4. AE算法基础与统计信息获取：目标亮度与统计直方图

AE（自动曝光）算法，说白了就是帮摄像头找到「最舒服的亮度」。你想想看，一张照片太亮或太暗，细节全丢了，那还谈什么画质？我做了这么多年ISP，见过太多因为曝光翻车的案例——人脸过曝成白板，夜景暗部死黑一片。嗯，这章我们就从最基础的东西讲起。

4.1 AE的核心目标：目标亮度

AE算法的终极目标只有一个：让图像的平均亮度逼近一个预设的目标值。这个目标值通常用目标亮度（Target Luminance）来表示，单位可以是8-bit的灰度值（0-255），也可以是归一化的0-1。

我个人习惯把目标亮度分成三类场景：

场景类型	目标亮度范围（8-bit）	典型应用
标准场景	100 - 130	日常拍照、视频通话
高动态场景	80 - 100	逆光、HDR模式
低照度场景	40 - 70	夜景、暗光环境

4.2 从ISP获取亮度统计信息

知道了目标亮度，下一步就是获取当前图像的亮度统计。ISP硬件通常会提供两种最基础的统计信息：亮度直方图（Histogram）和分区统计（Zone）。

4.2.1 亮度直方图（Histogram）

直方图统计的是图像中每个亮度级别的像素数量。举个例子，8-bit图像有256个亮度级别（0-255），直方图就是一个长度为256的数组，每个元素代表对应亮度值的像素个数。

ISP硬件一般会提供两种直方图模式：

• 全局直方图：统计整帧图像的亮度分布。适合做全局曝光调整。
• ROI直方图：只统计感兴趣区域（比如人脸框内）的亮度分布。适合做局部曝光优化。

代码层面，从ISP驱动获取直方图通常长这样：

// 假设ISP驱动返回的直方图数据结构
typedef struct {
    uint32_t histogram[256];  // 256个bin，每个bin统计像素个数
    uint32_t total_pixels;    // 总像素数，用于归一化
    uint16_t roi_x;           // ROI起始x坐标（如果是ROI模式）
    uint16_t roi_y;           // ROI起始y坐标
    uint16_t roi_width;       // ROI宽度
    uint16_t roi_height;      // ROI高度
} isp_histogram_t;

// 获取直方图示例
isp_histogram_t hist;
isp_get_histogram(&hist);  // 调用ISP驱动接口

// 计算平均亮度
float avg_luminance = 0.0f;
for (int i = 0; i < 256; i++) {
    avg_luminance += i * hist.histogram[i];
}
avg_luminance /= hist.total_pixels;

4.2.2 分区统计（Zone）

分区统计，就是把图像分成M×N个网格，每个网格独立统计亮度信息。常见的分区有5×5、7×7、15×15等。分区统计的好处是能感知图像不同区域的亮度差异，这对逆光场景特别重要。

每个分区通常包含以下统计量：

• 平均亮度：该分区内所有像素亮度的平均值。
• 最大/最小亮度：该分区内的亮度极值。
• 亮度方差：反映该分区内的纹理丰富程度。

ISP驱动获取分区统计的典型接口：

// 分区统计数据结构（以5x5分区为例）
#define ZONE_ROWS 5
#define ZONE_COLS 5

typedef struct {
    uint8_t avg_luminance[ZONE_ROWS][ZONE_COLS];  // 每个分区的平均亮度
    uint8_t max_luminance[ZONE_ROWS][ZONE_COLS];  // 每个分区的最大亮度
    uint8_t min_luminance[ZONE_ROWS][ZONE_COLS];  // 每个分区的最小亮度
    uint16_t variance[ZONE_ROWS][ZONE_COLS];      // 每个分区的亮度方差
} isp_zone_stats_t;

// 获取分区统计
isp_zone_stats_t zone_stats;
isp_get_zone_stats(&zone_stats);

// 计算中心区域的平均亮度（用于人脸优先场景）
float center_avg = 0.0f;
for (int r = 1; r < ZONE_ROWS - 1; r++) {
    for (int c = 1; c < ZONE_COLS - 1; c++) {
        center_avg += zone_stats.avg_luminance[r][c];
    }
}
center_avg /= 9;  // 3x3中心区域

4.3 直方图与分区统计的融合使用

在实际工程中，我很少只用直方图或只用分区统计。两者各有优劣：

统计方式	优势	劣势
全局直方图	计算简单，能反映整体亮度分布	无法感知局部亮度差异
分区统计	能感知空间亮度变化，适合逆光/人脸场景	计算量大，分区边界可能引入伪影

我的做法是：先用分区统计判断场景类型（是否逆光、是否有人脸），然后根据场景类型决定直方图的权重分配。比如逆光场景，我会给暗部区域的直方图bin更高的权重，让AE算法优先提亮暗部。

4.4 知识体系：AE统计信息获取流程

下面这张图展示了从ISP硬件到AE算法的完整统计信息获取链路：

4.5 避坑指南

最后分享几个我在项目中踩过的坑：

• 直方图溢出：有些ISP的直方图bin是16-bit计数器，但像素数可能超过65535。我曾经遇到过直方图统计值溢出导致AE误判的情况。解决办法是定期检查总像素数，如果发现溢出就做一次归一化重置。
• 分区统计的边界效应：分区边界上的像素可能被重复统计或漏统计。我建议在ISP配置里开启「边界像素排除」选项，或者自己在软件层做边界裁剪。
• 统计信息的时间对齐：直方图和分区统计可能来自不同帧。我记得有一次调试，发现直方图和分区统计的亮度值对不上，查了半天才发现是驱动返回的统计信息不是同一帧的。后来我强制要求驱动必须返回同一帧的统计信息。