[ISP 3A ] AE的常用算法分析

📌 自动曝光（AE, Auto Exposure）解析

自动曝光（AE）是相机通过调节 曝光参数（增益、快门时间、光圈等）来确保拍摄出的图像亮度适宜的算法。AE 需要根据环境光线变化自动调整曝光，以避免过曝（图像太亮）或欠曝（图像太暗）。

📌 曝光模型

曝光值的计算可以用以下公式表示：
$$\text{Exposure}=\text{Gain}\times \text{Irradiance}\times \text{Time}$$
其中：

• Gain（增益）：放大传感器信号，增加亮度，但会引入噪声，和ISO（International Organization for Standardization，国际标准化组织）感光度有关
• Irradiance（入射光照强度）：与场景光线直接相关，和光圈有关
• Time（曝光时间）：即快门时间，越长进光量越多，但可能导致运动模糊。

目标是通过 动态调整 Gain 和 Time 来补偿 Irradiance 变化，以使曝光保持在合适的水平。

📌 AE 的基本过程

AE 算法的核心目标是让图像亮度（通常用 平均像素亮度 或 直方图均衡性 衡量）保持在合理范围，主要流程如下：

1. 计算当前图像亮度：

   • 计算全局 平均亮度。
   • 计算某些重要区域（ROI）的亮度。
   • 统计 直方图分布，分析亮部、暗部区域占比。

2. 调整曝光参数：

   • 如果亮度低，则增加曝光时间或增益。
   • 如果亮度过高，则减少曝光时间或降低增益。

3. 权衡增益和快门时间：

   • 优先调整快门时间，避免太高增益导致噪声。
   • 遇到快速运动物体时，减少快门时间，避免拖影。

4. 循环优化：

   • 逐步调整参数，防止闪烁或剧烈变化。
   • 结合历史帧信息，使曝光变化平滑过渡。

📌 AE 常见算法

1️⃣ 直方图法（Histogram-based AE）

• 计算 图像亮度直方图，找出高亮和低亮区域比例。
• 设定一个目标亮度范围（如 18% 灰阶），根据直方图调整曝光。
• 优点：对亮度变化敏感，可适应复杂场景。
• 缺点：在高反差场景（如强光源）下可能失效。

2️⃣ 平均亮度法（Mean Luminance AE）

• 计算 整幅图像的平均像素亮度 $L_{\text{mean}}$，与目标亮度 $L_{\text{target}}$ 对比：
  $$\text{Adjustment Factor}=\frac{L_{\text{target}}}{L_{\text{mean}}}$$
• 根据这个比例调整曝光时间和增益。
• 优点：计算简单，适用于均匀光照场景。
• 缺点：在局部强光/阴影场景下易失效。

3️⃣ 亮度分区法（Region-based AE）

• 把图像划分为多个区域，分别计算亮度。
• 给予不同区域不同的权重，比如：
  • 中心区域权重大（人脸检测场景）。
  • 边缘区域权重低（减少背景影响）。
• 适用于： 人脸识别、车载摄像头等。

4️⃣ 基于 PID 控制的 AE（PID-based AE）

• 采用 PID（比例-积分-微分）控制，根据误差调整曝光：
  $$\Delta \text{Exposure}=K_p\cdot e+K_i\sum e+K_d\cdot \frac{de}{dt}$$
  其中 $e$ 是亮度误差。
• 适用于 视频场景，可平滑调整，避免闪烁。

5️⃣ 机器学习/深度学习 AE

• 训练 CNN、LSTM 网络学习最佳曝光调整策略。
• 结合 光流（Optical Flow） 分析运动情况，动态调整曝光。
• 优点：
  • 可适应不同场景（白天/夜晚）。
  • 结合对象检测，提高 ROI（如人脸、车牌）曝光准确性。
• 缺点：
  • 计算量大，实时性要求高。

📌 AE 方案选择

📌 结论

• 简单应用：可以使用 平均亮度 AE 或 直方图 AE。
• 运动场景：可以采用 PID 控制 AE 以保证平滑调整。
• 高级应用（如自动驾驶、人脸识别）：可以结合 深度学习 AE。

AE 算法的核心是 动态调整曝光参数，使图像亮度合适且噪声最小，选择适合的 AE 算法能提升图像质量。