Ketika seorang pengguna mengambil smartphone atau kamera dan mengambil gambar cepat dalam "mode otomatis", sebuah foto yang benar-benar terekspos, akurat dengan warna, dan terfokus dengan tajam dihasilkan segera. 3A mengacu pada Auto Exposure (AE), Auto White Balance (AWB), dan Auto Focus (AF). ketiga-tiga ini bertindak seperti fotografer profesional yang dibangun di dalam kamera, bekerja sama untuk beradaptasi dengan skenario pemotretan yang selalu berubah. 3A algorithms Untuk insinyur gambar, kualitas algoritma 3A secara langsung menentukan pengalaman penembakan pengguna. sistem 3A yang baik memungkinkan pengguna untuk fokus pada komposisi dan ekspresi emosional; sebaliknya, 3A yang tidak matang dapat menyebabkan kesalahan paparan, warna aneh, atau sering foto off-of-focus. AE (Auto Exposure): Bagaimana cara mengukur cahaya dengan tepat? Tugas utama Auto Exposure (AE) adalah untuk mengontrol kecerahan gambar, memastikan bingkai tidak terlalu terekspos atau kurang terekspos. kunci terletak pada "mengukur," yang melibatkan menilai intensitas cahaya adegan dan secara otomatis menyesuaikan aperture, kecepatan penutupan, atau ISO sesuai. Prinsip dan tantangan dari metode pengukuran Sistem pengukuran kamera didasarkan pada asumsi fundamental: ia mengasumsikan semua objek memiliki refleksi 18%, "gelap menengah." Ketika kecerahan keseluruhan adegan cocok dengan standar ini, AE dapat memberikan parameter paparan yang akurat. Namun, dunia nyata penuh dengan pengecualian. Ketika menembak salju (refleksi tinggi), kamera mungkin secara tidak sengaja mengurangi paparan, mengubah salju putih menjadi abu-abu; ketika menembak kucing hitam (refleksi rendah), itu dapat meningkatkan paparan, membuat kucing hitam tampak abu-abu. Untuk menangani adegan yang kompleks, insinyur telah mengembangkan berbagai mode pengukuran: 
 
 
 
 Matrix/Evaluative Metering: Ini adalah mode yang paling cerdas dan paling sering digunakan. Ini membagi bingkai menjadi beberapa zona, secara independen menganalisis kecerahan, warna, dan bahkan titik fokus masing-masing zona, dan kemudian menggunakan database gambar internal yang luas dan algoritma kompleks untuk menghitung nilai paparan seimbang. Center-weighted Metering: Mode ini memprioritaskan pengukuran di area tengah bingkai (sekitar 20-30%), sementara juga mempertimbangkan kecerahan sekitar dengan rata-rata ditimbang. Spot Metering: Spot meter hanya mengukur cahaya di area tengah yang sangat kecil dari bingkai (sekitar 1-5%), sepenuhnya mengabaikan wilayah lain. Tantangan insinyur: menangani adegan kontras tinggi Salah satu tantangan terbesar dalam pengembangan produk gambar adalah menangani adegan kontras tinggi seperti backlighting atau matahari terbit / matahari terbenam. Algoritma AE yang baik menggunakan strategi yang lebih canggih dalam kasus-kasus ini, seperti: 
 
 
 
 Pengenalan adegan: Menggunakan AI untuk mengidentifikasi adegan sebagai "portret backklit" atau "sunset" dan menerapkan kurva paparan khusus. Face Priority AE: Ketika wajah terdeteksi, memprioritaskan paparan yang benar untuk wajah, bahkan jika latar belakang menjadi sedikit berlebihan. HDR (High Dynamic Range) Fusion: secara otomatis menangkap beberapa paparan dan menggabungkannya menjadi satu gambar dengan detail yang jelas baik di highlights dan bayangan. AWB (Auto White Balance): Bagaimana kamera menebak warna cahaya? Tujuan dari Auto White Balance (AWB) adalah untuk memperbaiki cast warna yang disebabkan oleh suhu warna sumber cahaya yang berbeda, membuat benda-benda putih tampak putih di bawah pencahayaan apa pun. mata manusia memiliki konsistensi warna yang kuat, secara otomatis beradaptasi dengan cahaya lingkungan, tetapi sensor kamera tidak; mereka hanya merekam warna cahaya seperti itu. Dari “Gray World Assumption” ke Machine Learning Untuk memahami tantangan AWB, seseorang harus terlebih dahulu memahami model fisik pembentukan gambar. "Warna yang diamati" yang ditangkap oleh sensor adalah produk dari lingkungan "Spektrum Iluminasi", "Refleksi permukaan" objek, dan kurva "Respon Sensor" sensor sendiri: Observed Color = Illuminant Spectrum × Surface Reflectance × Sensor Response Kamera hanya dapat mengukur "Warna yang Diperhatikan," dan tujuan AWB adalah untuk menyimpulkan "Spektrum Pencahayaan" dari itu untuk koreksi. Namun, karena "Refleksi permukaan" tidak diketahui, ini merupakan "masalah yang tidak ditentukan" klasik - persamaan dengan beberapa ketidaktahuan yang tidak dapat diselesaikan secara langsung. Oleh karena itu, algoritma AWB tradisional sebagian besar didasarkan pada asumsi statistik: 
 
