一条流水线跑到第 50 天，发布这件事本身已经不新鲜了。真正每天都在变的是：今天这条片子，封面该用哪一帧？
我的第一版封面选帧逻辑简单得可笑——在成片里按固定间隔抽 8 帧，算平均亮度，挑最亮的那一张。理由也站得住：AI 短片常见问题是画面压暗、发灰，挑亮的能保底。跑了两个星期，问题一个接一个冒出来：选中的是白墙、是过曝的天空、是人物转身时的后脑勺、是一帧糊掉的运动模糊。亮度这个指标太便宜了，便宜到它对「这张图能不能当封面」几乎没有信息量。
这篇记录的是我后来加上的几个判据，以及它们各自拦住了什么。
亮度为何是最差的单一判据
亮度（luma）是一个全局均值，它对画面里到底有什么一无所知。一张纯白背景的过曝帧亮度能到 240，一张构图完整、主体清晰的中景可能只有 95。用亮度排序，等于系统性地偏好「大面积浅色块」——墙面、天花板、雪地、天空。
更麻烦的是，AI 生成视频的亮度分布本身就不稳定。同一段提示词生成的 5 个镜头，模型在不同时间步上的曝光倾向会漂，导致成片里明暗分布比实拍更离散。用单一阈值卡亮度，实际是在和模型的随机性对赌。
所以第一个改动不是换阈值，而是换思路：先筛掉不可用的帧，再在可用帧里排序。这两件事的判据完全不同，混在一个分数里必然打架。
先做硬淘汰 把不可用帧剔掉
硬淘汰负责回答「这一帧有没有致命缺陷」，只有二值判断，不打分。我用了四条：
一、过曝与死黑。统计亮度直方图两端：>250 的像素占比超过 12%，或 <8 的像素占比超过 25%，直接淘汰。这两个数是试出来的，不是理论值——我的片子里有大量夜景和室内低光镜头，卡太紧会把正常的暗调镜头全杀掉。
二、模糊。用拉普拉斯方差（variance of Laplacian）衡量高频能量，低于阈值判为糊帧。注意它和分辨率强相关：576p 的成片方差天然低于 1080p，所以阈值必须按素材分辨率分档，不能一套走天下。我的 576p 生成稿用的是比成片宽一档的阈值。
三、主体缺失。封面最忌讳「人不在画面中心」。用一个人像/显著性检测拿到主体框，要求主体框面积占比落在 18%~70% 之间，且框中心距画面中心不超过画面短边的 30%。低于 18% 说明人太远或没有主体，高于 70% 是贴脸特写——做封面会显得压抑。
四、重复帧。抽帧间隔密的时候，相邻两帧几乎是同一张图，会让候选池虚高，也让后面的排序被同一镜头的多帧占据。用感知哈希（pHash）做汉明距离去重，距离小于 6 的视为同一帧，只保留方差最高的那张。
def hard_filter(frames, prev_hashes, ref_h=576):
keep = []
for f in frames:
luma = f.hist_luma()
if luma.bright_ratio(250) > 0.12: continue # 过曝
if luma.dark_ratio(8) > 0.25: continue # 死黑
# 拉普拉斯方差阈值按分辨率缩放，576p 基线 90，1080p 约 220
if f.lap_var < 90 * (ref_h / 576) ** 2: continue
r = f.subject_ratio()
if not (0.18 <= r <= 0.70): continue
if abs(f.subject_cx - 0.5) > 0.30: continue
h = f.phash()
if any(hamming(h, p) < 6 for p in prev_hashes[-3:]):
continue
keep.append(f)
prev_hashes.append(h)
return keep
这四条跑完，候选池通常只剩抽帧总数的三到四成。剩下这些，才是值得排序的。
用分布挑帧 而不是用均值
通过硬淘汰之后，排序才登场。这里的核心转变是：不再比均值，比分布。
一张好封面的直方图通常有三个特征：不是单峰、不是极端偏侧、两端都有余量。单峰意味着画面平淡（一片墙、一片天），两端都有余量意味着有明暗层次。我用直方图的偏度（skewness）和峰度（kurtosis）来刻画：
- 偏度绝对值小于 0.8，说明明暗相对均衡，没有严重一侧倾倒；
- 峰度小于 3.2，说明分布足够分散，没有挤在同一亮度区间；
- 直方图在 10%~90% 区间内的非空 bin 数不少于 40（共 64 个 bin），避免「看起来有分布、实际是两块色块」。
def distribution_score(frame):
