4. 场景特征提取：从像素到语义的桥梁

场景自适应算法要能“看懂”画面，第一步就是提取特征。说白了，就是把一张图片里那些对曝光融合有用的信息，用数学的方式描述出来。

我个人习惯把特征分成四大类：亮度、纹理、颜色、边缘梯度。这四类特征组合起来，基本就能覆盖一个场景的“画像”了。

4.1 亮度统计特征

亮度是最直观的特征。但直接取平均亮度往往不够用，因为场景的动态范围差异太大了。

核心指标：

• 平均亮度：整张图的亮度均值，反映整体明暗倾向。
• 亮度直方图：统计每个亮度级别的像素数量。我常用它来判断场景是否过曝或欠曝。
• 动态范围：最亮区域与最暗区域的比值。这个值越大，说明场景越“硬”，需要多帧融合。
• 亮度标准差：反映亮度的离散程度。标准差大，说明场景明暗对比强烈。

亮度特征提取代码示例：

import cv2
import numpy as np

def extract_luminance_features(img):
    # 转为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 平均亮度
    mean_lum = np.mean(gray)
    
    # 直方图
    hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
    
    # 动态范围（取第5和第95百分位）
    sorted_pixels = np.sort(gray.flatten())
    low = sorted_pixels[int(len(sorted_pixels) * 0.05)]
    high = sorted_pixels[int(len(sorted_pixels) * 0.95)]
    dynamic_range = high - low
    
    # 标准差
    std_lum = np.std(gray)
    
    return {
        'mean': mean_lum,
        'histogram': hist,
        'dynamic_range': dynamic_range,
        'std': std_lum
    }

4.2 纹理特征

纹理特征描述的是图像局部的细节丰富程度。你想想看，一张白墙和一张布满树叶的照片，纹理复杂度天差地别。

常用方法：

• 局部二值模式（LBP）：对每个像素的邻域进行二值编码，统计模式分布。对光照变化不敏感，适合做纹理分类。
• 灰度共生矩阵（GLCM）：统计像素对的空间关系，提取对比度、能量、熵等特征。
• 拉普拉斯方差：计算图像的二阶导数，方差越大，纹理越丰富。这个计算简单，我经常用它做快速纹理评估。

纹理特征对比表：

方法	计算速度	光照鲁棒性	适用场景
LBP	快	高	纹理分类、人脸识别
GLCM	慢	中	纹理分析、医学图像
拉普拉斯方差	极快	低	快速模糊检测、对焦评估

4.3 颜色分布特征

颜色分布能告诉我们场景的“调性”。比如，日落场景偏橙红，雪景偏蓝白，森林偏绿。

关键特征：

• 颜色直方图：在RGB或HSV空间统计每个通道的分布。HSV空间更符合人眼感知，我一般用H和S通道。
• 主色调：通过K-means聚类提取图像中的主要颜色。这个在场景分类中很实用。
• 色彩丰富度：计算颜色直方图的熵值。熵越大，颜色越丰富。
• 色偏检测：计算a*b*通道的均值，判断是否存在整体色偏。

4.4 边缘与梯度特征

边缘和梯度是图像中最“硬”的结构信息。它们描述了像素值的变化剧烈程度。

核心算子：

• Sobel算子：计算一阶梯度，提取水平和垂直方向的边缘。
• Canny边缘检测：多阶段算法，能提取出清晰的单像素边缘。
• 梯度幅值直方图：统计每个像素的梯度大小，反映图像的锐度。
• 边缘密度：边缘像素占总像素的比例。边缘密度高，说明场景细节丰富。

梯度特征提取代码：

def extract_gradient_features(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # Sobel梯度
    grad_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
    grad_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
    grad_mag = np.sqrt(grad_x**2 + grad_y**2)
    
    # Canny边缘
    edges = cv2.Canny(gray, 50, 150)
    
    # 边缘密度
    edge_density = np.sum(edges > 0) / edges.size
    
    # 梯度幅值统计
    grad_mean = np.mean(grad_mag)
    grad_std = np.std(grad_mag)
    
    return {
        'gradient_magnitude': grad_mag,
        'edges': edges,
        'edge_density': edge_density,
        'grad_mean': grad_mean,
        'grad_std': grad_std
    }

4.5 特征融合与场景画像

单一特征往往不够用。我习惯把四类特征组合成一个特征向量，用来描述整个场景。

特征向量示例：

• 亮度：平均亮度、动态范围、标准差
• 纹理：拉普拉斯方差、LBP直方图熵
• 颜色：HSV直方图、主色调、色彩丰富度
• 边缘：边缘密度、梯度均值、梯度标准差

这个特征向量就是场景的“数字指纹”。后续的曝光融合参数，就是根据这个指纹来动态调整的。