一、Evaluation of Sharpness Measures and Search Algorithms for the Auto-Focusing of High Magnification Images
这篇论文关于自动聚焦，主要对不同种类清晰度评价函数做了仿真对比、不同方案清晰度峰值搜索方案进行仿真对比，虽然发表于2006年，但其建立的评估框架和结论至今仍有重要参考价值，是理解被动式自动对焦技术的必读文献。
自动对焦技术主要分为两大基本类型：主动式和被动式。主动式对焦通常采用测距传感器来确定目标与相机之间的距离，而被动式对焦则可分为设备辅助型和纯图像型两大类。设备辅助型被动对焦通过集成立体匹配单元、分光棱镜等辅助设备实现自动对焦，纯图像型则无需额外设备，而是通过采集不同焦点位置的图像序列来确定最佳对焦点。
二、搜索方案
具体方案还需要找到对应文档进行分析
2.1 全局搜索
通过搜索能产生最高锐度度量的对焦位置来确定最佳对焦点。提出了多种搜索策略，其中最直接的方法是全局搜索。该方法通过单向扫描所有对焦位置来获取峰值位置，仅适用于对焦范围较窄的情况。
2.2 斐波那契搜索
斐波那契搜索是最著名的搜索算法。该算法通过逐步缩小搜索区间，直至其大小等于初始搜索范围的给定比例。它保证在仅取决于动态聚焦范围的已知次数迭代内找到准则函数的最大值。
2.3 二分搜索算法
在二分搜索算法中，系统会在两个位置对准则函数进行采样并计算其差值。若差值为负，则向相反方向移动。由于准则函数呈现单峰形态，只要对步长进行合理启发式选择，二分搜索就能快速收敛至最佳聚焦位置。将搜索过程划分为两个阶段：失焦区域搜索（OFRS）和聚焦区域搜索（FRS）。
2.4 函数拟合曲线
并采用函数拟合以实现更快的收敛[19]。在精细搜索阶段，图像锐度在三个焦点位置进行评估。随后将这些样本拟合为二次函数或高斯函数。拟合曲线达到最大值的位置被视为焦点位置。
2.5 基于规则的搜索算法
为避免斐波那契搜索所需的来回移动，Kehtarnavaz等人提出了一种基于规则的搜索（RS）算法，该算法通过调整步长来适应与最佳焦点位置的距离变化
三、仿真对比
实验中采用了多种搜索算法，包括二分搜索（BS）、斐波那契搜索（FS）和基于规则的搜索（RS）。在二分搜索的实现中，当锐度度量值的差异符号发生改变时，系统会将步长减半。此外，在基于二分搜索和斐波那契搜索的粗搜索阶段后，会采用二次函数拟合进行精细搜索。由此产生的算法分别命名为BF和FF.
总结：在精度方面，斐波那契搜索、爬山搜索和基于规则的搜索表现最佳。但爬山搜索的性能对参数设置（如步长和阈值）较为敏感
)
