算法层基础：3A算法概览与图像处理核心
各位同学，欢迎来到算法层。这一层，才是真正决定图像质量好坏的关键。
说实话，HAL层再扎实，也只是把硬件能力发挥出来。但算法层，是给图像注入「灵魂」的地方。我做了这么多年图像质量调优，最深的体会就是：算法选得好，调优事半功倍；算法选错了，后面再怎么调也是白费力气。
今天这一章，我们先来一个全景式的概览。把3A算法、去噪、锐化、色彩校正、HDR这些核心模块，一个个拆开来看。
核心观点：算法层不是孤立存在的。AE、AWB、AF这三个算法，是图像处理流水线的「大脑」；而去噪、锐化、色彩校正、HDR，则是「手脚」。大脑指挥手脚，手脚反馈结果给大脑——这是一个闭环。
3A算法：自动曝光（AE）
自动曝光，说白了就是让画面亮度刚刚好。不亮不暗，细节都在。
AE的核心逻辑其实很简单：根据场景亮度，调整曝光时间、增益、光圈。但实际做起来，坑特别多。
我遇到过最典型的问题是什么？就是场景切换时的亮度抖动。比如你从室内走到室外，AE如果反应太快，画面会「闪」一下；反应太慢，又会有几秒钟的过曝或欠曝。这个平衡，很难拿捏。
AE的常用策略有几种：
- 中心权重测光：默认方案，适合大多数场景
- 全局平均测光：适合风景、均匀光照
- 点测光：适合逆光、高对比场景
- 人脸优先测光：现在手机相机基本标配
我个人习惯，在AE调优时，会先看目标亮度曲线。你想想看，如果目标亮度设得太高，暗部噪点会爆炸；设得太低，高光又容易过曝。这个目标值，通常建议在18%灰附近，但具体要看传感器特性。
避坑指南：我曾经在一个项目中，AE收敛速度调得太快，结果在日光灯下出现了明显的闪烁（50Hz/60Hz频闪）。后来加了防闪烁检测，才解决。记住：AE的收敛速度，一定要考虑光源频率。
3A算法：自动白平衡（AWB）
AWB要解决的问题很简单：让白色看起来是白色。不管是在暖色灯光下，还是在阴天的冷色光下，白纸都应该是白的。
但实际做起来，AWB是3A里最让人头疼的。为什么？因为场景太复杂了。
举个例子：你拍一片草地，草是绿色的。AWB算法如果误判，以为场景偏绿，就会往品红方向拉——结果草地变成了灰色。这就是典型的「色偏」问题。
AWB的常见方法：
- 灰世界法：假设场景平均色是灰色，简单但容易翻车
- 色温估计法：通过统计R/G、B/G比值，映射到色温曲线
- 学习型AWB：用大量场景数据训练模型，现在主流方案
我记得有一次，客户反馈说室内拍人像肤色偏黄。查了半天，发现是AWB把暖色灯光误判成了夕阳场景，色温拉得太低。后来我们加了一个人脸肤色约束，只要检测到人脸，AWB就优先保证肤色自然。效果立竿见影。
注意：AWB和AE是强耦合的。曝光变了，颜色统计也会变。所以调AWB之前，一定要先把AE调稳。否则你永远不知道色偏是AWB的问题，还是AE的问题。
3A算法：自动对焦（AF）
AF的目标很直接：让画面最清晰。但实现方式，差别很大。
常见的AF类型：
| 类型 | 原理 | 优缺点 |
|---|---|---|
| 反差对焦（CDAF） | 找对比度最大的位置 | 精度高，但慢，会来回拉风箱 |
| 相位对焦（PDAF） | 通过相位差判断方向 | 速度快，但低光下精度下降 |
| 激光/ToF对焦 | 直接测距 | 极快，但受限于距离 |
| 混合对焦 | PDAF+CDAF结合 | 现在手机主流方案 |
我个人最推荐的，是混合对焦。先用PDAF快速接近焦点，再用CDAF做精细调整。这样既快又准。
嗯，这里要注意：AF的对焦窗口设计很关键。如果窗口太大，背景干扰多；窗口太小，容易跟丢目标。我一般建议，对焦窗口大小取画面面积的5%~10%，并且要跟随人脸或主体移动。
去噪算法：空间域 vs 时间域
去噪，是图像质量里永远绕不开的话题。低光下噪点爆炸，高ISO下更是惨不忍睹。
去噪算法分两大类：
- 空间域去噪：在单帧图像上做滤波。常见的有高斯滤波、双边滤波、NLM（非局部均值）
- 时间域去噪：利用多帧信息做降噪。比如多帧平均、运动补偿降噪
空间域去噪的优点是实现简单，缺点是容易丢细节。你想想看，一个强滤波下去，噪点没了，但边缘也糊了。这就是典型的「去噪-保边」矛盾。
时间域去噪就好很多。因为它是利用帧与帧之间的冗余信息，静止区域可以大幅降噪，运动区域则保留细节。但代价是：需要缓存多帧数据，对内存和带宽有要求。
