AE算法核心框架：从统计到曝光的闭环
AE算法，说白了就是一套自动决定曝光参数的规则。它得回答三个问题：现在亮不亮？目标要多亮？怎么调过去？这三个问题串起来，就是AE的完整流程。
我刚开始接触AE时，以为就是算个平均亮度然后调增益。后来发现，真实场景远比想象复杂——逆光、高动态、闪烁光源，每个都能让简单策略崩掉。嗯，咱们今天就把这套框架拆开看。
AE算法整体流程：三步走闭环
AE的运转逻辑其实很直观。每次帧中断到来，它做三件事：
- 采集统计信息——从RAW域或YUV域拉出亮度数据
- 计算当前亮度——把统计信息映射成一个或几个亮度指标
- 调整曝光参数——对比目标亮度，算出新的曝光时间、增益、光圈
这三步循环往复，形成闭环。我画了张图，你看一眼就明白：
这个闭环每帧跑一次。你想想看，如果场景突然变暗，传感器输出变暗 → 统计值偏低 → 算法发现亮度不够 → 增加曝光时间或增益 → 下一帧变亮。就这么简单。
统计信息采集：算法的眼睛
统计信息是AE的输入。没有准确的统计，后面全是瞎调。常用的统计手段有两种：亮度直方图和分区统计。
亮度直方图
直方图把亮度从0到255分成256个bin，统计每个bin有多少像素。它能告诉你：
- 画面整体偏暗还是偏亮
- 有没有过曝或欠曝的区域
- 动态范围是否被充分利用
举个例子，一个正常曝光的室外场景，直方图应该像座小山，中间高两边低。如果所有像素都挤在左边（低亮度），说明欠曝了。
关键指标：我习惯关注直方图的 P10 和 P90 分位点。P10 代表暗部，P90 代表亮部。如果 P90 低于 200，说明画面偏暗；如果 P10 高于 50，说明暗部提得太亮，可能引入噪声。
分区统计
直方图只能看全局，分区统计能看局部。我们把画面分成 M×N 个格子，每个格子独立统计平均亮度。常见的分区方案有：
| 分区方案 | 格子数 | 适用场景 |
|---|---|---|
| 3×3 | 9 | 简单场景，人脸居中 |
| 5×5 | 25 | 通用场景，兼顾性能和精度 |
| 7×7 | 49 | 高精度场景，逆光检测 |
| 15×15 | 225 | AI辅助AE，逐区域权重 |
分区统计最大的好处是能识别局部过曝或欠曝。比如逆光人像，人脸区域（通常在中部）亮度低，背景亮度高。如果只看全局平均，算法会认为画面偏亮而降低曝光，结果人脸更暗。分区统计就能单独给中部区域更高权重。
目标亮度设定：AE的锚点
目标亮度就是AE想达到的“理想亮度”。它不是一个固定值，而是根据场景动态调整的。常见的设定方式有：
- 固定目标：比如始终把画面平均亮度控制在 128（8-bit 中灰）。简单，但适应性差。
- 场景自适应：根据直方图分布、人脸检测、场景分类来动态调整目标。比如夜景目标可以低一些，避免噪声；白天目标可以高一些，充分利用动态范围。
- 用户偏好：允许用户通过 EV 补偿旋钮微调目标亮度。这个后面会细说。
我个人习惯的做法是：先设定一个基础目标（比如 120），然后根据场景分类做偏移。检测到人脸时，把目标提高 10-20，让人脸更亮；检测到夜景时，把目标降低 20-30，避免暗部噪声被放大。
曝光补偿机制：给用户一个旋钮
曝光补偿（EV Compensation）是AE里最人性化的设计。它允许用户在自动曝光的基础上，手动微调亮度。说白了，就是告诉算法：我觉得你调的太暗了，给我亮一点。
补偿的实现方式很简单：在目标亮度上叠加一个偏移量。比如：
// 伪代码：曝光补偿实现
target_luminance = base_target + ev_compensation * step_per_ev
// 例如：base_target = 120, ev_compensation = +1.0 EV, step_per_ev = 30
// 则实际目标亮度 = 120 + 1.0 * 30 = 150补偿范围通常是 ±3 EV，步长 0.25 EV 或 0.5 EV。用户每拨一格，目标亮度就偏移一段。
这里有个细节要注意：补偿不是直接调增益，而是调目标亮度。算法会通过调整曝光时间、增益、光圈来达到新的目标。这样做的优点是，补偿后的画面仍然保持自动曝光的平滑性，不会出现突变。
本章小结：框架就是三板斧
AE算法核心框架，说白了就是三板斧：
- 统计采集——直方图看全局，分区看局部
- 目标设定——固定值打底，场景自适应调优
- 曝光补偿——给用户一个旋钮，微调目标亮度