2. 人眼视觉特性：韦伯定律、亮度适应与对比度敏感度函数

做安防图像处理，有个问题我经常问团队里的新人：
「你调了半天参数，到底是在给谁看？」
答案其实很简单——给人眼看。

所以，不理解人眼怎么感知图像，你做的 Gamma 校正、色调映射，说白了就是瞎调。
这一章，我们就聊聊人眼视觉的三个核心特性。
搞懂它们，你再看监控画面，思路会完全不一样。

2.1 韦伯定律：人眼对「相对变化」敏感

先讲个我自己的经历。
有一次在调试夜间停车场监控，画面整体偏暗。
我把亮度整体提了 20 个灰度级，结果客户说「没啥变化」。
我又提了 20 级，客户说「噪点全出来了，但画面还是看不清」。

为什么会这样？
因为人眼对亮度的感知，不是线性的。

韦伯定律告诉我们：
人眼能察觉的最小亮度变化 ΔL，与背景亮度 L 的比值是常数。

ΔL / L = k

举个例子：
背景亮度 100 时，你需要增加至少 1~2 的亮度，人眼才能察觉。
背景亮度 10 时，你只需要增加 0.1~0.2 的亮度，人眼就能察觉。

这对安防图像意味着什么？

• 暗区要「猛拉」：暗部背景亮度低，人眼对微小变化敏感。但监控暗区往往噪声大，拉太猛噪声也放大了。我建议用 分段 Gamma，暗区 Gamma 值设小（如 0.3~0.4），亮区 Gamma 值设大（如 0.8~1.0）。
• 亮区要「细调」：亮区背景亮度高，人眼对变化不敏感。你调半天，用户可能觉得「没区别」。所以亮区压缩时，保留纹理比保留亮度更重要。
• 避坑：我曾经在强光抑制场景里，把亮区压得太狠，结果车牌过曝区域的纹理全丢了。后来才意识到，亮区人眼不敏感，但算法敏感——车牌识别需要的是纹理，不是亮度。

2.2 亮度适应：从暗到亮，人眼需要时间

你从电影院走到大太阳底下，是不是会眯着眼好一会儿？
反过来，从室外走进暗室，也要等几分钟才能看清东西。

这就是 亮度适应。
人眼的适应范围极宽——从星光（10⁻³ cd/m²）到烈日（10⁵ cd/m²），跨度达 8 个数量级。
但同一时刻，人眼能分辨的亮度范围只有 2~3 个数量级。

对安防图像的影响：

2.3 对比度敏感度函数 (CSF)：人眼对不同频率敏感度不同

CSF 是个好东西，但很多工程师把它当理论看看就过了。
其实它非常实用。

CSF 的核心结论：

• 人眼对 中频（2~5 cpd）最敏感
• 对 低频（大块均匀区域）和 高频（细纹理、边缘）敏感度下降
• 亮度越高、对比度越大，敏感度越高

说白了，人眼是个「中频增强器」。
你想想看，监控画面里什么最重要？
人脸、车牌、文字——这些恰好都是中频信息。

CSF 在安防图像处理中的应用：

1. Gamma 校正前先做频率分解：我习惯把图像分解成低频（背景光照）、中频（目标）、高频（纹理+噪声）。Gamma 只作用于低频，中高频保持不动。这样暗区提亮时，纹理不会糊，噪声也不会太明显。
2. 色调映射时保留中频：HDR 转 SDR 时，很多人直接压缩动态范围，结果画面「平」了。我建议用 基于 CSF 的权重，中频区域给高权重，低频和高频给低权重。这样映射后的画面，人眼看着「立体」。
3. 避坑：我曾经在低照度场景里，为了降噪把高频全滤了。结果画面是干净了，但人脸像「塑料」一样，毫无质感。后来才明白，CSF 告诉我们人眼对高频不敏感，但不是完全无视——纹理感还是要保留的。

2.4 三者关系：一张图看懂

下面这张图，是我做课程时画的。
它把韦伯定律、亮度适应、CSF 串在了一起。

2.5 实战建议：把这些理论用起来

理论讲完了，说点实际的。
我每次拿到一个新场景的监控视频，会按这个流程走：

1. 分析场景亮度分布：用直方图看暗区、中间区、亮区的占比。
2. 确定感兴趣区域：人脸？车牌？还是整体场景？
3. 根据韦伯定律定 Gamma 曲线：暗区提多少？亮区压多少？
4. 根据亮度适应定输出范围：最终画面亮度落在哪个区间最舒服？
5. 根据 CSF 做频率加权：中频保留，高频适度降噪，低频平滑。