📌 自動曝光（AE, Auto Exposure）解析

自動曝光（AE）是相機通過調節 曝光參數（增益、快門時間、光圈等）來確保拍攝出的圖像亮度適宜的算法。AE 需要根據環境光線變化自動調整曝光，以避免過曝（圖像太亮）或欠曝（圖像太暗）。

📌 曝光模型

曝光值的計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）：放大傳感器信號，增加亮度，但會引入噪聲，和ISO（International Organization for Standardization，國際標準化組織）感光度有關
• Irradiance（入射光照強度）：與場景光線直接相關，和光圈有關
• Time（曝光時間）：即快門時間，越長進光量越多，但可能導致運動模糊。

目標是通過 動態調整 Gain 和 Time 來補償 Irradiance 變化，以使曝光保持在合適的水平。

---

📌 AE 的基本過程

AE 算法的核心目標是讓圖像亮度（通常用 平均像素亮度 或 直方圖均衡性 衡量）保持在合理范圍，主要流程如下：

1. 計算當前圖像亮度：

   • 計算全局 平均亮度。
   • 計算某些重要區域（ROI）的亮度。
   • 統計 直方圖分布，分析亮部、暗部區域占比。

2. 調整曝光參數：

   • 如果亮度低，則增加曝光時間或增益。
   • 如果亮度過高，則減少曝光時間或降低增益。

3. 權衡增益和快門時間：

   • 優先調整快門時間，避免太高增益導致噪聲。
   • 遇到快速運動物體時，減少快門時間，避免拖影。

4. 循環優化：

   • 逐步調整參數，防止閃爍或劇烈變化。
   • 結合歷史幀信息，使曝光變化平滑過渡。

---

📌 AE 常見算法

1?? 直方圖法（Histogram-based AE）

• 計算 圖像亮度直方圖，找出高亮和低亮區域比例。
• 設定一個目標亮度范圍（如 18% 灰階），根據直方圖調整曝光。
• 優點：對亮度變化敏感，可適應復雜場景。
• 缺點：在高反差場景（如強光源）下可能失效。

2?? 平均亮度法（Mean Luminance AE）

• 計算 整幅圖像的平均像素亮度 $L_{\text{mean}}$，與目標亮度 $L_{\text{target}}$ 對比：
  $$\text{Adjustment?Factor}=\frac{L_{\text{target}}}{L_{\text{mean}}}$$
• 根據這個比例調整曝光時間和增益。
• 優點：計算簡單，適用于均勻光照場景。
• 缺點：在局部強光/陰影場景下易失效。

3?? 亮度分區法（Region-based AE）

• 把圖像劃分為多個區域，分別計算亮度。
• 給予不同區域不同的權重，比如：
  • 中心區域權重大（人臉檢測場景）。
  • 邊緣區域權重低（減少背景影響）。
• 適用于： 人臉識別、車載攝像頭等。

4?? 基于 PID 控制的 AE（PID-based AE）

• 采用 PID（比例-積分-微分）控制，根據誤差調整曝光：
  $$\Delta \text{Exposure}=K_p?e+K_i\sum e+K_d?\frac{de}{dt}$$
  其中 $e$ 是亮度誤差。
• 適用于 視頻場景，可平滑調整，避免閃爍。

5?? 機器學習/深度學習 AE

• 訓練 CNN、LSTM 網絡學習最佳曝光調整策略。
• 結合 光流（Optical Flow） 分析運動情況，動態調整曝光。
• 優點：
  • 可適應不同場景（白天/夜晚）。
  • 結合對象檢測，提高 ROI（如人臉、車牌）曝光準確性。
• 缺點：
  • 計算量大，實時性要求高。

---

📌 AE 方案選擇

AE 方法	適用場景	優點	缺點
直方圖 AE	一般場景	適應高動態范圍	易受極端光源影響
平均亮度 AE	均勻光照場景	簡單高效	不能處理復雜光照
亮度分區 AE	人臉、車載	ROI 曝光更穩定	計算量增加
PID 控制 AE	視頻拍攝	平滑調整曝光	需精調參數
機器學習 AE	自動駕駛、AI 攝像頭	適應復雜場景	計算開銷大

---

📌 結論

• 簡單應用：可以使用 平均亮度 AE 或 直方圖 AE。
• 運動場景：可以采用 PID 控制 AE 以保證平滑調整。
• 高級應用（如自動駕駛、人臉識別）：可以結合 深度學習 AE。

AE 算法的核心是 動態調整曝光參數，使圖像亮度合適且噪聲最小，選擇適合的 AE 算法能提升圖像質量。