3、直方图与图像统计：亮度直方图的生成原理，如何通过直方图判断过曝/欠曝
说到自动曝光，有个东西绕不开——亮度直方图。
我刚开始做ISP的时候，总觉得直方图就是个统计图，看看像素分布而已。后来调过几个项目才发现，直方图其实是整个AE算法的“眼睛”。你连场景的亮度分布都看不清，怎么决定曝光参数？
3.1 亮度直方图是怎么生成的？
说白了，直方图就是一张图里所有像素亮度的“人口普查”。
我们把0到255的亮度值分成256个“桶”，然后遍历每个像素，看它的亮度值落在哪个桶里，就给那个桶加1。最后，每个桶里的像素数量就是直方图的高度。
核心公式：
对于一张宽W、高H的图像，亮度直方图H(k)定义为：
H(k) = Σ Σ δ(I(x,y) - k) for k = 0, 1, ..., 255
其中：
I(x,y) 是像素(x,y)的亮度值
δ(n) 是狄拉克函数，当n=0时值为1，否则为0简单理解：就是数一数亮度值为k的像素有多少个。
嗯，这里要注意——我们通常说的亮度直方图，输入的是亮度分量Y，不是RGB。如果你直接从RGB三通道分别统计，那叫颜色直方图，用途不一样。
生成步骤（我习惯这么写代码）
// 伪代码：亮度直方图生成
uint32_t histogram[256] = {0};
for (int y = 0; y < height; y++) {
for (int x = 0; x < width; x++) {
// 假设已经拿到Y分量
uint8_t Y = image[y][x];
histogram[Y]++;
}
}
// 归一化（可选，方便后续处理）
float normalized[256];
uint32_t totalPixels = width * height;
for (int i = 0; i < 256; i++) {
normalized[i] = (float)histogram[i] / totalPixels;
}我在项目中遇到过一个问题：如果直接对原始RAW图做直方图，你会发现它特别“瘦”，因为RAW图的动态范围还没展开。所以实际工程里，我们通常对Gamma校正后的Y分量做统计，这样直方图才“胖”得好看，能反映人眼感知的亮度分布。
3.2 直方图长什么样？
你想想看，一张正常的照片，直方图应该是什么形状？
- 正常曝光：直方图中间高、两边低，像个“钟形”或“小山包”。像素主要分布在128附近，暗部和亮部都有少量像素。
- 过曝：直方图右侧“撞墙”了，大量像素堆积在240-255区域。说白了就是画面太亮，细节全没了。
- 欠曝：直方图左侧“贴地”，大量像素挤在0-15区域。画面黑乎乎一片，暗部细节丢失。
- 低对比度：直方图集中在中间一小段，两边几乎没有像素。画面灰蒙蒙的，像蒙了一层雾。
- 高对比度：直方图两端高、中间低，像个“U”形。亮部很亮，暗部很暗，中间过渡少。
我的经验：判断过曝/欠曝，别只看直方图的“尖峰”位置。有时候直方图中间有个大峰，但右侧尾巴拖到255，说明高光区域已经饱和了。这种“局部过曝”在逆光场景特别常见。
3.3 如何通过直方图判断过曝/欠曝？
判断方法其实不复杂，我总结了一套量化指标：
| 指标 | 计算公式 | 正常范围 | 过曝/欠曝判断 |
|---|---|---|---|
| 平均亮度 | μ = Σ(k × H(k)) / ΣH(k) | 100 ~ 150 | > 180 可能过曝；< 70 可能欠曝 |
| 过曝像素占比 | P_over = ΣH(k) / total, k ∈ [240, 255] | < 1% | > 5% 严重过曝 |
| 欠曝像素占比 | P_under = ΣH(k) / total, k ∈ [0, 15] | < 1% | > 5% 严重欠曝 |
| 动态范围利用率 | DR = (max_k - min_k) / 255 | > 80% | < 50% 对比度不足 |
我曾经在一个安防项目中踩过坑：只靠平均亮度判断曝光，结果在雪景场景下，平均亮度只有90，但直方图显示暗部像素很少，反而是亮部像素被压缩了。后来我加上了过曝/欠曝像素占比这个指标，才把问题解决。
3.4 直方图在AE算法中的实际应用
直方图不只是用来“看”的，它可以直接参与曝光决策。我常用的几种策略：
- 基于平均亮度的反馈控制：计算当前帧的平均亮度，和目标亮度（比如120）做差，然后用PID控制器调整曝光时间或增益。这是最基础的方法。
- 基于直方图分布的权重调整：不是所有像素都“平等”。人脸区域的像素权重应该更高，天空区域的权重可以降低。我习惯用语义分割+直方图加权的方式，让AE优先保证主体区域的曝光。
- 基于直方图“拉伸”的对比度优化：如果直方图集中在中间，说明对比度低。这时候可以适当增加曝光时间，让直方图“撑开”，提高画面层次感。
- 基于过曝/欠曝区域的保护策略：当检测到过曝像素占比超过阈值时，强制降低曝光量；当欠曝像素过多时，提升增益。这种策略在逆光场景特别有效。
注意：直方图统计的是全局信息，它无法告诉你“哪里”过曝了。比如一张图左边很暗、右边很亮，直方图可能看起来“正常”，但实际局部已经过曝了。所以工程上，我建议配合局部直方图或网格统计一起使用。
3.5 直方图与AE算法的知识体系
下面这张图是我自己整理的，把直方图在AE中的角色和流程串起来了：
3.6 工程落地中的几个坑
直方图看着简单，但真用到产品里，坑不少。我挑几个常见的说说：
- 直方图抖动问题：相邻两帧的直方图可能差异很大，导致曝光参数来回跳。解决办法是加时间域滤波，比如用指数移动平均（EMA）平滑直方图。
- ROI区域的选择：整张图的直方图不一定代表主体。我习惯把画面分成3×3或5×5的网格，给中心区域更高的权重，或者结合人脸检测框做局部统计。
- HDR场景的直方图“假象”：在HDR模式下，直方图可能看起来“正常”，但实际暗部和亮部细节是通过多帧融合出来的。这时候直方图不能直接反映单帧的曝光质量。
- 低光照下的噪声干扰：暗光环境下，直方图在低亮度区域会有大量噪声像素，导致统计结果失真。我建议先做降噪预处理，或者只统计亮度值大于某个阈值的像素。
避坑指南：我曾经在一个手机项目中，发现夜景模式的直方图总是“偏左”，但画面看起来并不暗。后来排查发现，是因为多帧合成后的直方图统计的是合成前的单帧数据。记住：直方图统计的时机要和最终输出对齐。
3.7 小结
直方图是AE算法的基础，但别把它当成万能药。它告诉你“是什么”，但不告诉你“为什么”。
实际工程中，我通常把直方图作为第一层判断，再结合场景分类、人脸检测、运动检测等信息做综合决策。这样既保证了算法的鲁棒性，又不会让逻辑变得过于复杂。