h = frame.hist_luma(bins=64, normalize=True)
xs = np.arange(64)
mu = (h * xs).sum()
var = (h * (xs - mu) ** 2).sum()
sd = math.sqrt(var) or 1e-6
skew = (h * (xs - mu) ** 3).sum() / sd ** 3
kurt = (h * (xs - mu) ** 4).sum() / sd ** 4
occupied = int(((h > 0.004) & (xs >= 6) & (xs <= 58)).sum())
s = 1.0
s -= min(abs(skew) / 2.0, 0.6) # 偏度惩罚，封顶 0.6
s -= min(max(kurt - 3.0, 0) / 2.0, 0.5) # 峰度惩罚，封顶 0.5
s += min(occupied / 40.0, 1.0) * 0.5 # 占用度加分
return s
这个分数不追求绝对值有意义，只用来在同一批候选里排个序。我刻意把所有惩罚项都设了封顶，避免某一项极端值把排序完全支配——这一点在实测里很关键，早期没封顶时，一个几乎纯色的镜头因为峰度极高被压到垫底，连带着同一镜头的其他可用帧也排不上来。
抽帧策略 均匀抽不如关键点抽
抽帧方式也影响最终结果。固定间隔抽帧（比如每秒 2 帧）在小概率事件上采样效率很低：一个 3 秒的好镜头，按 2fps 抽只有 6 帧，而一个 10 秒的空镜能抽 20 帧。候选池天然偏向长镜头。
我改成三层抽：
- 镜头切分优先：先用直方图差分做镜头边界检测，每个镜头内至少抽 3 帧（首、中、尾），保证每个镜头都有代表；
- 运动补偿：镜内按帧间差异挑变化最大的若干帧，避开「静止空镜」占坑；
- 全局补抽：最后再按 1fps 均匀补一轮，防止镜头切分漏检（切点密集的快速剪辑容易漏）。
这样抽出来的候选池，镜头覆盖度比均匀抽高得多，也不再被长镜头绑架。
一组可复现的权重与阈值
把上面几层合成一个总排序分，我给的是一个经验权重，而不是最优解。列出来是为了说明量级关系：
W = {
"dist": 0.42, # 直方图分布（偏度/峰度/占用度）
"subject": 0.28, # 主体清晰度与居中程度
"sharp": 0.18, # 拉普拉斯方差归一化到同批最大值
"headroom": 0.12, # 亮部余量，避免压边
}
四点值得说：
- 分布权重最高，因为它和「这张图有没有层次」最相关，而这正是封面第一眼给人的信息；
- 主体权重次之，它决定了「能不能一眼认出是谁」；
- 清晰度排第三，因为硬淘汰已经把糊帧全剔了，剩下的差异没有想象中大，权重给太高会让排序被噪点噪声带偏；
- 亮部余量放最后，它只是防压边（避免标题文字压上去糊成一片），不该主导选择。
另外所有分量我都先做了同批归一化（除以本批最大值），不做归一化的话，方差这一项的绝对数值范围比分布分大一个数量级，权重就形同虚设。
选不中时的兜底路径
工程上必须承认：有些片子在硬淘汰之后一帧都不剩。极端暗调、全片运动模糊、主体全程贴脸——这些情况真实存在。这时候不能死等，也不能让流程卡住。
我的兜底是三段式：
- 放宽硬淘汰：把过曝/死黑阈值各松 30%，模糊阈值降 20%，重跑一次；
- 仍未命中，转文字封面：用标题主色块 + 大字排版合成一张纯文字封面，风格上与成片保持一致（同一套配色和字体），人工看图时一眼能认出是哪一期；
- 记录事件：把「封面降级」写进当天的工作记录，连续三天出现降级就回头查是不是生成参数漂了。
这套兜底跑了一个多月，真正触发文字封面的只有两次，都是夜景戏。但它的价值不在使用频率，在于流程永远不会因为一张图停住。
积累样本比调参数更划算
最后一点是方法论层面的。上面那些阈值——12%、25%、18%~70%、skew 0.8、kurt 3.2——都是我自己片子的经验值，换一个内容风格大概率要重调。所以更有价值的动作不是继续抠参数，而是把每次人工换封面的决定记下来。
我的做法很简单：每次人工覆盖自动选择，就记一条「自动选中 A 帧，人工改成 B 帧，原因：过曝/脸糊/构图偏/时间点不对」。攒到三十来条，就能看出哪个判据在实际决策中最常被推翻，调整方向自然浮出来。这比对着单张图微调阈值靠谱得多。
自动化真正省下的不是「选图」这个动作，而是让「选图」这件事变得可以被复盘。
