4. 自动曝光(AE)基础：曝光三要素（光圈、快门、增益）、曝光值EV、亮度统计、直方图分析

自动曝光（Auto Exposure，AE）是ISP（Image Signal Processor）三大核心算法（AE、AF、AWB）中最先介入、也是影响用户第一观感的模块。无论是手机摄像头还是车载摄像头，AE的目标都是将场景亮度映射到传感器可响应的动态范围内，使输出图像既不过曝（高光溢出）也不欠曝（暗部死黑），同时保留足够的细节与信噪比。理解AE，首先需要建立对曝光三要素、曝光值EV、亮度统计与直方图分析的系统认知。本章将从物理光学基础出发，逐步深入到ISP内部的统计与决策机制，为后续学习AE控制策略与调优打下根基。

4.1 曝光三要素：光圈、快门、增益的物理意义与工程约束

4.1.1 核心原理：三要素如何共同决定传感器曝光量

曝光三要素——光圈（Aperture）、快门（Shutter/Exposure Time）、增益（Gain/ISO）——共同决定了到达传感器像素的光子数量以及最终数字信号的幅度。在ISP的AE算法中，三要素并非完全独立，而是存在优先级与约束关系。光圈控制进光口径，其通光量与F数的平方成反比（通光量 ∝ 1/F²）；快门控制感光时间，曝光量与曝光时间成正比；增益则是对光电转换后的电压信号进行放大，分为模拟增益（Analog Gain）和数字增益（Digital Gain）。在移动端摄像头中，光圈通常是固定的（如F/1.8），因此AE主要调节快门和增益；而在安防或单反相机中，光圈可作为主动调节维度。

4.1.2 判断方法与操作流程：AE的调节优先级策略

在实际ISP中，AE算法遵循“先快门、后增益、再光圈”的调节顺序。这是因为快门调节不引入额外噪声，而增益会放大噪声。具体流程如下：

1. 检测当前亮度统计值：计算当前帧的平均亮度Y_avg与目标亮度Y_target（通常为18%灰对应值，8bit下约为115~128）。
2. 计算曝光误差：ΔEV = log₂(Y_target / Y_avg)。若ΔEV > 0，说明欠曝，需要增加曝光；反之则减少。
3. 优先调节快门：在快门允许范围内（如1/10000s ~ 1/30s），按ΔEV比例调整曝光时间。若快门已达上限仍欠曝，则进入增益调节。
4. 再调节增益：在增益上限内（如ISO 3200）继续补偿。若增益也达上限，则考虑降低目标亮度或启用多帧合成。
5. 最后调节光圈：仅在光圈可变的场景（如安防镜头）中，且快门与增益均受限时，才调整光圈。

4.1.3 案例拆解：夜间手持拍摄的曝光参数决策

场景背景：手机在夜间街道拍摄，环境照度约5 Lux，目标亮度Y_target=120（8bit），当前帧平均亮度Y_avg=30，明显欠曝。初始参数：快门1/120s，增益ISO 200，光圈F/1.8固定。

分析过程：ΔEV = log₂(120/30) = 2，即需要增加4倍曝光量。首先将快门从1/120s降至1/30s（增加4倍曝光），此时ΔEV归零。但1/30s在手持拍摄下存在手抖风险，因此实际策略是：快门降至1/60s（增加2倍），增益从ISO 200提升至ISO 400（增加2倍），总曝光量增加4倍，同时兼顾了运动模糊与噪声。

结果对比：采用“快门优先+增益补偿”策略后，图像亮度达到目标值，噪点控制在可接受范围。若直接提升增益至ISO 800而不调整快门，虽然亮度达标，但噪点明显增加，信噪比下降约6dB。

复盘：AE调节需结合场景动态性（是否有运动物体）、手持稳定性（安全快门）以及噪声容忍度综合决策，不能机械地按单一公式计算。

4.2 曝光值EV与亮度映射

4.2.1 核心原理：EV的定义与计算

曝光值（Exposure Value，EV）是衡量曝光量的标准化指标，定义为：EV = log₂(F² / T)，其中F为光圈F数，T为快门时间（秒）。每增加1 EV，曝光量翻倍。例如，F/2.0、快门1/100s的EV = log₂(4 / 0.01) = log₂(400) ≈ 8.64。在ISP中，EV常用于描述曝光补偿量（如EV+1表示增加一档曝光）以及AE算法的收敛步长。

4.2.2 亮度映射与目标值设定

传感器输出的RAW数据经过线性化后，需要映射到目标亮度范围。典型做法是将场景中18%中性灰的反射亮度映射到输出图像的中灰值（8bit下为128，10bit下为512）。AE算法的核心任务就是通过调节三要素，使当前帧的统计平均亮度逼近目标值。但实际场景中，由于动态范围限制，AE还需考虑高光保护（避免高光溢出）和阴影提升（避免暗部死黑）。

4.2.3 常见误区：EV与亮度的混淆

初学者常将EV直接等同于图像亮度。实际上，EV描述的是曝光参数组合，而图像亮度还取决于场景照度与反射率。相同EV下，拍摄白色墙壁与黑色汽车得到的图像亮度完全不同。因此，AE算法必须依赖传感器统计的实际亮度而非仅计算EV。

