4. 色调映射（Tone Mapping）入门：从全局到局部

HDR合成之后，你手里拿到的是一张32位浮点图像。动态范围可能高达20档甚至更多。但你的显示器、手机屏幕、打印纸，统统只能显示8位（0-255）或10位。怎么办？

硬生生把高动态范围压缩到低动态范围，同时还要保留亮部细节和暗部层次——这就是色调映射干的事。我最早接触这个领域时，以为就是个简单的「亮度压缩」，后来踩了不少坑才明白：色调映射的本质，是在动态范围和信息量之间做取舍。

4.1 全局映射：简单粗暴但有效

全局映射的思路很直接：对图像中每个像素，用同一个映射函数把亮度压下来。不管像素在亮部还是暗部，映射曲线都一样。好处是计算快、实现简单；坏处是亮部细节和暗部细节往往不能兼顾。

4.1.1 Gamma校正

Gamma校正可能是你最早接触的色调映射方法。它的数学形式很简单：

// Gamma校正核心公式
output = pow(input, 1.0 / gamma)

// 实际应用中，gamma值通常在2.2左右
float gamma = 2.2f;
float corrected = pow(linear_hdr_value, 1.0f / gamma);

为什么是2.2？因为CRT显示器的物理响应曲线大致是gamma 2.2。虽然现在都是液晶屏了，但这个标准保留了下来。我刚开始做HDR项目时，直接套了个gamma 2.2，结果暗部一片漆黑——后来才意识到，HDR图像的亮度范围远大于普通图像，单纯gamma校正会把中间调压得太暗。

4.1.2 对数映射

对数映射比gamma更「温柔」一些。它模仿人眼对亮度的对数响应特性：

// 对数映射
float L = luminance(hdr_pixel);
float L_max = max_luminance_of_scene;
float L_d = log(1.0 + L) / log(1.0 + L_max);

// 自适应对数映射（更实用）
float bias = 0.85f;  // 控制压缩强度
float L_d = log(1.0 + L * bias) / log(1.0 + L_max * bias);

对数映射的优点是能保留更多的暗部细节。我在处理夜景HDR时特别喜欢用这个方法——霓虹灯的高光不会过曝，同时街道阴影里的细节也能看清。但要注意，对数映射会让整体画面偏灰，对比度不够。所以通常后面还要加一个对比度拉伸。

方法	优点	缺点	适用场景
Gamma校正	计算极快，硬件友好	暗部细节丢失严重	实时预览、移动端
对数映射	暗部细节保留好	整体对比度偏低	夜景、低光照HDR
自适应对数	可调节压缩强度	需要调参	通用场景

4.2 局部映射：Dodging & Burning

全局映射最大的问题是什么？它用同一把尺子量所有区域。亮部细节和暗部细节，你只能保一头。

局部映射的思路就聪明多了：把图像分解成「基础层」（大尺度亮度变化）和「细节层」（小尺度纹理），然后对基础层做压缩，细节层保留或增强。这其实就是传统摄影中「遮挡-加光」（Dodging & Burning）的数字版本。

4.2.1 基于双边滤波的分解

双边滤波是局部映射的经典工具。它能在平滑图像的同时保留边缘：

// 双边滤波分解
// 输入：HDR亮度图 L
// 输出：基础层 B，细节层 D

// 1. 双边滤波提取基础层
Mat B = bilateralFilter(L, d=9, sigmaColor=50, sigmaSpace=50);

// 2. 细节层 = 原始亮度 / 基础层
Mat D = L / (B + 1e-6);

// 3. 压缩基础层，保留细节层
float compression = 0.3f;
Mat L_out = pow(B, compression) * D;

// 4. 还原颜色
// 用 L_out / L 作为比例因子乘到RGB通道上

我在项目中遇到过一个问题：双边滤波的参数很难调。sigmaColor太小，基础层里还有纹理，压缩后出现「浮雕」效果；sigmaColor太大，边缘被模糊，产生光晕（halo）。后来我改用引导滤波（Guided Filter），光晕问题好了很多。

