2. 传统AE算法回顾：基于统计的AE算法、基于直方图的AE算法、优缺点分析

聊自动曝光算法，咱们得先看看老前辈们是怎么做的。说实话，现在很多号称“智能”的AE算法，底子还是从传统方法里长出来的。我个人习惯是，不管学什么新东西，先把经典套路吃透，这样遇到坑才知道怎么绕。

传统AE算法主要分两派：基于统计的和基于直方图的。这两派思路完全不同，但目标都一样——让画面亮度看着舒服。

2.1 基于统计的AE算法

这派算法的核心思想很简单：把图像分成若干块，每块算一个平均亮度，然后加权求和得到一个“全局亮度指标”。再拿这个指标跟目标亮度比，差值送进控制器去调曝光参数。

我最早接触AE算法时，用的就是这种。当时在做一个安防摄像头项目，画面里经常有大面积天空或者墙壁，结果曝光老是被带偏。嗯，这里要注意——分块和权重的设计，直接决定了算法的成败。

2.1.1 典型的分块策略

你想想看，如果拍一张人脸特写，用均匀网格去算，背景占了大部分面积，人脸反而被忽略了。结果就是背景正常，人脸过曝或欠曝。所以中心加权是最基础的改进。

2.1.2 算法流程

基于统计的AE，流程其实很直白：

1. 采集图像：拿到当前帧的RAW或YUV数据。
2. 分块统计：按预设的网格划分，计算每块的平均亮度（通常是Y通道均值）。
3. 加权融合：用权重表把各块亮度加权求和，得到Y_avg。
4. 误差计算：error = Y_target - Y_avg。
5. 曝光调整：用PID或查表法，根据error调整曝光时间、增益、光圈。
6. 循环：回到步骤1，直到error收敛到阈值内。

Y_avg = Σ(w_i × Y_i) / Σ(w_i)

其中：
  w_i = 第 i 块的权重
  Y_i = 第 i 块的平均亮度

我曾经在一个项目中，直接用固定权重表，结果场景一变，曝光就来回震荡。后来加了场景检测，动态切换权重表，才稳下来。说白了，权重表不是一劳永逸的。

2.2 基于直方图的AE算法

这派算法不关心图像的空间分布，只看亮度值的统计分布。它把图像所有像素的亮度值做个直方图，然后根据直方图的形状来决定曝光方向。

我个人觉得，直方图方法在处理高动态范围场景时，比统计法更靠谱。为什么？因为统计法只给一个平均值，信息损失太大了。直方图保留了亮度分布的全貌，能看出画面是偏暗、偏亮，还是两头都占。

2.2.1 直方图特征提取

常用的直方图特征包括：

• 均值：所有像素亮度的平均值。
• 中位数：排序后位于50%位置的亮度值，抗噪能力强。
• 众数：出现频率最高的亮度值，代表画面主色调。
• 偏度：直方图分布的对称性，正偏表示暗部多，负偏表示亮部多。
• 峰度：分布的集中程度，峰度越高表示亮度越集中。

2.2.2 基于直方图的曝光调整策略

常见的策略有几种：

我曾经在手机相机项目里试过熵最大化法，效果确实好，细节保留得特别完整。但问题是，每帧都要算直方图熵，手机芯片扛不住，发热严重。后来改成每5帧算一次，中间帧用插值，才把功耗压下来。

2.3 两种算法的优缺点对比

咱们把两种算法摆在一起，做个直接对比。这样你选型的时候心里就有数了。

2.4 知识体系结构图

下面这张图把传统AE算法的知识结构梳理了一下，方便你建立整体认知。

2.5 小结与选型建议

说了这么多，到底该选哪种？我的建议是：

• 资源受限、场景简单（比如低端IPC、玩具相机）：用基于统计的AE，中心加权就够了。代码量小，跑得快。
• 场景复杂、画质要求高（比如手机相机、专业摄像机）：用基于直方图的AE，或者两者结合。虽然费点算力，但效果值得。
• 逆光、夜景等极端场景：别犹豫，上直方图法。统计法在这种场景下基本是瞎蒙。