map 做高斯平滑或中值滤波，抑制孤立异常点；
    • 在 MTK 平台中， AF Filter Window 是常见的调参项，可通过 HAL 配置 XML 进行调整。

这种聚合-滤波机制是自动对焦过程中提升稳定性、防止焦点跳变的核心环节。

异常值剔除与空洞区域补偿策略

在实际运行中，部分区域因遮挡、过曝、极暗或边缘缺陷而无法获取有效 PDAF 数据，表现为以下两类问题：

  1. 异常值 ：Phase 超过合理范围（如 ±1024）、Confidence 小于阈值（如 <50），判定为不可用；
  2. 空洞区域 ：Sensor 布局未覆盖或 ISP 未输出 Phase 值的位置，造成 Phase Map 中空白区域。

为解决上述问题，主流平台通常引入以下策略：

  • 异常剔除 ：使用 Confidence Map 筛选有效 Block，仅保留置信度高的数据用于聚焦判断；
  • 空洞插值 ：采用周围 Block 均值、中值或加权平均填充缺失点位；
  • 方向感知扩散（Directional Propagation） ：若某一方向 Phase 连续且一致，允许对该方向进行补全推断；
  • 动态 ROI 重构 ：在目标识别模块协助下重新划定 ROI 区域，仅对重要视觉区域（如人脸、中央）进行 Phase 分析。

高通平台中还支持 Phase Confidence Mask，以 bitmap 形式快速标记有效区域，供算法判断当前是否进入“可信聚焦区”或需要维持当前对焦位置。

四、Sensor 端 Phase 数据建模与校准方法

Sensor 厂商出厂 LUT 与平台标定参数的对接方式

不同 Sensor 的 Phase Pixel 架构、视差响应特性存在差异。为了在 ISP 层正确解释 PDAF 数据，Sensor 厂商通常提供出厂 LUT（Lookup Table），用于描述每个 PDAF 像素的相位响应线性关系。

常见 LUT 内容包括：

  • Block 位置 → Phase Offset；
  • Phase 值 → 实际像距映射函数；
  • Confidence ↔ Phase 可用性区域；

这些表项在平台集成时需通过 driver 或 HAL 层进行对接。在高通平台中， pdaf_calibration_data 字段用于注册这些 Sensor 出厂参数；在 MTK 平台，PDAF OTP 数据通常与 sensor driver 共同下发。

校准流程关键在于：

  • 确保 PDAF 与镜头的配准误差最小化；
  • 将 Sensor 空间中的 Phase 值映射为马达实际移动值；
  • 校验 LUT 在不同温度、光照条件下的一致性与稳定性。
Phase Linearity 校准与 Offset Mapping 表构建

Phase Linearity 是衡量 PDAF 精度的重要指标，指 Phase Value 与物距变化之间的线性一致性。实际工程中，通过以下方式进行校准：

  • 在实验室中，使用标准测试靶在多个焦距（如 10cm ~ ∞）位置进行对焦数据采集；
  • 记录每个实际距离对应的 Phase 值，拟合为线性或分段线性函数；
  • 构建 Offset Mapping 表，对 PDAF 曲线进行修正，确保平台算法按真实物理距离驱动马达调焦。

该过程一般在模组级完成，结果保存为 pd_offset_table.bin ，供驱动层加载。

高精度建模流程：离线测距 + 主副像素标定

若目标平台要求高精度对焦（如人像模式、大光圈模拟），还需结合主/副像素之间的几何校正过程进行建模：

  1. 离线测距装置 ：使用高精度激光测距仪采集不同景深下的参考距离；
  2. 主副像素标定 ：对每对 Phase Pixel 做位置矫正，剔除 Sensor 裁切或畸变影响；
  3. 构建全局映射模型 ：从物理距离 → Phase → Focus Motor Step。

