4. AE算法核心——亮度统计：直方图统计、区域权重划分、亮度均值与标准差计算、基于统计的曝光决策逻辑

各位好，欢迎来到第四章。

前面我们聊了AE的整体框架，也看了曝光时间、增益、光圈这些硬件参数怎么配合。但有个核心问题一直没解决——相机怎么知道当前画面是亮还是暗？

你可能会说：“这还不简单？算个平均亮度不就行了？”

嗯，我当年刚入行时也是这么想的。直到我在一个项目中做逆光场景的调试，发现平均亮度明明很“正常”，但人脸却黑成一团。从那以后我才明白——亮度统计，绝不是算个平均值那么简单。

今天我们就来拆解AE的“眼睛”：直方图统计、区域权重划分、亮度均值与标准差，以及最终的曝光决策逻辑。

4.1 直方图统计——画面的“像素分布地图”

直方图是什么？说白了，就是统计画面里每个亮度级别有多少像素。

假设我们把亮度从0（纯黑）到255（纯白）分成256个区间。直方图就是告诉你：亮度为0的像素有多少个，亮度为1的有多少个……一直到255。

我在项目中习惯把直方图分成三个区域：

• 暗部（0-85）：阴影、暗角、黑色物体
• 中间调（86-170）：主体、人脸、纹理
• 亮部（171-255）：高光、天空、白色物体

为什么要分区域？因为不同场景的“理想直方图”完全不一样。

直方图统计的代码实现其实不复杂：

// 伪代码：直方图统计
uint32_t histogram[256] = {0};
for (int y = 0; y < height; y++) {
    for (int x = 0; x < width; x++) {
        uint8_t brightness = getPixelBrightness(frame, x, y);
        histogram[brightness]++;
    }
}

4.2 区域权重划分——凭什么中心区域更重要？

你想想看，一张照片里，边角区域和中心区域的重要性一样吗？

显然不一样。绝大多数用户关注的是画面中心的主体——人脸、产品、标志物。如果边角过曝或欠曝，用户可能不太在意；但中心区域一旦出问题，这张照片就废了。

所以，我们需要区域权重划分。

常见的权重划分方式有两种：

4.2.1 中心权重矩阵

给画面划分成 M×N 个网格，每个网格分配一个权重值。中心区域的权重高，边缘的权重低。

// 5x5 中心权重矩阵示例
float weight[5][5] = {
    {0.2, 0.4, 0.5, 0.4, 0.2},
    {0.4, 0.8, 1.0, 0.8, 0.4},
    {0.5, 1.0, 1.5, 1.0, 0.5},
    {0.4, 0.8, 1.0, 0.8, 0.4},
    {0.2, 0.4, 0.5, 0.4, 0.2}
};

4.2.2 人脸/主体检测权重

更高级的做法——先做人脸检测或主体检测，然后给检测到的区域分配更高的权重。

加权平均亮度的计算公式：

// 加权平均亮度
float weighted_mean = 0.0f;
float total_weight = 0.0f;

for (int y = 0; y < grid_h; y++) {
    for (int x = 0; x < grid_w; x++) {
        float block_brightness = getBlockMean(frame, x, y);
        weighted_mean += block_brightness * weight[y][x];
        total_weight += weight[y][x];
    }
}
weighted_mean /= total_weight;

4.3 亮度均值与标准差——不只是“平均”那么简单

均值告诉你画面整体是亮是暗，但标准差告诉你画面的对比度。

举个例子：

• 一张纯灰卡的照片：均值=128，标准差≈0
• 一张明暗分明的风景照：均值=128，标准差≈60

你看，均值完全一样，但两张照片的“感觉”天差地别。

标准差的计算公式：

// 计算亮度标准差
float mean = getWeightedMean(frame, weight_matrix);
float variance = 0.0f;
int total_pixels = width * height;

for (int y = 0; y < height; y++) {
    for (int x = 0; x < width; x++) {
        float diff = getPixelBrightness(frame, x, y) - mean;
        variance += diff * diff;
    }
}
variance /= total_pixels;
float stddev = sqrt(variance);

我个人习惯把均值和标准差结合起来，形成一个亮度状态向量：

4.4 基于统计的曝光决策逻辑

好了，现在我们有了直方图、区域权重、均值和标准差。怎么用这些数据来做曝光决策？

我把它总结成一个三步流程：

1. 计算当前亮度指标：加权均值、标准差、直方图分布
2. 与目标亮度比较：目标亮度通常设在100-120（8位数据），具体看场景
3. 计算曝光调整量：用PID控制器或查表法决定调整方向和幅度

下面是一个简化的决策逻辑：

// 曝光决策逻辑（简化版）
float target_brightness = 110.0f;  // 目标亮度
float current_brightness = getWeightedMean(frame, weight);
float error = target_brightness - current_brightness;

// 死区处理：误差小于阈值就不调整
if (fabs(error) < 5.0f) {
    return;  // 保持当前曝光
}

// 计算曝光调整量（P控制器）
float kp = 0.8f;  // 比例系数
float adjustment = error * kp;

// 限制调整步长，防止画面闪烁
if (adjustment > 15.0f) adjustment = 15.0f;
if (adjustment < -15.0f) adjustment = -15.0f;

// 应用调整到曝光参数
applyExposureAdjustment(adjustment);

更完整的决策逻辑还会考虑：

• 直方图溢出检测：如果亮部或暗部有大量像素溢出，优先处理溢出
• 场景切换检测：如果亮度突然大幅变化，可能是场景切换，需要快速响应
• 时间平滑：对调整量做指数平滑，避免画面闪烁

4.5 本章知识体系总览

下面这张图总结了亮度统计与曝光决策的完整流程：

嗯，到这里，亮度统计的核心内容就讲完了。直方图给了你全局分布，权重划分让你聚焦重点区域，均值和标准差帮你判断画面状态，最后决策逻辑把这些信息转化成具体的曝光调整。