4、鬼影检测算法：三种主流方法详解

鬼影检测，说白了就是找出那些「不该出现却出现了」的像素。我在做多曝光融合时，最头疼的就是这个环节。检测不准，融合结果就会像照片上蒙了一层幽灵，怎么调都别扭。

今天咱们聊三种最常用的检测思路：基于像素差异、基于梯度差异、基于色彩一致性。每种方法都有它的脾气，选对了事半功倍。

4.1 基于像素差异的检测

这是最直观的方法。你想想看，如果场景是静止的，同一位置在不同曝光下的像素值应该满足某种映射关系。如果某个像素偏离了这种关系，那它很可能就是鬼影。

具体做法分三步：

1. 建立映射关系：从两帧的重叠区域中采样，拟合出一条亮度映射曲线。
2. 计算差异图：对每个像素，计算实际值与映射值的差。
3. 阈值分割：差异大于阈值的像素标记为鬼影。

我习惯用下面这个公式来算差异：

D(x) = |I_ref(x) - f(I_target(x))|

其中 f 是映射函数，通常用多项式或分段线性函数拟合。

优点：计算快，实现简单。
缺点：对噪声敏感，纹理丰富区域容易误检。

4.2 基于梯度差异的检测

像素值会受曝光影响，但梯度——也就是局部结构——应该相对稳定。我更喜欢用梯度来做，因为它对光照变化不那么敏感。

为什么会这样？因为梯度描述的是像素之间的相对关系，而不是值。你想想，即使整体亮度变了，边缘和纹理的走向通常不会变。

计算步骤：

1. 分别计算参考帧和目标帧的梯度图（用 Sobel 或 Scharr 算子）。
2. 对梯度方向做归一化，消除曝光差异带来的幅度变化。
3. 计算梯度方向差或梯度结构相似度。

我常用的梯度差异度量：

G_diff(x) = 1 - |cos(θ_ref(x) - θ_target(x))|

其中 θ 是梯度方向。当方向一致时，G_diff 接近 0；方向相反时，接近 1。

优点：对曝光变化鲁棒，能检测到结构不一致的区域。
缺点：平坦区域检测不可靠，计算量比像素法大。

4.3 基于色彩一致性的检测

这个方法利用了多曝光图像的一个特性：同一场景点在不同曝光下的颜色比例应该保持不变。说白了，就是 RGB 三个通道的比值是稳定的。

我最早接触这个思路是在做 HDR 去鬼影时，一位前辈提的。当时觉得挺巧妙——颜色比例不受曝光时间影响，只跟物体本身的反射特性有关。

具体做法：

1. 选取一个参考通道（通常是绿色通道，信噪比最高）。
2. 计算每个像素的色比向量：[R/G, B/G]。
3. 比较两帧的色比向量差异。

差异度量：

C_diff(x) = ||chroma_ref(x) - chroma_target(x)||₂

如果 C_diff 超过阈值，说明该点的色彩一致性被破坏，很可能是鬼影。

优点：对亮度变化完全不敏感，适合大动态范围场景。
缺点：对颜色单一的区域（如纯色墙壁）检测能力弱，且受噪声影响较大。

4.4 三种方法对比

我把它们放在一起比一比，方便你选型：

方法	核心依据	计算量	噪声敏感度	平坦区域	适用场景
像素差异	亮度映射关系	低	高	可用	光照稳定的室内
梯度差异	局部结构一致性	中	中	不可用	纹理丰富的户外
色彩一致性	色比稳定性	中	较高	弱	大动态范围场景

4.5 知识体系总览

下面这张图把三种方法的关系和适用边界画清楚了：

4.6 我的选型建议

实际工程里，我很少只用一种方法。给你几个组合套路：

• 快速原型：像素差异法 + 中值滤波去噪，够用且快。
• 高精度需求：梯度差异法为主，辅以色彩一致性做二次确认。
• 大动态范围：色彩一致性法打底，梯度法补充纹理区域的检测。