1. 3A算法全景概览：什么是3A（AE、AF、AWB）
各位同学，欢迎来到《ISP 3A算法：从原理分析到工程部署》的第一章。
咱们开门见山。3A算法，说白了就是摄像头成像的「三大护法」——自动曝光（AE）、自动对焦（AF）、自动白平衡（AWB）。这三个东西，决定了你拍出来的照片是亮是暗、是清晰还是模糊、是偏黄还是偏蓝。
我刚开始做ISP的时候，总觉得3A是「玄学」——明明算法逻辑都对，但一到复杂场景就翻车。后来踩的坑多了，才明白：3A不是三个独立的模块，而是一个互相牵制的系统。你动AE，AF可能跟着抖；你调AWB，AE的统计窗口又得重新算。嗯，这就是咱们这门课要啃的硬骨头。
1.1 什么是AE、AF、AWB？
先分别认识一下这三位「护法」。
| 算法 | 全称 | 一句话解释 | 我见过的翻车现场 |
|---|---|---|---|
| AE | Auto Exposure | 自动控制进光量，让画面不暗不亮 | 逆光人脸全黑，背景过曝 |
| AF | Auto Focus | 自动调整镜头，让主体清晰 | 拍文字时反复「拉风箱」 |
| AWB | Auto White Balance | 自动校正色温，让白色看起来是白的 | 室内灯光下人脸发黄 |
核心认知：3A不是「锦上添花」，而是「雪中送炭」。没有3A，CMOS传感器输出的RAW数据根本没法看。
AE（自动曝光）
AE的目标很简单：让图像的亮度落在人眼舒服的范围内。它通过调节曝光时间（shutter）、模拟增益（analog gain）、数字增益（digital gain）和光圈（iris）来实现。
我个人习惯把AE分成两步：测光和控光。测光就是算当前画面有多亮，控光就是决定怎么调参数。你想想看，如果测光不准，后面控光再精细也是白搭。
AF（自动对焦）
AF的任务是让镜头移动到合适位置，使目标物体成像最清晰。常见的AF方案有反差式（CDAF）、相位式（PDAF）和混合式（Hybrid AF）。
我记得有一次做安防摄像头项目，客户投诉晚上画面模糊。查了半天，发现是AF在低照度下反复搜索，始终找不到焦点。后来加了一个「场景检测」的预处理，才把问题压下去。
AWB（自动白平衡）
AWB的本质是估计场景的光源色温，然后做颜色校正。人眼有「颜色恒常性」——不管在日光灯下还是蜡烛旁，看白纸都是白的。但CMOS传感器没这个本事，它老老实实记录光谱，所以需要AWB来「骗」回人眼的感受。
避坑指南：我曾经在调试AWB时，发现算法在混合光源下（比如窗口日光+室内白炽灯）完全崩溃。后来才意识到，AWB的「色温估计」不能只看全局统计，还得考虑空间分布。这个坑，后面讲AWB章节时会细说。
1.2 3A在ISP Pipeline中的位置
ISP Pipeline是一条流水线，从传感器拿到RAW数据，到输出YUV或RGB图像，中间经过几十个处理模块。3A算法不在流水线的「固定路径」上，而是作为反馈控制环存在。
下面这张图，是我自己画的一个简化版ISP Pipeline，重点标出了3A的位置。
从图上你能看到：3A算法并不直接处理像素，而是从ISP流水线的中间节点「偷看」统计信息，然后反过来控制Sensor和ISP的参数。说白了，3A是ISP的「大脑」，而不是「手脚」。
重要提醒：3A的反馈环有延迟。你这一帧算出来的参数，只能作用于下一帧甚至下下帧。如果场景变化太快（比如从室内走到室外），3A很容易「追不上」。这就是为什么手机拍照有时会「闪一下」——AE在快速收敛。
1.3 3A算法的核心目标与评价指标
搞工程的人，最怕「感觉差不多」。3A算法好不好，得有量化指标。我列一下我个人常用的评价维度。
AE的核心目标与指标
- 目标亮度准确度：目标区域的亮度是否落在预设的「目标亮度」附近。通常用平均亮度误差来衡量，单位是LSB或dB。
- 收敛速度：从场景切换到达标需要多少帧。我一般要求3帧内收敛到90%，否则用户会感觉到闪烁。
- 稳定性：稳定场景下，亮度是否在目标值附近抖动。抖动超过±5%就算不合格。
- 过曝/欠曝保护：高亮区域是否被裁切，暗区是否被压死。这个指标用直方图尾部占比来量化。
AF的核心目标与指标
- 对焦精度：最终焦点位置的MTF值或对比度值。通常用Sharpness Score来量化。
- 对焦速度：从开始搜索到锁定焦点的时间。安防摄像头我要求小于500ms，手机拍照要求小于200ms。
- 重复性：同一场景多次对焦，焦点位置是否一致。偏差超过1个Depth of Field就算不合格。
- 低照度性能：在暗光下是否还能准确对焦。很多算法在10 lux以下就「瞎了」。
AWB的核心目标与指标
- 色温估计误差：估计色温与实际色温的偏差。我一般要求误差小于200K，在标准光源下。
- 中性色还原：灰色卡在图像中的RGB分量是否相等。用ΔE（色差）来衡量，ΔE < 3 算合格。
- 场景适应性：在混合光源、强彩色场景下是否还能保持中性。这个没有标准数值，靠主观评价。
- 时间稳定性：同一场景下，AWB增益是否随时间漂移。漂移超过1%就会被人眼察觉。
我的经验：评价指标不能只看「平均值」。我曾经有一个AE算法，平均亮度误差只有2%，但暗部细节全丢了。后来加了直方图分布约束才解决问题。记住：指标是工具，不是目的。最终目的是让用户觉得「这张照片看着舒服」。
1.4 3A算法的工程挑战
聊完目标和指标，咱们说说工程上的「坑」。我总结了几条，都是血泪教训。
- 实时性约束：3A算法必须在帧间隔内完成。以30fps为例，留给3A的时间只有33ms。如果算法太复杂，就得丢帧。
- 资源限制：嵌入式平台上，CPU、DSP、NPU的资源都是有限的。3A算法不能吃太多算力，否则其他模块没得跑。
- 场景多样性：从极暗（0.1 lux）到极亮（100000 lux），从白炽灯到荧光灯，从静止到快速运动——3A算法要覆盖所有场景。
- 模块耦合：AE和AWB共用统计窗口，AF和AE共用曝光参数。牵一发而动全身。
- 调试困难：3A问题很难复现。同一个场景，温度不同、Sensor老化程度不同，表现都不一样。
避坑指南：我曾经在一个项目中，把AE和AWB的统计窗口设成了完全独立的大小。结果AE在调整曝光时，AWB的统计区域也跟着变，导致色温估计来回跳。后来统一了统计窗口的配置策略，问题才解决。所以，3A的「协同设计」比「独立优化」重要得多。
1.5 本章小结
这一章咱们把3A的「全景」过了一遍。你知道了：
- 3A是AE、AF、AWB三个算法的统称，它们分别管亮度、清晰度和颜色。
- 3A在ISP Pipeline中作为反馈控制环存在，不直接处理像素，而是控制Sensor和ISP参数。
- 每个算法都有明确的量化指标，但指标不能替代主观体验。
- 工程实现中，实时性、资源、场景多样性和模块耦合是主要挑战。