相机的自动对焦要求根据拍摄环境和场景的变化，通过相机内部的微型驱动马达，自动调节相机镜头和CCD之间的距离，保证像平面正好投影到CCD的成像表面。这时候物体的成像比较清洗，图像细节信息丰富。

图像清晰度评价算法有很多种，在空域中，主要思路是考察图像的领域对比度，即相邻像素间的灰度特征的梯度差；在频域中，主要思路是考察图像的频率分量，对焦清洗的图像高频分量较多，对焦模糊的图像低频分量较多。

这里实现3种清晰度评价方法，分别是Tenengrad梯度方法、Laplacian梯度方法和方差方法。

1. Tenengrad 梯度方法

Tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度，同一个场景下梯度值越高，图像越清晰。以下是具体实现，衡量的指标是经过Sobel算子处理后的图像的平均灰度值，值越大，代表图像越清晰。

2. Laplacian梯度方法

Laplacian梯度是另一种求图像梯度的方法，在上例的Opencv代码中直接替换Sobel算子即可。

3. 方差方法

        方差是概率轮中用来考察一组离散数据和其期望（即数据的均值）之间的离散（偏离）程度的度量方法。方差越大，表示这一组数据之间的偏差较大，组内的数据有的较大，有的较小，分布不均衡；方差较小，表示这一组数据之间的偏差较小，组内的数据之间分布平均，大小相近。

        对焦清洗的图像相比对焦模糊的图像，它的数据之间的灰度差异应该更大，即它的方差应该较大，可以通过图像灰度数据的方差来衡量图像的清晰度，方差越大，表示清晰度越好。

 在工业应用中，最清晰的对焦拍摄出来的图像不一定是最好的，有可能出现摩尔纹（水波纹）现象，一般需要在最清晰对焦位置附近做一个微调。