4.3 亮度统计：从RAW到可决策的数据

4.3.1 核心原理：统计模块的工作机制

ISP中的AE统计模块接收来自传感器的RAW数据（或经过简单预处理的RGB数据），将其转换为亮度分量Y（通常使用Y = 0.299R + 0.587G + 0.114B的加权公式），然后进行分区统计。常见的统计方式包括：

• 全局平均亮度：整帧像素的Y值平均，用于快速判断整体曝光趋势。
• 分区权重统计：将画面划分为M×N个区域（如15×15），每个区域计算平均亮度，并根据权重图（如中央权重）加权求和。
• 饱和像素统计：统计亮度超过阈值（如250/255）的像素比例，用于检测高光溢出。
• 暗部像素统计：统计亮度低于阈值（如5/255）的像素比例，用于检测阴影死黑。

4.3.2 操作流程：如何配置统计窗口

// 伪代码示例：配置AE统计窗口
ae_stats_config.width = 1920;
ae_stats_config.height = 1080;
ae_stats_config.grid_rows = 15;   // 15行分区
ae_stats_config.grid_cols = 15;   // 15列分区
ae_stats_config.weight_table = central_weight_5x5; // 中央权重
ae_stats_config.saturation_threshold = 250; // 饱和阈值
ae_stats_config.dark_threshold = 5;         // 暗部阈值
ae_stats_config.enable_histogram = true;    // 同时输出直方图

4.3.3 案例拆解：逆光场景的统计权重调整

场景：人像逆光，背景天空亮度为200，人脸亮度为40。若使用全局平均，Y_avg = (200+40)/2 = 120，恰好等于目标值，AE不会调整，但人脸严重欠曝。

分析：此时应启用中央权重或人脸检测区域权重，将人脸区域权重提高至80%，背景权重降低至20%。加权后的Y_avg = 200×0.2 + 40×0.8 = 72，低于目标值120，AE会提升曝光，使人脸变亮。

结果：调整后，人脸亮度提升至约110，背景可能过曝至230，但主体清晰。若配合HDR（高动态范围）或多帧合成，可进一步保留背景细节。

复盘：统计权重的设计直接影响AE的决策方向。在ISP调优中，需要根据产品定义（如人脸优先、车牌优先）配置不同的权重图。

4.4 直方图分析：曝光质量的“X光片”

4.4.1 核心原理：直方图的构成与解读

直方图统计了图像中每个亮度级别的像素数量分布，横轴为亮度值（0~255），纵轴为像素数量。通过直方图可以直观判断：

• 过曝：直方图右侧（240~255）出现大量像素堆积，说明高光溢出。
• 欠曝：直方图左侧（0~15）出现大量像素堆积，说明暗部死黑。
• 动态范围不足：直方图集中在中间窄带，两端无像素，说明对比度低。
• 动态范围过大：直方图两端均有像素堆积，中间稀疏，说明场景动态范围超出传感器能力。

4.4.2 判断方法：基于直方图的AE决策

AE算法可结合直方图进行精细调节：

1. 计算直方图的百分位亮度（如P1、P50、P99），P99接近255说明存在过曝风险。
2. 计算有效动态范围 = P99 - P1，若该值小于128，说明对比度不足，可适当提升对比度或调整Gamma。
3. 若P1 < 5且P99 > 250，说明场景动态范围过大，需启用HDR或局部色调映射（LTM）。

4.4.3 实战场景：夜景直方图分析与曝光策略

初始现象：夜景照片直方图显示：P1=2，P50=35，P99=180。左侧大量像素堆积（暗部死黑），右侧无像素（无高光）。

分析：P99=180说明没有过曝风险，但P1=2说明暗部细节丢失严重。AE应适当增加曝光（提升快门或增益），使P50从35提升至60左右，同时观察P99是否超过240。

操作：将曝光时间从1/30s调整为1/15s（增加1EV），增益从ISO 800提升至ISO 1200（增加0.6EV），总曝光增加1.6EV。调整后直方图：P1=8，P50=58，P99=210，暗部细节明显改善，高光仍有余量。

结果对比：调整前图像整体偏暗，路灯周围光晕不明显；调整后暗部建筑轮廓清晰，路灯高光未溢出，主观画质提升显著。

复盘：夜景AE的关键是在“提升暗部”与“保护高光”之间寻找平衡点。直方图提供了量化依据，但最终还需结合人眼主观评价进行微调。

4.5 综合总结与调优要点

本章从曝光三要素的物理原理出发，系统梳理了EV计算、亮度统计与直方图分析在AE算法中的角色。理解这些基础概念是后续学习AE控制策略（如PID控制、爬山搜索）和高级功能（如HDR、多帧合成）的前提。在实际工程中，AE调优需要结合传感器特性、镜头光学、场景统计与主观评价反复迭代，才能达到“亮部不过曝、暗部有细节、整体自然通透”的理想效果。