4、HDR合成算法（一）：基于曝光融合的Mertens算法、拉普拉斯金字塔分解、权重图计算

好，咱们进入HDR合成的核心环节。前面几章我们讲了如何采集多帧不同曝光的图像，也聊了如何对齐。现在，终于到了「融合」这一步。

市面上HDR合成算法很多，但Mertens算法是我个人最常用的一种。为什么？因为它简单、高效，而且效果非常自然。说白了，它不需要计算复杂的相机响应曲线，也不需要生成真正的HDR图像再做色调映射。它直接在LDR域就把事情办了。

4.1 Mertens算法总览

Mertens算法在2007年提出，全称是「Exposure Fusion」。它的流程非常清晰：

1. 输入： 多帧不同曝光的LDR图像（已对齐）
2. 权重计算： 对每一帧，逐像素计算对比度、饱和度、曝光度三个指标
3. 权重归一化： 将三指标组合成最终权重，并做归一化
4. 金字塔分解： 对每一帧图像和对应的权重图，分别构建拉普拉斯金字塔和高斯金字塔
5. 逐层融合： 在金字塔的每一层，用权重图的高斯金字塔加权融合图像的金字塔
6. 重建： 从融合后的金字塔重建最终HDR结果

嗯，这里要注意：为什么需要金字塔？直接加权平均不行吗？我刚开始做的时候也这么想，结果发现直接加权会在边缘产生明显的拼接痕迹。金字塔分解能有效避免这个问题。

4.2 权重图计算：三个核心指标

权重图是Mertens算法的灵魂。每一帧图像，我们都要计算三个指标，然后组合成一个权重值。我习惯用下面的公式：

W(i,j) = C(i,j)^wc * S(i,j)^ws * E(i,j)^we

其中wc、ws、we是指数权重，控制每个指标的影响力。默认值我一般设为1、1、1，但具体场景可以调。

4.2.1 对比度（Contrast）

对比度衡量的是图像局部区域的纹理丰富程度。高对比度的区域通常包含更多细节，应该赋予更高权重。

计算方法很简单：对灰度图应用拉普拉斯滤波器，取值。

// 对比度计算示例（伪代码）
float computeContrast(Image img, int i, int j) {
    // 拉普拉斯算子 [-1 -1 -1; -1 8 -1; -1 -1 -1]
    float lap = 8 * gray(i,j) 
               - gray(i-1,j-1) - gray(i-1,j) - gray(i-1,j+1)
               - gray(i,j-1) - gray(i,j+1)
               - gray(i+1,j-1) - gray(i+1,j) - gray(i+1,j+1);
    return abs(lap);
}

4.2.2 饱和度（Saturation）

饱和度衡量颜色的鲜艳程度。高饱和度的像素通常更「可信」，因为过曝或欠曝区域往往颜色发白或发黑，饱和度很低。

我常用的计算方式：

// 饱和度计算
float computeSaturation(Image img, int i, int j) {
    float R = img.r(i,j), G = img.g(i,j), B = img.b(i,j);
    float mean = (R + G + B) / 3.0f;
    // 标准差作为饱和度指标
    float std = sqrt((R-mean)^2 + (G-mean)^2 + (B-mean)^2);
    return std;
}

你想想看，一张过曝的天空照片，R、G、B都接近255，标准差几乎为0，饱和度权重自然就低。这正好符合我们的需求。

4.2.3 曝光度（Well-Exposedness）

曝光度指标用来惩罚过曝和欠曝的像素。我们希望保留那些曝光适中的区域。

我习惯用高斯函数来建模：

// 曝光度计算
float computeExposure(float value, float sigma) {
    // value 是归一化到[0,1]的亮度值
    // sigma 控制容忍范围，我常用0.2
    return exp(-0.5 * pow((value - 0.5) / sigma, 2));
}

这个函数在value=0.5时取最大值1，向两端衰减。sigma越小，对曝光偏差越敏感。

指标	物理含义	计算方式	典型权重指数
对比度 C	局部纹理丰富度	拉普拉斯滤波取值	wc = 1.0
饱和度 S	颜色鲜艳程度	RGB标准差	ws = 1.0
曝光度 E	亮度适中程度	高斯函数(μ=0.5, σ=0.2)	we = 1.0

