3、快速收敛策略：大步长搜索法、二分法在AE中的应用、基于统计的快速收敛

好，咱们进入正题。上一章聊了收敛慢的根因，这一章直接上干货——怎么让AE快速收敛。

说白了，自动曝光收敛就是一场“猜亮度”的游戏。你猜得准，一步到位；猜得偏，来回震荡。我早期做手机摄像头驱动时，就吃过这个亏。场景切换时，画面忽明忽暗，用户投诉说“这手机拍照像在喘气”。从那以后，我花了不少精力研究快速收敛策略。

今天讲三种实战方法：大步长搜索法、二分法、基于统计的快速收敛。它们各有各的脾气，用对了地方，效果立竿见影。

3.1 大步长搜索法：暴力但有效

先说说最直接的方法——大步长搜索。它的思路很简单：既然不知道目标亮度在哪，那就先迈大步子，快速逼近目标区域，再换小步精细调整。

我在项目中用过一种自适应步长策略，效果不错：

// 自适应步长计算
int calc_step(int current_luma, int target_luma) {
    int error = abs(current_luma - target_luma);
    int step;
    
    if (error > 80) {
        step = 64;   // 大步：误差大时快速逼近
    } else if (error > 40) {
        step = 32;   // 中步
    } else if (error > 20) {
        step = 16;   // 小步
    } else {
        step = 4;    // 微调步长
    }
    
    return step;
}

你想想看，为什么不用固定步长？因为固定步长要么收敛慢，要么容易过冲。我踩过这个坑——有一次用固定步长32，结果在亮暗交替场景下，画面来回跳了七八帧才稳定。换成自适应步长后，三帧内搞定。

误差范围	步长	适用场景
> 80	64	场景突变（如从室内走到室外）
40 ~ 80	32	中等亮度变化
20 ~ 40	16	微调阶段
< 20	4	稳定收敛

3.2 二分法在AE中的应用：稳准狠

二分法，说白了就是“折半查找”。它比大步长搜索更优雅，收敛速度可预测，而且不会过冲。

为什么适合AE？因为AE的搜索空间是单调的——曝光值越大，画面越亮。这就满足了二分法的前提条件。

我习惯这样实现：

// 二分法AE收敛
int binary_search_ae(int current_exp, int target_luma) {
    int low = 0;
    int high = MAX_EXPOSURE;
    int mid;
    int luma;
    
    for (int i = 0; i < MAX_ITER; i++) {
        mid = (low + high) / 2;
        luma = get_luma(mid);  // 获取当前曝光下的亮度
        
        if (abs(luma - target_luma) < THRESHOLD) {
            return mid;  // 收敛成功
        }
        
        if (luma < target_luma) {
            low = mid + 1;  // 画面偏暗，增加曝光
        } else {
            high = mid - 1; // 画面偏亮，减少曝光
        }
    }
    
    return mid;  // 返回最佳近似值
}

二分法的好处是：收敛次数是确定的。假设曝光范围是0~1023，最多10次迭代就能找到目标。这在实时系统中非常宝贵——你可以精确预估收敛时间。

不过二分法也有短板——它假设亮度响应是线性的。实际上，sensor的感光曲线往往有非线性区。这时候怎么办？

嗯，我一般会在二分法外层套一个“校准表”。先把sensor的曝光-亮度曲线标定出来，存成查找表。二分法在查找表上搜索，而不是直接操作硬件。这样既保留了二分法的速度，又规避了非线性问题。

3.3 基于统计的快速收敛：用数据说话

前面两种方法都是“盲搜”——不知道场景特征，只能靠反馈调整。而基于统计的方法，则是“先看再调”。

说白了，就是利用图像统计信息，直接估算出最佳曝光值。一步到位，不需要反复试探。

我常用的统计特征有三个：

• 直方图分布：统计过曝和欠曝像素比例
• 平均亮度：整帧或分区的平均亮度值
• 亮度方差：反映场景的动态范围

举个例子，如果直方图显示大量像素集中在暗区（0~30），说明画面欠曝。这时候可以直接把曝光值提升一个较大的幅度，而不是像二分法那样一步步试探。

// 基于直方图的快速收敛
int histogram_based_ae(uint8_t* hist, int target_luma) {
    int dark_pixels = 0;
    int bright_pixels = 0;
    
    // 统计暗区和亮区像素
    for (int i = 0; i < 30; i++) dark_pixels += hist[i];
    for (int i = 200; i < 256; i++) bright_pixels += hist[i];
    
    int total = dark_pixels + bright_pixels;
    if (total == 0) return current_exp;  // 正常场景，不做调整
    
    float dark_ratio = (float)dark_pixels / total;
    float bright_ratio = (float)bright_pixels / total;
    
    if (dark_ratio > 0.6) {
        // 严重欠曝，大步提升曝光
        return current_exp * 2;
    } else if (bright_ratio > 0.6) {
        // 严重过曝，大步降低曝光
        return current_exp / 2;
    } else {
        // 正常范围，使用二分法微调
        return binary_search_ae(current_exp, target_luma);
    }
}

我曾经在无人机航拍项目上用过这个组合策略。无人机从高空俯拍，场景亮度变化剧烈——刚飞过一片阴影，下一秒就是阳光直射。纯二分法需要5~6帧才能稳定，画面闪烁明显。加上统计预判后，1~2帧就收敛了，画面几乎感觉不到闪烁。

3.4 三种策略对比与选型

说了这么多，到底该用哪种？我整理了一张对比表，方便你选型：

策略	收敛速度	稳定性	适用场景	实现复杂度
大步长搜索	中	低（可能过冲）	场景变化平缓	低
二分法	高	高	单调场景、高精度需求	中
统计方法	极高	中（依赖统计质量）	场景突变、大动态范围	高

我个人建议：优先用统计+二分法的组合。统计负责“跳”，二分法负责“稳”。大步长搜索可以作为备选方案，在硬件资源受限时使用。

3.5 知识结构图

下面这张图，帮你理清三种策略的关系和适用边界：

这张图把三种策略的层级关系画清楚了。你可以看到，大步长搜索和二分法属于“反馈式”方法，依赖每次调整后的亮度反馈；而统计方法属于“前馈式”方法，直接根据图像内容做预判。实际工程中，我建议把前馈和反馈结合起来——用统计做前馈粗调，用二分法做反馈精调，这样既快又稳。