AE 怎样测量亮度？从测光统计到曝光目标

AE 控制器收到的并不是“场景亮度”这个抽象答案，而是一组有限的统计数据：每个区域有多亮、直方图怎样分布、多少像素已经饱和，以及哪些区域可能属于人脸或主体。测光阶段要把这些数据压缩成可靠的控制依据，目标阶段则要回答更难的问题：这幅画面究竟应该有多亮？

统计从哪里来#

直接读取全分辨率 RAW 会浪费带宽，因此相机常由硬件统计模块生成 $M\times N$ 个亮度窗口、RGB 通道和、直方图与饱和计数。输入可能位于 Bayer 域，也可能来自经过部分 ISP 的预览支路。

无论统计位置在哪里，都需要明确：

黑电平是否已经扣除，坏点与光学黑区是否被排除；
统计值是线性光、近似线性值，还是 Gamma 编码后的亮度；
Bayer 各颜色样本是否按密度与响应正确归一化；
裁切、数字变焦和防抖后，统计窗口对应画面的哪个位置；
饱和像素、极暗像素和不可信区域是否参与平均。

如果直接平均非线性码值，结果会受到传递函数影响；如果把饱和窗户与暗部主体等权平均，单个均值又会掩盖场景结构。因此工程实现通常同时保留分区统计和直方图，而不是只输出一个数字。

测光模式就是权重设计#

设第 $i$ 个统计块亮度为 $Y_i$ ，权重为 $w_i$ ，最简单的测光结果是：

Y_m=\frac{\sum_i w_iY_i}{\sum_i w_i}

平均测光令各区权重接近；中央重点让画面中心贡献更大；点测光只使用很小区域。人脸优先或主体跟踪仍可写成加权统计，但权重会随检测结果在时间上变化。

CC0 实拍样片

加权亮度0.47

曝光倾向提高曝光

测光模式

照片包含明亮窗户、灯具与暗部家具。指标仍由教学统计矩阵计算，用来隔离比较三种权重；真实相机则会直接读取样片像素与传感器统计。

权重切换不能突然发生。人脸刚进入画面时若立即把其他区域权重清零，曝光会产生明显跳变；更稳妥的做法是验证检测置信度，并让 ROI 权重逐帧渐变。多个主体同时出现时，还要决定优先级、面积与位置如何共同作用。

把饱和剔除、ROI 与目标写在一起#

普通加权平均仍可能被已经剪切的窗户或灯泡支配。令 $s_i$ 表示第 $i$ 块的饱和比例， $q_i$ 表示统计可靠度，可以先构造有效权重：

m_i=\mathbf{1}(s_i<s_{max})\,\mathbf{1}(Y_i>Y_{black}), \qquad \tilde w_i=w_iq_im_i

全局测量和主体 ROI 测量分别为：

Y_g=\frac{\sum_i\tilde w_iY_i}{\sum_i\tilde w_i+\epsilon}, \qquad Y_r=\frac{\sum_i\tilde w_ir_iY_i}{\sum_i\tilde w_ir_i+\epsilon}

其中 $r_i\in[0,1]$ 是区域与人脸或主体框的重叠比例。检测置信度决定融合系数 $\beta$ ，而不是让 ROI 一出现就完全接管：

\beta=\operatorname{clip}(\beta_{max}c_{roi},0,\beta_{max}), \qquad Y_m=(1-\beta)Y_g+\beta Y_r

最后再由基础目标、用户曝光补偿和高光保护共同形成目标：

Y_t=\operatorname{clip}\!\left( Y_{base}\,2^{EV_{comp}}\,p_{hl}, Y_{min},Y_{max} \right),\qquad 0<p_{hl}\le 1

$p_{hl}$ 可随高光比例升高而下降。这里把饱和块整块剔除是为了便于说明；真实系统更常使用像素级截尾、分位数、软权重与最小有效样本保护，避免有效区域太少时统计失真。

下面的独立示例把一张统计网格、中心人脸 ROI、饱和剔除和目标计算串在一起：

1
import numpy as np
2

3
Y = np.array([
4
    [0.96, 0.72, 0.30, 0.18],
5
    [0.82, 0.24, 0.20, 0.16],
6
    [0.35, 0.22, 0.19, 0.14],
7
    [0.18, 0.16, 0.14, 0.12],
8
], dtype=float)
9
sat_ratio = np.array([
10
    [0.80, 0.30, 0.02, 0.00],
11
    [0.55, 0.03, 0.01, 0.00],
12
    [0.04, 0.02, 0.01, 0.00],
13
    [0.00, 0.00, 0.00, 0.00],
14
])
15

16
base_weight = np.ones_like(Y)
17
roi = np.zeros_like(Y)
18
roi[1:3, 1:3] = 1.0                 # 教学用人脸区域
19
valid = (sat_ratio < 0.40) & (Y > 0.01)
20

