3、AE核心算法：直方图统计与权重映射、基于平均亮度的AE、基于区域权重的AE（人脸优先）、AE的收敛速度与稳定性控制

自动曝光（AE）是ISP 3A算法里最贴近用户体验的一环。你想想看，用户拿起手机拍照，第一眼看到的就是画面亮暗是否合适。如果曝光不准，再好的降噪、再准的白平衡都白搭。

这一章我们深入AE的核心算法。我会从最基础的直方图统计讲起，逐步深入到基于平均亮度、区域权重，再到人脸优先的AE策略。最后，我会重点聊聊收敛速度和稳定性控制——这部分在实际工程中踩坑最多。

3.1 直方图统计与权重映射

AE的第一步，是知道当前画面到底有多亮。硬件ISP通常会输出一帧图像的亮度直方图，而不是全图每个像素的亮度值。为什么？因为直方图数据量小，硬件实现简单，而且足够做决策。

直方图统计的核心思路：将图像亮度从0到255分成若干个bin（通常是256个），统计每个亮度级别下的像素个数。

权重映射是怎么回事？说白了，就是给不同亮度区域分配不同的关注度。比如，暗部细节我们可能不太在意，但人脸区域的亮度必须准确。

我习惯的做法是：先统计全图直方图，然后根据场景模式（如夜景、逆光、人像）应用不同的权重曲线。举个例子，夜景模式下我会给暗部区域更高的权重，避免整体画面过暗。

// 伪代码：直方图权重映射
uint32_t hist[256];  // 硬件统计的直方图
float weight[256];   // 权重表，根据场景模式预计算

float weighted_sum = 0.0f;
float total_weight = 0.0f;

for (int i = 0; i < 256; i++) {
    weighted_sum += hist[i] * weight[i] * i;
    total_weight += hist[i] * weight[i];
}

float target_luminance = weighted_sum / total_weight;

3.2 基于平均亮度的AE

这是最基础的AE算法，也是很多入门教程里讲的方法。它的逻辑很简单：计算全图的平均亮度，然后调整曝光时间或增益，让平均亮度逼近目标值。

公式长这样：

target_luminance = 120;  // 目标平均亮度（8bit图像）
current_luminance = get_average_luminance();

// 计算曝光补偿系数
float compensation = target_luminance / current_luminance;

// 调整曝光时间或增益
new_exposure_time = current_exposure_time * compensation;
new_gain = current_gain * compensation;

听起来很完美对吧？但实际用起来问题不少。我在项目中遇到过这样的场景：一个画面里左边是明亮的窗户，右边是暗角。平均亮度算出来可能刚好在目标值附近，但窗户过曝、暗角欠曝，用户体验极差。

3.3 基于区域权重的AE（人脸优先）

为了解决平均亮度AE的缺陷，业界普遍采用区域权重AE。核心思想：把画面分成多个区域（比如5x5或9x7的网格），每个区域分配一个权重。人脸区域权重最高，背景区域权重低。

区域权重AE的流程：

1. 网格划分：将图像分成MxN个网格，每个网格统计平均亮度。
2. 权重分配：根据人脸检测结果，给包含人脸的网格分配高权重（比如10x），背景网格分配低权重（1x）。
3. 加权平均：计算所有网格的加权平均亮度。
4. 曝光调整：基于加权平均亮度调整曝光参数。

// 区域权重AE伪代码
#define GRID_ROWS 9
#define GRID_COLS 7

float grid_luminance[GRID_ROWS][GRID_COLS];
float grid_weight[GRID_ROWS][GRID_COLS];

// 初始化权重：默认全1.0
for (int r = 0; r < GRID_ROWS; r++)
    for (int c = 0; c < GRID_COLS; c++)
        grid_weight[r][c] = 1.0f;

// 人脸区域权重提升
for (auto &face : face_rects) {
    int grid_r = face.center_y * GRID_ROWS / image_height;
    int grid_c = face.center_x * GRID_COLS / image_width;
    // 人脸区域权重设为10倍
    grid_weight[grid_r][grid_c] = 10.0f;
    // 相邻区域也适当提升
    // ...
}

// 计算加权平均亮度
float weighted_sum = 0.0f, total_weight = 0.0f;
for (int r = 0; r < GRID_ROWS; r++) {
    for (int c = 0; c < GRID_COLS; c++) {
        weighted_sum += grid_luminance[r][c] * grid_weight[r][c];
        total_weight += grid_weight[r][c];
    }
}
float target_luminance = weighted_sum / total_weight;

这里我画了一张区域权重AE的流程图，帮你理清整体逻辑：

3.4 AE的收敛速度与稳定性控制

这是AE算法里最容易被忽视，但实际工程中问题最多的部分。收敛速度太快，画面会闪烁；太慢，用户觉得反应迟钝。稳定性控制不好，在明暗交替的场景下，画面会来回震荡。

我个人习惯把AE控制看作一个PID调节器。比例项（P）决定响应速度，积分项（I）消除稳态误差，微分项（D）抑制震荡。但在ISP里，我们通常只用PI控制，D项容易引入噪声。

控制参数	作用	调大后的影响	调小后的影响
比例系数 Kp	决定对亮度误差的响应速度	收敛快，但可能过冲	收敛慢，画面变化平滑
积分系数 Ki	消除稳态亮度偏差	稳态精度高，但可能震荡	稳态有静差，亮度不准
积分限幅	防止积分饱和	抗饱和能力强	积分可能过大，恢复慢
死区阈值	亮度误差小于阈值时不调整	稳定性好，但精度略降	频繁调整，画面闪烁

收敛速度控制的几个实用技巧：

• 分阶段调整：亮度误差大时用快速收敛，误差小时用慢速微调。我通常设两个阈值：误差>30时Kp=0.8，误差<10时Kp=0.2。
• 曝光时间与增益的协调：优先调整曝光时间，增益作为补充。因为增益会引入噪声，能不动尽量不动。
• 帧间平滑：对最终输出的曝光参数做一阶低通滤波。公式：output = alpha * new_value + (1-alpha) * old_value，alpha通常取0.3~0.6。
• 场景切换检测：当亮度变化超过阈值时，重置积分项，避免旧场景的积分值影响新场景。

// AE PI控制器实现示例
typedef struct {
    float Kp;           // 比例系数
    float Ki;           // 积分系数
    float integral;     // 积分累计值
    float integral_max; // 积分限幅
    float dead_zone;    // 死区阈值
    float alpha;        // 平滑系数
    float last_output;  // 上一帧输出
} AEController;

float ae_pi_control(AEController *ctrl, float target, float current) {
    float error = target - current;

    // 死区处理
    if (fabs(error) < ctrl->dead_zone) {
        return ctrl->last_output;
    }

    // 比例项
    float p_term = ctrl->Kp * error;

    // 积分项
    ctrl->integral += ctrl->Ki * error;
    // 积分限幅
    if (ctrl->integral > ctrl->integral_max)
        ctrl->integral = ctrl->integral_max;
    if (ctrl->integral < -ctrl->integral_max)
        ctrl->integral = -ctrl->integral_max;

    float output = p_term + ctrl->integral;

    // 帧间平滑
    output = ctrl->alpha * output + (1 - ctrl->alpha) * ctrl->last_output;
    ctrl->last_output = output;

    return output;
}

最后说一句，AE的收敛速度和稳定性是一对矛盾。追求快速响应，就难免有超调；追求稳定，响应就会迟钝。实际工程中，我通常会在两者之间找一个平衡点——让AE在大多数场景下“感觉不到”在调整，但在场景剧烈变化时又能快速跟上。