3. 相机响应函数与辐射度校准：CRF的物理意义、Debevec与Robertson方法、响应曲线拟合、从多帧恢复辐射度图
好，我们进入HDR合成的核心地带。前面几章我们聊了曝光策略和图像对齐，但有个根本问题一直悬着：像素值和真实世界的光强到底什么关系？
你拍一张照片，传感器记录的是场景的辐射度（Radiance），但最终存到JPEG里的，是经过了一系列非线性映射的像素值。这个映射函数，就是相机响应函数（Camera Response Function, CRF）。
说白了，CRF就是相机的「翻译官」。它把物理世界的线性光信号，翻译成人眼看着舒服、文件存着省空间的非线性数字信号。不理解CRF，你做的HDR合成就是盲人摸象。
核心观点：CRF是连接多帧曝光图像与真实辐射度图的桥梁。没有准确的CRF，多帧融合就是线性叠加，结果要么过曝区域死白，要么暗部死黑，根本还原不出场景的动态范围。
3.1 CRF的物理意义：为什么相机不说「实话」？
理想情况下，我们希望像素值和辐射度是线性关系：光强翻倍，像素值翻倍。但现实很骨感。
相机内部的CRF通常包含三个环节：
- 传感器响应：光电转换本身是线性的，电荷量与入射光强成正比。
- 模拟增益与ADC：放大信号并数字化，这一步基本也是线性的。
- 非线性映射（Gamma校正/色调曲线）：这是CRF的主要来源。为了匹配人眼对暗部更敏感的特性，并适配CRT显示器的非线性，相机厂商会施加一条S形或幂律曲线。
我早期做HDR时，天真地以为RAW数据就是线性的。后来发现，即使是RAW，在去马赛克和黑电平校正后，有些相机还是会偷偷施加一个「隐藏的」色调映射。嗯，这里要注意：不要迷信RAW就是线性，除非你确认相机厂商没有做任何预处理。
| 环节 | 线性度 | 对CRF的影响 |
|---|---|---|
| 传感器光电转换 | 线性 | 电荷量 ∝ 辐射度 × 曝光时间 |
| 模拟增益 + ADC | 近似线性 | 引入固定模式噪声，但整体线性 |
| Gamma/色调曲线 | 非线性 | CRF的主要来源，决定了像素值的分布 |
| 量化与压缩 | 非线性 | 8-bit JPEG的256级量化，丢失大量细节 |
我的经验：如果你用手机拍HDR，别指望能直接拿到线性数据。手机ISP（图像信号处理器）里的CRF极其复杂，包含多段曲线和局部色调映射。老老实实用多帧标定法恢复CRF，比猜曲线参数靠谱得多。
3.2 Debevec方法与Robertson方法：两种主流标定思路
恢复CRF，本质上是一个逆问题：已知多帧不同曝光时间的图像，反推出CRF和场景辐射度。目前最经典的两个方法，我分别讲讲。
3.2.1 Debevec方法（1997年）
Debevec的方法基于一个假设：CRF是光滑且单调递增的。他把问题建模成一个最小二乘优化，目标是找到一条曲线，使得所有像素在不同曝光下的观测值，都能通过这条曲线映射到一致的辐射度上。
数学上，他定义了一个目标函数：
O = Σ Σ [w(Z_ij) * (g(Z_ij) - ln(E_i) - ln(Δt_j))]² + λ * Σ [w(Z) * g''(Z)]²其中：
Z_ij：第i个像素在第j帧的像素值g(Z)：CRF的逆函数（将像素值映射到对数辐射度）E_i：第i个像素的场景辐射度Δt_j：第j帧的曝光时间w(Z)：权重函数，中间像素值权重高，两端权重低λ * g''(Z)：光滑性约束项
我当年第一次实现Debevec方法时，卡在权重函数的设计上。用简单的三角权重（中间高两边低）效果还行，但遇到高反差场景，曲线两端会抖动。后来我改用高斯权重，并限制了像素值的有效范围（比如只取10-245之间的像素），曲线才稳定下来。
避坑指南：Debevec方法对输入图像的对齐精度非常敏感。我曾经用一组手持拍摄的包围曝光序列，没做对齐直接跑Debevec，结果恢复出的CRF在边缘区域出现严重伪影。记住：先对齐，再标定。
3.2.2 Robertson方法（2003年）
Robertson的方法走的是另一条路：最大似然估计。他假设观测噪声服从高斯分布，然后迭代求解CRF和辐射度。
核心思想很简单：