22 collapsed lines
21
def weighted_mean(values, weights):
22
    total = weights.sum()
23
    return float((values * weights).sum() / max(total, 1e-6))
24

25
global_y = weighted_mean(Y, base_weight * valid)
26
roi_y = weighted_mean(Y, base_weight * valid * roi)
27
confidence = 0.85
28
beta = np.clip(0.65 * confidence, 0.0, 0.65)
29
measured = (1.0 - beta) * global_y + beta * roi_y
30

31
highlight_fraction = float((sat_ratio >= 0.40).mean())
32
highlight_protection = np.clip(1.0 - 1.5 * highlight_fraction, 0.65, 1.0)
33
base_target, exposure_comp_ev = 0.28, 0.3
34
target = np.clip(
35
    base_target * 2.0 ** exposure_comp_ev * highlight_protection,
36
    0.12,
37
    0.45,
38
)
39
error_ev = np.log2(target / max(measured, 1e-6))
40

41
print(f"global={global_y:.3f}, roi={roi_y:.3f}, fused={measured:.3f}")
42
print(f"target={target:.3f}, requested change={error_ev:+.2f} EV")

示例假设 $Y$ 已是可比较的近似线性亮度，ROI 也已正确映射到统计网格。它没有处理多人优先级、肤色目标、检测迟滞或 Bayer 通道差异；这些都应在产品策略和测试中单独定义。

均值之外为什么还需要直方图#

两个场景可能有相同均值，却一个是均匀灰墙，另一个由大片黑暗与小块高光组成。直方图可以提供：

高光与阴影所占比例；
中位数、分位点和截尾平均；
接近传感器饱和的像素比例；
场景动态范围与逆光程度；
多峰分布和潜在主体/背景分离线索。

截尾均值会忽略最暗与最亮的少量异常值，鲁棒性通常高于普通平均；高光比例则可成为曝光上限，避免为了抬亮主体而让大面积天空彻底饱和。它们不是互相替代的“最佳测光算法”，而是共同描述场景。

目标亮度不是固定的 18% 灰#

测量完成后，控制器要比较当前亮度 $Y_m$ 与目标 $Y_t$ 。在 EV 域中：

e=\log_2\frac{Y_t}{\max(Y_m,\epsilon)}

对数表达让曝光倍数变得直观：误差 $+1\,\mathrm{EV}$ 约等于曝光量乘 2， $-1\,\mathrm{EV}$ 约等于除以 2。

当前目标

曝光误差+0.58 EV

控制动作增加曝光

测得亮度0.28基础目标0.42曝光补偿0.0 EV

实际目标会结合场景分类、人脸肤色、高光比例和动态范围动态调整，并设置死区避免来回抖动。

18% 反射率灰卡适合标定，却不是所有真实场景的审美目标。雪地本来就应明亮，夜景应保留夜感，舞台灯光允许大片暗部，逆光人脸又可能需要牺牲部分背景高光。现代 AE 常综合场景分类、人脸肤色、HDR 能力和产品风格动态选择目标。

曝光补偿可以理解为对目标施加 EV 偏置：

Y_t'=Y_t\,2^{EV_{comp}}

但最终目标还会受到高光保护、最低信噪比和硬件曝光范围限制。用户设置 +2 EV 并不保证画面能无条件增加两档；当高光或快门已到边界时，系统需要明确采用饱和、限幅还是改变其他参数。

死区防止统计噪声变成曝光呼吸#

即使场景静止，相邻帧的统计也会受读出噪声、主体微动和检测抖动影响。若每个微小误差都触发曝光调整，预览会不断呼吸。常见做法是在目标附近设置死区：

|e|<\delta \quad\Rightarrow\quad \text{保持当前曝光}

死区可随 ISO、场景稳定度和视频模式变化。还可以对统计结果做时域滤波，但滤波会增加延迟，因此需要和后续控制器一起设计。

工程验证#

一组有效的测光测试至少应包括：

灰卡在画面不同位置和不同占比下的结果；
明亮窗户、逆光人脸、雪地、夜景与舞台灯光；
人脸 ROI 出现、消失和多人切换时的权重连续性；
高光比例逐渐增加时，目标与曝光上限是否平滑；
线性统计与 Gamma 域统计是否被误混；
数字变焦、裁切和防抖后 ROI 坐标是否正确；
极暗统计值下是否通过 $\epsilon$ 避免除零与异常 EV。

测光与目标只负责产生“希望改变多少曝光”的误差信号。如何跨帧稳定地执行这个变化，并在快门、增益和防频闪约束之间分配预算，是下一篇 AE 怎样稳定收敛？从曝光闭环到防频闪的主题。