4.2.2 多尺度分解

单尺度的双边滤波分解，细节层里既包含小纹理也包含中等尺度的边缘。更好的做法是多尺度分解：

1. 第一层：大尺度基础层（大核滤波）
2. 第二层：中等尺度细节层
3. 第三层：小尺度纹理层

然后对不同尺度做不同的压缩/增强策略。大尺度压得狠一点，小尺度甚至可以稍微增强。这样出来的效果更自然，不会出现「塑料感」。

4.3 基于Retinex理论的方法

Retinex理论是Land提出的视觉模型。它认为人眼感知的颜色取决于物体的反射率，而不是入射光的强度。换句话说，一张白纸在阳光下和阴影里，人眼看起来都是白的——这就是「颜色恒常性」。

数学上，Retinex把图像分解为：

// Retinex分解
// S = R * L
// S: 传感器捕获的图像
// R: 反射分量（物体固有属性）
// L: 照明分量（光照条件）

// 取对数后变成加法：
// log(S) = log(R) + log(L)

色调映射的目标就是：去掉或压缩照明分量L，保留反射分量R。这样不管光照多强，物体的颜色和细节都能还原出来。

4.3.1 单尺度Retinex（SSR）

SSR用高斯滤波估计照明分量：

// 单尺度Retinex
Mat img = imread("hdr_image.exr", IMREAD_UNCHANGED);
Mat img_log;
log(img + 1.0, img_log);  // 避免log(0)

Mat L_log;
GaussianBlur(img_log, L_log, Size(31, 31), 15);

Mat R_log = img_log - L_log;  // 反射分量

Mat R;
exp(R_log, R);
// R就是色调映射后的结果

SSR的问题在于高斯核大小很难选。核小了，照明估计不准，出现光晕；核大了，反射分量里混入照明信息，颜色失真。我试过用不同尺度做融合，效果会好很多。

4.3.2 多尺度Retinex（MSR）

MSR把多个尺度的SSR结果加权平均：

// 多尺度Retinex
vector<Mat> scales = {15, 80, 250};  // 三个尺度
vector<float> weights = {1.0/3, 1.0/3, 1.0/3};

Mat R_msr = Mat::zeros(img.size(), CV_32F);
for (int i = 0; i < scales.size(); i++) {
    Mat L_log;
    GaussianBlur(img_log, L_log, Size(scales[i], scales[i]), scales[i]/2);
    Mat R_log = img_log - L_log;
    R_msr += weights[i] * R_log;
}

// 加上颜色恢复（MSRCR）
// 防止颜色饱和度下降
Mat color_restoration;
// ... 颜色恢复逻辑

MSRCR（带颜色恢复的多尺度Retinex）是目前工业界用得比较多的版本。它解决了MSR颜色饱和度下降的问题。我在做航拍图像增强时用过MSRCR，效果确实惊艳——雾霾天的图像能还原出清晰的纹理和真实的颜色。

4.4 三种方法的对比与选择

维度	全局映射	局部映射	Retinex
计算速度	极快（<1ms）	中等（10-50ms）	较慢（50-200ms）
局部对比度	差	好	很好
颜色保真度	好	中等	需额外处理
光晕伪影	无	可能有	可能有
实现复杂度	低	中	高
适用场景	实时预览、移动端	高质量渲染	逆光、雾霾增强

选哪种方法？我的建议是：

• 实时场景（视频、相机预览）：用全局映射，最多加一个自适应参数调节
• 高质量静态图像：用局部映射，引导滤波分解比双边滤波更稳定
• 极端光照条件（大逆光、雾霾）：用Retinex，MSRCR是首选

嗯，色调映射入门就聊到这儿。记住一句话：没有银弹。每种方法都有它的脾气，多试、多调参，才能找到最适合你场景的方案。