3. AE核心算法：直方图统计与亮度评估、目标亮度设定、PID控制与步进搜索策略

自动曝光（AE）说白了，就是让摄像头拍出来的画面不黑不白，亮度刚刚好。我做了这么多年ISP，见过太多因为AE没调好导致产品翻车的案例。今天咱们就把AE的核心算法掰开揉碎讲清楚。

3.1 直方图统计与亮度评估

先问个问题：怎么判断一张图是太亮还是太暗？

你可能会说「看平均亮度呗」。嗯，平均亮度确实能反映整体明暗，但有个坑——它会被大面积亮区或暗区带偏。举个例子，夜景里有一盏路灯，背景全黑，平均亮度可能刚好，但人脸早就黑成一片了。

所以，我习惯用直方图来做亮度评估。直方图统计的是每个亮度级别的像素数量，横轴0~255代表亮度，纵轴代表像素个数。

具体怎么做？分三步：

1. 统计直方图：遍历每个像素，按亮度值累加计数。
2. 分区加权：把画面分成多个区域，中央区域权重高，边缘权重低。
3. 计算亮度指标：用加权后的直方图算出平均亮度、中位数亮度、暗区占比等。

我给你们看一段实际项目中用过的代码片段：

// 直方图统计与亮度评估
void calc_histogram(uint8_t *frame, int width, int height, uint32_t *hist) {
    memset(hist, 0, 256 * sizeof(uint32_t));
    for (int i = 0; i < width * height; i++) {
        hist[frame[i]]++;
    }
}

float calc_weighted_luminance(uint32_t *hist, int total_pixels) {
    // 中央区域权重更高，这里简化处理
    float weighted_sum = 0.0f;
    for (int i = 0; i < 256; i++) {
        weighted_sum += i * hist[i];
    }
    return weighted_sum / total_pixels;
}

3.2 目标亮度设定

有了当前亮度，还得知道「目标亮度」是多少。目标亮度不是拍脑袋定的，它取决于场景和用户需求。

我一般把目标亮度设定分成两类：

场景类型	目标亮度范围	说明
室内正常光照	100~140	人脸清晰，背景不过曝
室外强光	120~160	保留高光细节，避免全白
夜景/低照度	40~80	优先保证暗部可见，允许少量噪点
背光场景	80~120	人脸区域优先，背景可过曝

你可能会问：「这些值怎么来的？」

说白了，这是调出来的。我刚开始做AE时，拿着示波器对着灰阶卡一帧一帧调，调了整整一周才找到感觉。后来我把经验总结成一套规则：

• 人脸优先：如果检测到人脸，目标亮度以人脸区域为准。
• 场景自适应：根据环境照度传感器或直方图分布，动态调整目标值。
• 用户可调：给用户留一个曝光补偿（EV）接口，±2EV范围内可调。

3.3 PID控制

有了当前亮度和目标亮度，怎么让摄像头「听话」地调整到目标值？

PID控制是工业界的经典方案。P是比例，I是积分，D是微分。我简单解释一下：

• P（比例）：当前偏差越大，调整幅度越大。但纯P控制会有稳态误差。
• I（积分）：累积过去的偏差，消除稳态误差。但I太大会导致超调。
• D（微分）：预测偏差的变化趋势，抑制超调。但D对噪声敏感。

在AE中，PID的输入是亮度偏差，输出是曝光时间或增益的调整量。

// PID控制器结构体
typedef struct {
    float Kp, Ki, Kd;       // PID参数
    float integral;         // 积分项
    float prev_error;       // 上一次偏差
    float output_min, output_max; // 输出限幅
} PID_Controller;

float pid_update(PID_Controller *pid, float target, float current) {
    float error = target - current;
    pid->integral += error;
    // 积分限幅，防止积分饱和
    if (pid->integral > 100.0f) pid->integral = 100.0f;
    if (pid->integral < -100.0f) pid->integral = -100.0f;
    float derivative = error - pid->prev_error;
    pid->prev_error = error;
    float output = pid->Kp * error + pid->Ki * pid->integral + pid->Kd * derivative;
    // 输出限幅
    if (output > pid->output_max) output = pid->output_max;
    if (output < pid->output_min) output = pid->output_min;
    return output;
}

3.4 步进搜索策略

PID控制虽然好用，但有个前提——系统是线性的。实际上，曝光时间和增益对亮度的影响并不是完全线性的。这时候，步进搜索策略就派上用场了。

步进搜索说白了就是「试一步，看效果，再决定下一步」。我常用的策略有两种：

策略名称	原理	适用场景
二分搜索	每次取中间值，快速逼近目标	初始曝光设定、大范围亮度跳变
梯度下降	根据亮度变化方向，逐步调整	微调、平滑过渡

二分搜索的流程是这样的：

1. 设定曝光时间的上下限（比如1ms~30ms）。
2. 取中间值作为当前曝光时间。
3. 计算当前亮度与目标亮度的偏差。
4. 如果偏差为正（太暗），把下限设为当前值；反之把上限设为当前值。
5. 重复直到偏差小于阈值。

梯度下降则更平滑：

// 梯度下降步进搜索
float step_search(float current_lum, float target_lum, float current_exp) {
    float step_size = 0.1f;  // 步长
    float diff = target_lum - current_lum;
    float adjustment = step_size * diff;
    // 限制调整幅度，防止突变
    if (adjustment > 0.5f) adjustment = 0.5f;
    if (adjustment < -0.5f) adjustment = -0.5f;
    return current_exp + adjustment;
}

3.5 核心逻辑流程图

下面这张图把AE核心算法的流程串起来了，你一看就明白：

3.6 实战中的取舍

最后聊点实际的。在嵌入式平台上跑AE算法，资源是有限的。我给你们几个建议：

• 直方图统计用硬件加速：很多ISP芯片自带直方图统计模块，别用CPU去算，太慢。
• PID参数存多组：不同场景（室内、室外、夜景）用不同的PID参数，效果比一组参数通吃好得多。
• 步进搜索和PID结合用：大范围跳变用步进搜索，小范围微调用PID，两者互补。