这种基于真实场景的高精度标定流程，显著提升了焦点预测的稳定性，特别适用于暗光、远焦或复杂背景下的自动对焦任务。

五、平台接口差异与寄存器配置逻辑

高通 Camera HAL3 中 PDAF 的调用与流转

在高通平台上，PDAF 数据的调用与处理遵循其标准化 Camera HAL3 架构。PDAF 的流程主要包括：

  1. Sensor 输出层 ：通过 SLVS 或 MIPI CSI 接口将 PDAF 数据打包进 RAW + PDAF 的输出数据流中，部分 Sensor 会独立输出 Phase 数据通道（如 PDAF_TYPE2）。

  2. ISP 处理链路 ：在高通的图像信号处理链（如 IFE → BPS → IPE）中，PDAF Raw 被独立处理，生成结构化 AF Data ，包括 Phase、Confidence 等。

  3. HAL3 Framework 层 ：

    • 通过 CaptureResult 返回结构体中的 android.statistics.lensShadingMapMode 和 android.statistics.phaseMap 字段可读出 PDAF 数据；
    • 配置 android.control.afMode 为 CONTROL_AF_MODE_CONTINUOUS_PICTURE 时，系统自动开启 PDAF 流程；
    • Vendor Tag 接口中，也可通过特定 tag（如 org.codeaurora.qcamera3.stats.af_exif ）访问调试信息。

  4. AF Driver 层 ：

    • PDAF 与马达控制协同通过 AF Driver（如 QAF）完成，负责 Phase 到 Lens Position 的映射；
    • 对应的寄存器配置如 VCM 驱动方式（I2C 地址、工作电压、AF Window 范围）由 Sensor 驱动层定义。

  5. 调试建议 ：

    • 使用 adb logcat 过滤 QCamera3HWI 与 af_algo 日志可快速定位对焦状态；
    • QMMF 中可抓取调试帧，结合 Qualcomm 的 Actuator Test Tool 分析 PDAF 曲线行为。
MTK 平台 PDAFSetting 参数表解析与调参方式

MTK 平台中的 PDAF 调试和配置集中在以下几个关键点：

  1. HAL 层 PDAF 设置结构体 ：

    • HAL 层定义了 PD_AF_STAT_T 类型的数据结构，其中包含 Phase 值、Confidence、PD Block Count 等；
    • 配置文件中存在 PDAFSetting 表项，控制 PDAF 的 ROI 范围、滤波策略、聚焦条件。

  2. 调参项说明 （以 PDAFSetting.ini 为例）：

    • Phase_Max_Threshold : PDAF 最大相位值；
    • Conf_Threshold : 相位可信度下限，通常设为 30~50 ；
    • Filter_Window_Size : 空间聚合区域大小，影响平滑程度；
    • Valid_Ratio_Threshold : 有效 Block 比例低于阈值则禁止 PDAF 介入；
    • ROI_Center_X/Y : PDAF 聚焦点位置（一般为图像中心）；

  3. Log 抓取与调试 ：

    • 打开 PDAF_DebugLog 开关可输出 PDAF 块状统计数据；
    • 使用 MTK 的 MetaTool + USB 调试串口可实时查看 PDAF 阈值、统计分布与聚焦状态；
    • 与 AFState 日志结合判断每一次对焦是否有效、是否切换为 Contrast AF fallback。
数据 Debug 路径：Log、Dump、ISP 输出对齐

跨平台调试 PDAF 时，建议重点关注以下三类调试输出：

  1. Sensor Raw Data Dump ：

    • PDAF Pixel 所在位置的 Bayer 数据必须确保未被 ISP 做过调制；
    • 高通平台可通过 QMMF 抓 Raw；MTK 可通过 adb shell 触发 Raw + PDAF 联合抓拍。

  2. Phase Map Log 输出 ：

    • 高通平台中通过 af_algo 的日志打印 Phase 块坐标与数值；
    • MTK 中使用 dump_afstat 工具提取 PDAF Block Confidence 和 Phase Matrix。

  3. ISP 输出校准 ：

    • 所有 PDAF 输出需和 ISP 渲染结果对齐（同一帧编号 / Timestamp）；
    • 若出现“错焦”，应优先判断 ISP 处理帧与对焦算法帧是否同步。

六、实际场景下的 PDAF 数据误差分析

对焦失败的主要根因：低对比度 / 过曝 / 遮挡

PDAF 在工程实践中并非总能可靠对焦，其失败场景主要包括：

  • 低对比度区域 ：如白墙、天空、毛玻璃等无法提供清晰的相位差梯度，造成 Phase 取值异常或 Confidence 极低；
  • 过曝区域 ：强光直射区域（如车灯、灯泡）会导致 Pixel 饱和，左右像素差值丢失，形成“虚假聚焦”；
  • 遮挡或遮光 ：如用户手指误挡 Sensor、镜片起雾、镜头表面灰尘，导致特定 Block Phase 数据完全丢失；
  • 玻璃窗后场景 ：因折射导致真实景深变化，PDAF 算法误判。

