3、HDR合成流程概览：从多帧输入到最终输出

好，咱们进入正题。HDR合成，说白了就是把几张不同曝光的照片，合成一张亮部不过曝、暗部有细节的“完美”照片。我刚开始接触这个领域时，觉得不就是“亮图取暗部，暗图取亮部”嘛，简单。结果第一次自己写流程，出来的图全是鬼影和断层，惨不忍睹。

后来才明白，一个工业级的HDR合成流程，远不止“融合”这一步。它是一条完整的流水线，每一步都有坑。今天我就带你走一遍这条流水线，把每个环节的作用和我的个人经验都交代清楚。

3.1 输入多帧图像：素材是基础

一切从输入开始。通常我们会拍摄3到5帧，甚至7帧不同曝光的图像。曝光策略上，我习惯用“包围曝光”，也就是固定光圈ISO，只改变快门速度。这样能保证景深和噪点水平一致。

这里有个坑：输入帧的位深。很多手机拍出来是8-bit JPEG，动态范围本身就有限。我建议至少用10-bit RAW或者16-bit TIFF作为输入。你想想看，如果源数据就丢了细节，后面再怎么合成也是白搭。

3.2 对齐：消除“手抖”的痕迹

手持拍摄，帧与帧之间肯定有位移。如果不做对齐，融合后的图像边缘会有重影，像没对上焦一样。

对齐算法我分两类：

• 全局对齐（仿射变换）：适合相机纯平移或旋转。速度快，但遇到视差大的场景就露馅。
• 局部对齐（光流法）：逐像素匹配。精度高，但计算量大。我在项目中遇到过，光流法对运动物体反而会引入错误匹配，需要配合后面的去鬼影一起用。

3.3 去鬼影：干掉“幽灵”

这是整个流程里最头疼的一步。什么是鬼影？就是场景中的运动物体（比如行人、汽车、树叶），在不同帧里位置不一样。直接融合，就会出现半透明的“幽灵”。

去鬼影的核心思路是：检测运动区域，然后只从某一帧里取那个区域的内容。我常用的方法有：

• 基于中值/均值偏差检测：简单，但对大运动不敏感。
• 基于光流一致性检测：精度高，但容易把高光区域误判为运动。
• 基于深度学习（如CNN）：效果好，但需要大量标注数据。我曾经用U-Net做过一个去鬼影网络，效果确实比传统方法好一截，但部署到手机上时，模型压缩花了不少功夫。

3.4 融合：把“底片”叠在一起

对齐和去鬼影做完，终于到了融合这一步。融合的本质是：对每个像素，根据其在不同帧中的曝光质量和运动置信度，赋予一个权重，然后加权平均。

常见的融合策略：

1. 简单平均：所有帧等权重。效果最差，动态范围几乎没有扩展。
2. 基于曝光质量的权重：中间曝光的像素权重高，过曝或欠曝的权重低。这是最常用的方法。
3. 拉普拉斯金字塔融合：多尺度融合，能保留更多细节。我个人的项目里，90%的情况都用这个方法。

// 伪代码：基于曝光质量的权重融合
for each pixel (x, y):
    weight_sum = 0
    hdr_pixel = 0
    for each frame i:
        // 计算权重：像素值越接近中间灰度，权重越高
        weight_i = 1.0 - abs(pixel_i - 0.5) * 2.0
        // 应用去鬼影置信度
        weight_i *= confidence_i(x, y)
        hdr_pixel += pixel_i * weight_i
        weight_sum += weight_i
    hdr_pixel /= weight_sum

3.5 色调映射：把“大象”塞进“冰箱”

融合后的图像是32位浮点的HDR数据，动态范围可能达到10^6:1。但我们的显示器只能显示0-255的8位数据。色调映射就是做这个“压缩”的。

色调映射算法分两类：

• 全局映射：对整个图像用同一个映射曲线。简单，但容易丢失局部对比度。
• 局部映射：根据像素周围的亮度自适应调整。效果好，但容易出现光晕（halo）伪影。

我常用的一个技巧是：先用全局映射把整体亮度压下来，再用局部映射恢复细节。这样既能避免光晕，又能保留暗部层次。

3.6 输出HDR图像：最后的交付

最后一步，输出。输出格式取决于你的应用场景：

• 显示用：输出8-bit JPEG或PNG，经过色调映射后的标准图像。
• 后期用：输出16-bit TIFF或OpenEXR，保留HDR数据，方便在Photoshop或达芬奇里进一步调整。
• 移动端展示：输出10-bit HEIF，兼顾画质和文件大小。

嗯，到这里，整个HDR合成流程就走完了。你看，从输入到输出，每一步都有讲究。对齐和去鬼影决定了“能不能用”，融合决定了“底子好不好”，色调映射决定了“好不好看”。