4.3 权重归一化与组合

计算出三个指标后，需要组合成最终的权重图。注意，每个像素的权重在所有帧之间必须归一化，保证和为1。

// 权重组合与归一化
for each pixel (i,j) {
    float totalWeight = 0;
    for each frame k {
        float C = contrast[k][i][j];
        float S = saturation[k][i][j];
        float E = exposure[k][i][j];
        W[k][i][j] = pow(C, wc) * pow(S, ws) * pow(E, we);
        totalWeight += W[k][i][j];
    }
    // 归一化
    for each frame k {
        W[k][i][j] /= totalWeight;
    }
}

4.4 拉普拉斯金字塔分解

好，现在权重图有了，图像也有了。为什么不直接加权平均？

直接加权平均的问题在于：权重图在边缘处变化剧烈，而图像内容在边缘处也有高频变化。两者相乘会产生「振铃效应」和「拼接痕迹」。

拉普拉斯金字塔的思路是：把图像分解成不同频段的子带，然后在每个频段分别融合。低频部分用平滑的权重，高频部分用锐利的权重——但金字塔结构天然保证了过渡自然。

4.4.1 高斯金字塔构建

先对图像做高斯滤波和下采样，得到一系列分辨率递减的图像。每一层是上一层的1/4大小。

// 高斯金字塔构建
vector<Image> buildGaussianPyramid(Image img, int levels) {
    vector<Image> pyramid;
    pyramid.push_back(img);
    for (int l = 1; l < levels; l++) {
        Image blurred = gaussianBlur(pyramid[l-1], 5x5 kernel);
        Image downsampled = downsample(blurred, 2);
        pyramid.push_back(downsampled);
    }
    return pyramid;
}

4.4.2 拉普拉斯金字塔构建

拉普拉斯金字塔存储的是「细节层」——每一层是高斯金字塔当前层与上一层的上采样版本之差。

// 拉普拉斯金字塔构建
vector<Image> buildLaplacianPyramid(Image img, int levels) {
    vector<Image> gaussPyramid = buildGaussianPyramid(img, levels);
    vector<Image> laplacianPyramid;
    for (int l = 0; l < levels-1; l++) {
        Image upsampled = upsample(gaussPyramid[l+1], 2);
        Image detail = gaussPyramid[l] - upsampled;
        laplacianPyramid.push_back(detail);
    }
    // 最后一层保留高斯金字塔的最顶层（低频残差）
    laplacianPyramid.push_back(gaussPyramid[levels-1]);
    return laplacianPyramid;
}

4.4.3 权重图的高斯金字塔

注意：权重图不需要拉普拉斯金字塔，只需要高斯金字塔。因为权重图是平滑的，高频信息对它没有意义。

// 对权重图构建高斯金字塔
vector<Image> weightGaussPyramid = buildGaussianPyramid(weightMap, levels);

4.5 逐层融合与重建

现在，我们有了每一帧的拉普拉斯金字塔，以及每一帧权重图的高斯金字塔。融合过程非常简单：

// 逐层融合
for each level l {
    for each pixel (i,j) {
        fusedLaplacian[l][i][j] = 0;
        for each frame k {
            fusedLaplacian[l][i][j] += 
                weightGaussPyramid[k][l][i][j] * laplacianPyramid[k][l][i][j];
        }
    }
}

// 重建
Image result = fusedLaplacian[levels-1]; // 从最顶层开始
for (int l = levels-2; l >= 0; l--) {
    result = upsample(result, 2) + fusedLaplacian[l];
}

重建过程就是从顶层到底层，逐层上采样并加上细节层。最终得到的就是融合后的HDR结果。

4.6 实践中的参数调优

Mertens算法有几个关键参数可以调。我根据自己的项目经验，整理了一个参考表：

参数	默认值	调优方向	我的建议
对比度指数 wc	1.0	增大→纹理更突出	风景照可以提到1.2
饱和度指数 ws	1.0	增大→色彩更鲜艳	人像建议降到0.8，避免肤色过饱和
曝光度指数 we	1.0	增大→更偏好中间曝光	夜景可以降到0.5，保留更多暗部
金字塔层数	log2(min(H,W))	层数越多，融合越平滑	一般5-8层足够，太多会模糊
曝光度sigma	0.2	增大→容忍度更高	高动态场景用0.25