应对策略包括：

  • 设置最低 Confidence 过滤门限；
  • ROI 动态下移避开高曝光区域；
  • Phase 滑动平均滤波消除离群值。
Phase Confidence 值分析与动态阈值策略

Phase Confidence 是 PDAF 对焦系统中判定数据是否可用的重要维度，不同平台的定义略有差异：

  • 高通平台通常使用 0~255 的线性数值，推荐阈值为 80 左右；
  • MTK 平台以比率（0.0 1.0）形式表示有效率，典型阈值为 0.3 0.5。

为提升系统鲁棒性，主流实现中采用 动态阈值策略 ，例如：

  • 图像对比度高 → 阈值上调，保障收敛速度；
  • 环境亮度低 → 阈值下降，避免误过滤有效 Block；
  • 动态 ROI 自适应阈值变化，根据中心区域 vs 周边区域的重要性差异配置不同 Confidence Filter。

该策略通常集成在 ISP 的 AF 引擎模块中，在触发调焦命令前进行预判处理。

多模组差异对 PDAF 精度的影响

在多摄系统中，不同模组对 PDAF 的支持能力存在天然差异，包括：

  • 主摄 vs 副摄 PDAF 精度不同 ：主摄通常具备全像素 PDAF 或 Dual Pixel，对焦速度与精度远优于副摄；
  • 镜头结构差异 ：长焦模组焦距长，对焦范围远，对 PDAF 精度要求更高；
  • Sensor 厂家模型差异 ：如 Sony IMX 系列 Phase 线性度好于部分国产 Sensor；
  • 同步机制缺陷 ：主副模组帧时间不同步，导致 AF 信息失效，形成调焦延迟。

典型优化方法包括：

  • 建立主副摄独立对焦模型；
  • 采用共享或融合 PDAF Map 进行辅助聚焦；
  • 在超广角或微距模组中采用混合式 AF（PDAF + Contrast）增强性能。

七、工程优化建议与通用模型构建

多场景下 Phase Pixel ROI 优化路径

在实际项目中，PDAF 数据的有效性在很大程度上取决于 ROI（Region of Interest）的选取策略。ROI 配置不合理会导致 Phase 数据缺失、干扰过重或聚焦目标偏移。以下为主流优化路径：

  1. 中心权重型 ROI（Default） ：

    • 适用于人物拍照、人脸居中、静物背景简单场景；
    • 通常设置为 5x5 或 7x7 Block 矩阵的中央区域，覆盖 Sensor 中央 20~30% 区域；
    • 在 MTK 平台中使用 AFRegion 字段设定，单位为 Active Array 像素坐标。

  2. 宽域 ROI（Wide Scan） ：

    • 应用于广角、风景拍摄等场景下，提升 Phase 数据获取量；
    • ROI 范围可扩展至 Sensor 全幅，结合滑动窗口或行列聚合进行计算；
    • 推荐设置为 15x9 或 21x13 Block，需使用 ISP 算力进行滤波去噪处理。

  3. 动态 ROI 策略 ：

    • 基于图像内容动态生成 ROI 区，如以人脸、人眼或手势区域为中心；
    • 与 AE/AWB 模块协同，通过共享 ROI Map 进行联合判断；
    • 部分高通平台支持 AF ROI 绑定人脸坐标，依赖系统层人脸识别算法。

  4. 多 ROI 融合机制 ：

    • 通过多个子 ROI 并行计算 Phase 值并选取 Confidence 最大的区域作为最终决策；
    • 在弱光或多光源场景下显著提高准确率；
    • 实现方式一般依赖于 ISP 多通道 PDAF 算法模块（如 MTK Dual AF Path）。
结合机器学习提升 PDAF 稳定性与精度的探索

随着算力提升，越来越多厂商开始引入机器学习辅助 PDAF 数据处理，典型路径包括：

  1. Phase Map 质量评估网络 ：

    • 使用 CNN 对 PDAF Phase Map 进行质量评分，自动判断当前帧是否可信；
    • 输入特征包括 Phase 纹理图、Confidence 分布图等；
    • 输出为二分类或回归信号（可参与 AF 收敛控制）。