 
 Gray World Assumption: Ini adalah salah satu teori paling klasik, mengasumsikan bahwa dalam gambar yang kaya warna, rata-rata semua warna akan cenderung ke arah abu-abu netral. algoritma menghitung rata-rata keseluruhan R, G, B dari bingkai; jika rata-rata menyimpang dari abu-abu, misalnya, menjadi kuning, sistem akan meningkatkan kenaikan saluran biru untuk mengkompensasi. Asumsi Perfect Reflector/White Patch: Asumsi ini mengasumsikan bahwa titik paling terang dalam gambar harus putih. Namun, asumsi sederhana ini sering gagal. misalnya, pada rumput hijau besar, asumsi dunia abu-abu mungkin salah menambahkan merah untuk "menetralisir" hijau, menyebabkan cast purple. Tantangan insinyur: Pengaturan di bawah pencahayaan kompleks Karena keterbatasan dari model fisik yang disebutkan di atas, pengaturan AWB adalah salah satu aspek yang paling sulit dari rekayasa gambar. Untuk mengatasi berbagai sumber cahaya yang kompleks seperti lampu fluoresensi kantor, lampu incandescent rumah, atau sinar matahari terbenam, insinyur harus membangun database besar dari sumber cahaya. algoritma AWB modern telah lama melampaui asumsi statistik sederhana, beralih ke model pembelajaran mesin yang lebih kompleks: 
 
 
 Algorithm menganalisis karakteristik distribusi warna dari adegan dan membandingkannya dengan ribuan model sumber cahaya dalam database (misalnya, D65 siang hari, A-sumber lampu incandescent) untuk "menebak" cahaya lingkungan saat ini.  Since applying independent white balance correction to different regions of the image (i.e., regional white balance) carries a very high perceptual risk, easily leading to color artifacts or unnatural transitions, actual implementations often adopt the following strategies:
 
 Mixed Lighting Processing: 
 
 
  The algorithm estimates multiple potential light sources in the scene and calculates a "compromise gain" that balances color across all parts of the image. This method aims to maintain overall color continuity and naturalness, avoiding visual flaws caused by local corrections. Global Optimal Solution:  Utilizing AI scene recognition technology, the algorithm can identify key areas in the image, such as faces, skin tones, or specific objects. When calculating the global white balance gain, higher weights are given to these visual focal points to ensure the accuracy of the main subject's colors. Simultaneously, background areas may retain some ambient light atmosphere to achieve visual balance and naturalness. Semantic Weighting: Sistem AWB yang baik tidak hanya harus bekerja dengan akurat di bawah sumber cahaya umum, tetapi juga tetap stabil di bawah pencahayaan campuran dan adegan monokrom, menghindari perubahan warna saat adegan berubah. AF (Auto Focus): Perbedaan antara kecepatan dan akurasi Autofokus (AF) bertanggung jawab untuk menyesuaikan lensa untuk membuat subjek tajam.Dari awal "mencari" autofokus hingga presisi "point-and-shoot" saat ini, teknologi AF telah mengalami evolusi yang signifikan. Fungsi dari Fase Detection AF (PDAF) 
 
 
 Kontrast Detection AF: Prinsipnya adalah bahwa kontras pada titik fokus adalah tertinggi ketika gambar paling tajam. kamera terus-menerus menyesuaikan lensa sampai menemukan kontras puncak. keuntungan adalah akurasi tinggi, tetapi kelemahan adalah kecepatan yang lebih lambat. Fase Detection AF (PDAF): Menggunakan struktur piksel khusus pada sensor (seperti array microlens atau piksel disamarkan) untuk memisahkan cahaya yang datang dari area yang berbeda dari lensa (misalnya, kiri dan kanan), membentuk dua gambar independen. Dengan membandingkan pergeseran relatif (yaitu, perbedaan fase gambar) antara dua gambar terpisah ini, algoritma dapat menentukan dengan tepat apakah fokus berada di depan atau di belakang subjek, dan seberapa jauh lensa perlu bergerak untuk mencapai fokus. Metode ini menghilangkan kebutuhan untuk pencarian berulang, memungkinkan lensa untuk didorong langsung ke posisi. Tantangan insinyur: Menyeimbangkan kecepatan dan akurasi fokus Dalam pengembangan driver lensa AF, tantangan utama bagi para insinyur adalah menemukan keseimbangan antara kecepatan dan akurasi.Meskipun PDAF sangat cepat, PDAF memiliki persyaratan tertentu untuk kontras cahaya dan objek, dan lensa DSLR tradisional mungkin menderita masalah pergeseran fokus. Oleh karena itu, kamera modern sebagian besar menggunakan "Hybrid Auto Focus", menggabungkan keduanya: 
 
