3、HDR合成算法：基于权重映射的合成、拉普拉斯金字塔融合、梯度域合成

HDR合成，说白了就是把几张不同曝光的照片，拼成一张亮部不过曝、暗部不死黑的图。听起来简单，但怎么拼得自然、没有接缝、没有鬼影，这里面的门道可不少。

我个人习惯把主流方法分成三类：权重映射、金字塔融合、梯度域合成。它们各有各的脾气，适用场景也不一样。今天咱们就一个一个掰开聊。

3.1 基于权重映射的合成

这是最直观的思路。给每张输入图像的每个像素算一个“好”的程度，也就是权重。然后按权重加权平均。

HDR(x,y) = Σ( W_i(x,y) * I_i(x,y) ) / Σ( W_i(x,y) )

权重怎么设计？我见过三种主流策略：

实际项目中，我通常把三种权重乘在一起，再做个高斯模糊让过渡平滑。嗯，这里要注意：权重图不能直接硬切，否则合成结果会有明显的拼接痕迹。

3.2 拉普拉斯金字塔融合

权重映射有个硬伤：它在空间域做加权平均，高频细节和低频亮度混在一起处理。结果就是，亮部细节和暗部细节很难同时保留。

拉普拉斯金字塔融合，说白了就是把图像拆成不同频率的“切片”，每个切片单独融合，再拼回去。你想想看，低频负责亮度过渡，高频负责纹理细节，各管各的，效果自然好。

流程分四步：

1. 构建高斯金字塔：对每张输入图像，逐层下采样，得到一系列模糊版本。
2. 构建拉普拉斯金字塔：用高斯金字塔的相邻层做差，得到带通细节层。
3. 构建权重金字塔：对权重图也做高斯金字塔，保证每层的权重平滑。
4. 逐层融合：每层拉普拉斯图像乘以对应层的权重，累加重建。

L_fused(l) = Σ( G_Wi(l) * L_i(l) )
最终HDR = 重建所有L_fused(l) + 最高层高斯残差

我记得第一次在项目中用这个方法，处理一组夜景长曝光序列。之前用权重映射，路灯周围总有光晕。换成金字塔融合后，光晕消失了，连远处楼宇的窗格纹理都清晰可见。那一刻我觉得，嗯，这方法值得推广。

3.3 梯度域合成

这个方法更高级一点。它不直接操作像素值，而是操作像素之间的差异——也就是梯度。合成时，先拼梯度场，再通过解泊松方程重建出最终的HDR图像。

为什么会这样？因为人眼对亮度变化比亮度更敏感。梯度域合成能保证局部对比度最大程度保留，同时全局亮度自然过渡。

核心步骤：

• 梯度计算：对每张输入图像，计算x方向和y方向的梯度。
• 梯度融合：对每个像素位置，从所有输入中选择梯度幅值最大的那个。这叫“最大梯度选择”。
• 梯度场修正：确保融合后的梯度场是“可积的”，否则重建会出伪影。
• 泊松重建：解一个稀疏线性方程组，从梯度场恢复出像素值。

∇²HDR = div(G_fused)
其中 ∇² 是拉普拉斯算子，div 是散度，G_fused 是融合后的梯度场。

这个方法效果确实好，但代价也大。解泊松方程需要迭代，计算量是金字塔融合的几十倍。我在嵌入式平台上试过一次，单帧1080p图像跑了将近两秒，根本没法实时。

3.4 三种方法对比

3.5 知识结构图

下面这张图概括了三种方法的核心流程和关系，方便你对照理解。

3.6 实际项目中的选择建议

我做了这么多年HDR，总结下来就一句话：没有最好的方法，只有最合适的场景。

• 移动端实时预览：用权重映射，配合快速引导滤波。牺牲一点画质，换帧率。
• 专业相机/后期软件：用拉普拉斯金字塔融合。效果好，速度快，实现也成熟。
• 科研/电影级HDR：上梯度域合成。计算量大，但效果确实无可挑剔。