  2. 对焦趋势预测模型 ：

    • 使用 LSTM 等时序模型输入历史 Phase 值序列，预测下一帧聚焦趋势；
    • 可提前判断跳变趋势或震荡点，提高对焦精度与响应速度。

  3. 异常帧识别与剔除 ：

    • 异常情况如手指遮挡、水雾干扰、玻璃反射，机器学习模型可基于训练集进行识别剔除；
    • 提升整体系统的鲁棒性。

  4. 多模组融合建模 ：

    • 对主摄、超广角、长焦模组分别训练模型，再通过融合层生成统一决策；
    • 实用于复杂摄像头阵列，如五摄或潜望式结构中。

模型部署路径建议：

  • 高通平台支持 NPU / DSP 加速，可将模型量化为 QNN 格式部署；
  • MTK 平台推荐使用 APU + NNRUN 或 EthosU 架构进行模型转换；
  • 所有模型需对 inference latency 做优化，保证控制链闭环在 10~30ms 内完成。
实用 PDAF 调试脚本与数据可视化方法

建议建立一套可复用 PDAF 数据链调试与可视化工具，包含以下模块：

  • Phase Map 绘制工具 ：

    • 将每帧 PDAF Block Phase 值渲染为热力图，可快速分析对焦点分布与聚焦区域；
    • 常用工具：Python + OpenCV 或 MATLAB 脚本。

  • Confidence 跟踪曲线分析 ：

    • 抓取聚焦过程中每帧中心 Phase Confidence，绘制时间轴变化曲线；
    • 可辅助分析跳变点、聚焦波动或异常帧。

  • 多平台兼容日志解析器 ：

    • 支持自动解析 MTK 的 PDAF Dump、QTI 的 QMMF PDAF 输出，统一转为通用格式（如 CSV/JSON）；
    • 可进一步用于调试文档报告生成。

  • 聚焦评价指标输出 ：

    • 自动计算收敛时间、相位震荡率、失败率等；
    • 输出图表用于对比算法、模组或平台差异。

八、实战案例：1/1.3” 大底 Sensor 在弱光与逆光场景下 PDAF 数据链建模流程

RAW 数据提取与 Phase Map 对比

本案例使用 Sony IMX989（1/1.3” 大底） Sensor，搭载高通 SM8550 平台，目标为验证 PDAF 系统在弱光与逆光条件下的聚焦效果。

流程如下：

  1. 数据采集阶段 ：

    • 使用 QMMF 抓取连续帧 RAW + PDAF 原始数据；
    • 同时记录聚焦马达位置变化和收敛结果。

  2. Phase Map 构建与可视化 ：

    • 通过解析 PDAF Metadata 提取每一帧 Phase Matrix；

    • 利用 Python 脚本构建热力图与 Confidence 叠加图；

    • 对比弱光 vs 逆光帧的 Phase 分布差异，可观察：

      • 弱光下：边缘 Confidence 明显下降；
      • 逆光下：中心 ROI 受光斑干扰，Phase 数据失效。

  3. 异常帧剔除与收敛行为提取 ：

    • 使用 Phase Confidence 阈值自动标记无效帧；
    • 提取从初始化到最终聚焦点的马达移动轨迹与所需帧数。
Sensor 坐标系与聚焦效果的多点匹配验证

在本案例中，进一步验证 Phase Map 中聚焦位置与 Sensor 上真实 ROI 的对齐关系：

  • 将聚焦点中心区域设定为 ROI（约为图像中心 200×200 pixels）；
  • 对比实际拍摄图像中人脸、文字区域是否位于聚焦核心；
  • 对齐 ISP 输出图像，验证 AWB/AE/AF 三者的 ROI 区是否重合。

通过多点验证确保：

  • Phase 位置与马达实际移动位置一致；
  • ISP 图像的清晰区域与 Phase Confidence 区域相吻合；
  • 聚焦后图像在边缘和中心均能达到 MTF 基准要求。
最终对焦质量评估指标（对焦时间/抖动率/收敛精度）

最终通过三项指标评估 PDAF 聚焦系统性能：

指标弱光场景逆光场景
平均对焦时间280ms330ms
马达抖动率12.5%18.2%
对焦收敛误差±5 steps±7 steps

结论建议：

  • 弱光场景中建议使用 PDAF + Contrast AF 混合策略；

  • 逆光区域可动态调整 ROI 避开高光干扰区域；

  • 建议部署 Phase Map 动态过滤机制，结合人脸识别辅助提升稳定性。

本文转自 https://zhxin.blog.csdn.net/article/details/148823643，如有侵权，请联系删除。