2、数字图像中的曝光：直方图分析、过曝与欠曝的判定标准、曝光值(EV)计算

聊曝光，不能光靠眼睛看。你想想看，同一张图，在亮屏手机和暗屏显示器上，感觉完全不一样。那怎么客观地判断一张图到底是亮还是暗？

答案是：看直方图。这是数字图像里最基础、也最实用的工具。我做了这么多年图像算法，遇到曝光问题，第一反应就是拉直方图出来看看。

2.1 直方图：图像的“体检报告”

直方图说白了，就是统计图像里每个亮度级别有多少个像素。横轴是亮度值（0到255，8位图），纵轴是像素数量。

举个例子。一张正常的风景照，直方图应该是中间高、两边低，像个山丘。如果山丘整体偏左，说明图像偏暗；偏右，说明偏亮。

我在项目中遇到过一件事。有一次做自动曝光算法，发现手机在逆光场景下总是拍出人脸过暗的背景。后来一查直方图，发现人脸区域的像素全挤在0-50的区间，背景却在150-255。这就是典型的动态范围不足。直方图一眼就看出来了。

直方图的三种典型形态

形态	直方图特征	对应曝光状态
左偏峰	像素集中在0-85区间	欠曝（偏暗）
右偏峰	像素集中在170-255区间	过曝（偏亮）
中间峰	像素集中在85-170区间	正常曝光
双峰/多峰	多个峰值	高动态场景（如逆光）

2.2 过曝与欠曝的判定标准

怎么才算过曝？怎么才算欠曝？不能凭感觉。我们需要量化的标准。

2.2.1 基于像素值的判定

最直接的方法：统计像素值在0和255附近的占比。

• 过曝判定：像素值等于255（纯白）的像素占比超过某个阈值。比如，超过5%就算严重过曝。
• 欠曝判定：像素值等于0（纯黑）的像素占比超过某个阈值。比如，超过5%就算严重欠曝。

但这里有个坑。我曾经做过一个夜景算法，发现直方图左边堆了一堆0值像素。一开始以为是欠曝，后来仔细一看，是图像里有一块纯黑的背景区域。所以，不能只看全局，要结合场景分析。

2.2.2 基于直方图形状的判定

除了看端点，还要看形状。

• 过曝特征：直方图右侧出现“断崖”或“堆积”。像素在250-255区间突然增多，说明高光细节丢失。
• 欠曝特征：直方图左侧出现“断崖”或“堆积”。像素在0-5区间突然增多，说明暗部细节丢失。

我习惯用“直方图宽度”来辅助判断。正常曝光的直方图，宽度应该覆盖大部分亮度区间（比如50-200）。如果宽度很窄，说明对比度低，图像发灰。

2.2.3 量化指标：曝光异常指数

为了算法落地，我们需要一个数值指标。我常用的是：

曝光异常指数 = (过曝像素占比 × 权重1) + (欠曝像素占比 × 权重2)

权重可以根据场景调整。比如，人像场景，欠曝的权重更高，因为人脸暗了不好看。风景场景，过曝的权重更高，因为天空过曝了很难看。

场景	过曝权重	欠曝权重	说明
人像	0.4	0.6	优先保证人脸亮度
风景	0.6	0.4	优先保留高光细节
夜景	0.3	0.7	避免暗部噪声放大

2.3 曝光值(EV)计算

EV是摄影里的概念，但在数字图像处理里同样重要。它把光圈、快门、ISO统一成一个数值，方便我们量化曝光量。

2.3.1 EV的定义

EV的计算公式：

EV = log2(N² / t)

其中：

• N：光圈值（F数）
• t：快门速度（秒）

ISO的影响：标准EV是基于ISO 100的。如果ISO变了，需要补偿：

EV_iso = EV_100 + log2(ISO / 100)

说白了，EV每增加1，曝光量翻倍。EV每减少1，曝光量减半。

2.3.2 实际应用：从图像亮度反推EV

在算法里，我们经常需要根据图像的平均亮度，反推当前场景的EV。这样就能知道是应该增加还是减少曝光。

我常用的方法：

1. 计算图像的平均亮度（Y通道均值）。
2. 将平均亮度映射到18%灰（标准反射率）。
3. 根据映射关系，计算当前EV与目标EV的差值。

delta_EV = log2(平均亮度 / 目标亮度)

如果delta_EV > 0，说明图像偏亮，需要减少曝光。反之，需要增加曝光。

2.3.3 EV与直方图的结合

EV和直方图是互补的。EV告诉你整体曝光量，直方图告诉你细节分布。

举个例子。一张图EV正常，但直方图显示高光区域有堆积。这说明整体亮度没问题，但局部过曝了。这时候，单纯调整EV没用，需要做局部曝光补偿或HDR融合。

我在做多帧融合算法时，就是先用EV判断整体曝光趋势，再用直方图分析局部细节。两者结合，才能做出准确的曝光决策。

2.4 本章知识体系

下面这张图，把本章的核心逻辑串起来了。你可以看到，从直方图分析到过曝/欠曝判定，再到EV计算，是一条完整的技术链路。