我建议的工程实践：空间域做轻度去噪，时间域做重度去噪。先通过时间域把静态区域的噪点压下去，再用空间域做边缘保护。这样效果最好。
避坑指南：我曾经在时间域去噪上踩过一个坑——运动检测阈值设得太低，导致运动物体出现了「鬼影」。后来把阈值调高，并加入了运动矢量估计，才解决。记住：时间域去噪，运动检测是灵魂。
锐化算法
锐化，说白了就是让边缘更锐利。但锐化做过头了，画面会变得「假」——出现白边、振铃、甚至噪点放大。
最经典的锐化算法是非锐化掩模（Unsharp Mask）。原理很简单：原图减去模糊图，得到边缘信息，再叠加回原图。
代码示例（简化版）：
// 非锐化掩模核心逻辑
blur = gaussian_filter(image, sigma);
edge = image - blur;
sharpened = image + alpha * edge;这里的alpha就是锐化强度。alpha太大，边缘会过冲；太小，效果不明显。我一般建议alpha取0.5~1.5之间，具体要看传感器MTF曲线。
还有一种更高级的锐化——自适应锐化。它根据局部对比度动态调整锐化强度。平坦区域少锐化，避免放大噪点；边缘区域多锐化，提升清晰度。
我个人习惯，在锐化之前，一定会先做噪点估计。如果噪点水平高，锐化强度就要降下来。否则，锐化会把噪点也一起放大，画面反而更难看。
色彩校正算法
色彩校正，目标是让颜色「准」。但什么是「准」？这是个哲学问题。
从工程角度，色彩校正通常分两步：
- 白平衡校正：消除光源色温的影响（前面AWB已经做了）
- 色彩矩阵校正：把传感器原始色彩空间映射到标准色彩空间（如sRGB、DCI-P3）
色彩矩阵通常是一个3x3的矩阵：
R_out = m00*R_in + m01*G_in + m02*B_in
G_out = m10*R_in + m11*G_in + m12*B_in
B_out = m20*R_in + m21*G_in + m22*B_in这个矩阵怎么来的？通过拍摄色卡（如X-Rite ColorChecker）来标定。拍一张色卡照片，提取每个色块的实际值，和目标值做最小二乘拟合，就能算出矩阵系数。
我遇到过最头疼的问题是什么？不同光源下，色彩矩阵不通用。D65光源下校准好的矩阵，放到A光源下，颜色就偏了。所以实际产品中，通常会准备多组矩阵，根据色温切换。
注意：色彩校正不是越「准」越好。用户喜欢鲜艳的颜色，而不是准确的灰色。所以很多厂商会在色彩矩阵之后，再加一个饱和度增强或肤色美化的模块。这是调优的艺术，不是科学。
HDR算法
HDR，高动态范围。说白了就是让亮的地方不过曝，暗的地方不欠曝。
HDR的实现方式主要有两种：
- 多帧HDR：拍多张不同曝光的照片，合成一张。优点是动态范围大，缺点是容易有鬼影
- 单帧HDR（DOL HDR）：利用传感器本身的HDR模式，一次曝光得到高动态数据。优点是快，缺点是动态范围有限
多帧HDR的合成流程：
- 拍三帧：欠曝、正常、过曝
- 做运动检测，避免鬼影
- 用权重融合算法，把三帧合成
- 做色调映射（Tone Mapping），把高动态数据压缩到8bit显示
色调映射是HDR的灵魂。常见的算法有：
- 全局色调映射：简单，但容易丢失局部对比度
- 局部色调映射：效果好，但计算量大
- 基于Retinex的映射：模拟人眼感知，效果最自然
我建议，在移动平台上，优先用全局+局部混合的色调映射。全局映射保证整体亮度合理，局部映射增强暗部细节。这样既省功耗，效果也不错。
避坑指南：多帧HDR最怕的就是鬼影。运动物体在帧与帧之间位置不同，合成后会出现半透明的重影。我曾经在一个项目中，为了消除鬼影，用了光流法做运动补偿——效果很好，但帧率直接掉了一半。后来改用基于块的快速运动检测，才在效果和性能之间找到平衡。
本章小结
这一章，我们把算法层的核心模块都过了一遍。你可能会觉得内容有点多，没关系，后面每一章都会深入展开。
记住一句话：算法层不是孤立的。AE、AWB、AF是基础，去噪、锐化、色彩校正、HDR是上层建筑。基础不稳，上层再漂亮也是空中楼阁。
下一章，我们会深入AE的细节，从硬件控制到算法实现，一步步拆解。到时候见。
可可精品资料库