- 先猜一个初始CRF（比如线性或Gamma曲线）。
- 用当前CRF，把所有帧的像素值映射到辐射度空间，然后加权平均得到辐射度图。
- 用辐射度图反投影回像素值，更新CRF。
- 重复2-3步，直到收敛。
Robertson方法的优势在于：对噪声更鲁棒，而且不需要显式的光滑性约束。因为迭代过程本身就会抑制噪声。
| 对比维度 | Debevec方法 | Robertson方法 |
|---|---|---|
| 数学基础 | 最小二乘 + 光滑性约束 | 最大似然估计 + 迭代 |
| 对噪声的鲁棒性 | 中等（依赖权重函数） | 较好（迭代过程自然降噪） |
| 收敛速度 | 一次性求解（快） | 迭代求解（慢，但稳定） |
| 实现复杂度 | 中等（需要解线性方程组） | 简单（只需交替更新） |
| 适用场景 | 高质量标定，离线处理 | 实时/在线标定，噪声较大的场景 |
我的建议：如果你做学术研究或追求极致精度，用Debevec。如果你做工程落地，尤其是处理手机或运动相机的高噪声图像，Robertson方法更省心。我个人在项目中常用Robertson，因为它迭代过程中可以顺便输出辐射度图，调试起来很方便。
3.3 响应曲线拟合：从离散点到连续曲线
无论用哪种方法，我们得到的CRF都是一组离散点：[像素值 → 对数辐射度]。但实际使用时，我们需要一个连续函数，以便对任意像素值进行插值或外推。
拟合方法通常有三种：
- 多项式拟合：用5-7阶多项式拟合离散点。简单，但高阶多项式容易在两端震荡（Runge现象）。
- 样条插值：用三次样条（Cubic Spline）连接离散点。光滑性好，但需要保证单调性。
- 查找表（LUT）：直接存储256个（或更多）映射值，用线性插值查表。最实用，效率最高。
我习惯用LUT方式。原因很简单：CRF本身就是一个查找表，相机内部就是这么存的。你拟合得再漂亮，最终还是要离散化成LUT才能用。何必多此一举？
// 伪代码：从Debevec结果生成LUT
float crf_lut[256]; // 存储每个像素值对应的对数辐射度
for (int z = 0; z < 256; z++) {
// g(z) 是Debevec求解出的逆CRF函数
crf_lut[z] = g(z);
}
// 使用时，将像素值映射到辐射度
float radiance = crf_lut[pixel_value];注意：LUT的边界处理。像素值0和255通常对应饱和或截止区域，映射值可能不准确。我一般会截断：像素值<5的视为噪声，直接赋0；像素值>250的视为饱和，赋最大值。中间区域正常查表。
3.4 从多帧恢复辐射度图：把碎片拼成全景
有了CRF，恢复辐射度图就水到渠成了。对于每个像素位置，我们在多帧中都有多个观测值（不同曝光时间）。把这些观测值通过CRF映射到辐射度空间，然后加权平均，就得到了该位置的辐射度估计。
权重函数怎么选？我推荐用高斯权重：
w(z) = exp(- (z - 128)² / (2 * σ²))其中σ通常取30-50。这样中间像素值（128附近）权重最高，两端权重迅速衰减。为什么？因为中间像素值信噪比最高，两端要么是噪声（暗部），要么是饱和（亮部），信息不可靠。
最终辐射度计算公式：
ln(E_i) = Σ [w(Z_ij) * (g(Z_ij) - ln(Δt_j))] / Σ w(Z_ij)这个公式看着复杂，其实逻辑很直观：每个像素的辐射度，是所有帧中该像素的「去噪后」观测值的加权平均。
实战要点：恢复出的辐射度图是浮点格式，动态范围可能很大（比如0.001到10000）。直接显示会一片漆黑或一片惨白。你需要做色调映射（Tone Mapping）才能显示。但那是下一章的内容了。这里我们只关心：辐射度图是否准确还原了场景的相对亮度关系。
3.5 本章知识体系
下面这张图总结了CRF标定与辐射度恢复的完整流程。我建议你把它当作一个检查清单：做HDR合成前，先确认每一步都走对了。
这张图把整个流程串起来了。从多帧输入开始，经过预处理，选择标定方法，得到CRF，拟合生成LUT，最后恢复辐射度图。每一步都有坑，但每一步也都有对应的解决方案。