 
 Langkah pertama (Coarse Adjustment): Menggunakan PDAF untuk dengan cepat memindahkan lensa dekat dengan titik fokus. Langkah kedua (Fine Adjustment): Beralih ke deteksi kontras AF untuk konfirmasi fokus yang akurat, memastikan ketajaman yang optimal. Kesimpulan: Pekerjaan Kolaboratif 3A - Upaya Tim Tingkat Milisekunder Akhirnya, harus ditekankan bahwa AE, AWB, dan AF bukanlah modul independen tetapi Bayangkan tim fotografer profesional: pada saat penutup ditekan, gaffer (AE), colorist (AWB), dan asisten kamera (AF) harus berkomunikasi dan berkoordinasi tepat dalam milisekunder untuk menangkap foto yang sempurna. Tightly Coupled Closed-loop Control System Dalam ISP nyata, modul 3A beroperasi sebagai tim yang efisien: hasil statistik dari setiap frame digunakan secara bersamaan oleh modul AE, AWB, dan AF, mempengaruhi keputusan untuk frame berikutnya. Mereka secara kolektif mengejar optimalisasi kualitas gambar secara keseluruhan, bukan ekstrim dari satu parameter. Multi-variable Optimization Problem Sifat yang sangat terhubung ini juga membawa tantangan teknikal. Pertimbangkan skenario di mana pengguna pindah dari lingkungan indoor yang terang-terang ke lingkungan outdoor yang terang-terang. Kamera harus beradaptasi dengan perubahan lingkungan yang drastis dalam waktu yang sangat singkat. Jika AF mengunci subjek pertama tetapi AE menyesuaikan terlalu lambat, gambar dapat langsung berlebihan; jika AWB mencoba untuk memperbaiki suhu warna tetapi bertentangan dengan penilaian kecerahan AE, itu dapat menyebabkan bercahaya warna atau tidak alami. ketidakstabilan atau reaksi yang terlalu agresif dari modul tunggal dapat menyebabkan: 
 
 
 Osilasi Sistem: Seluruh sistem pencitraan berosilasi selama penyesuaian, misalnya, kecerahan atau warna terus-menerus melompat di bingkai, tidak dapat menghasilkan secara stabil. Konvergensi lambat: Karena interdependensi antara modul, tanpa mekanisme yang terkoordinasi dengan baik, sistem dapat memakan waktu lebih lama untuk mencapai paparan optimal, keseimbangan putih, dan fokus, berdampak serius pada pengalaman pengguna. Oleh karena itu, sistem 3A kelas atas tidak hanya harus memastikan keakuratan dan efisiensi setiap modul tetapi juga secara halus menyeimbangkan interaksi mereka, seperti tim fotografi yang terlatih. AF mengunci subjek utama, AE menyesuaikan pencahayaan berdasarkan subjek dan lingkungan, dan AWB menghasilkan warna yang paling akurat untuk adegan. Dalam beberapa tahun terakhir, produsen juga telah mulai mengintegrasikan teknologi AI, menggunakan pembelajaran mendalam untuk memungkinkan algoritma 3A untuk lebih akurat "mengerti" niat fotografer dan bahkan memprediksi perubahan lingkungan, meningkatkan efisiensi kolaborasi. Preview: Pandangan mendalam tentang ISP dan kualitas gambar Dalam artikel ini, kami menyelidiki bagaimana algoritma 3A berfungsi sebagai "intelijen keputusan" kamera, memainkan peran penting dalam paparan, keseimbangan putih, dan fokus. Namun, dari data mentah yang ditangkap oleh sensor hingga foto-foto yang indah yang disajikan di depan kami, ada serangkaian langkah-langkah pemrosesan yang kompleks dan akurat, semuanya disusun oleh Image Signal Processor (ISP). Dalam artikel berikutnya, kami akan mengungkap misteri ISP, mengeksplorasi bagaimana itu mengubah data mentah menjadi gambar yang terlihat dan menyelam ke dalam modul-modul kunci, seperti Demosaic, Denoise, Sharpening, dan Color Mapping. Kami akan menganalisis dampak langkah-langkah post-processing ini pada kualitas gambar dan bagaimana insinyur gambar menyeimbangkan dan mengoptimalkan aspek-aspek ini untuk akhirnya membentuk "gaya gambar"

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Audio ini diproduksi dalam bahasa asli cerita!

Catatan Seorang Insinyur Gambar, Bagian 3: Di Dalam Kamera 3A "Pemahaman Keputusan"

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

THE DAWN COMES, AND MY UNCLE APPEARS IN A NEW SILK HAT

NIGHT (continued)

IdeaOps: Why Every Request is a Company Asset in Product Development

The Crypto Trading Writing Contest: Submission Deadline Extended!

THE DAWN COMES, AND MY UNCLE APPEARS IN A NEW SILK HAT

NIGHT (continued)

IdeaOps: Why Every Request is a Company Asset in Product Development

The Crypto Trading Writing Contest: Submission Deadline Extended!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps