4. 色调映射入门：全局与局部方法
色调映射（Tone Mapping）这个词，说白了就是把高动态范围（HDR）图像里那些“亮瞎眼”和“黑成一片”的细节，压缩到普通显示器能显示的范围内。我刚开始接触这个领域时，总觉得这步不就是调调亮度对比度嘛？后来才发现，这里面的门道深着呢。
今天咱们就聊聊两种最基础的思路：全局映射和局部映射。前者简单粗暴，后者精细但计算量大。嗯，先别急，咱们一个一个来。
4.1 全局色调映射：一视同仁的压缩
全局映射的核心思想是：对图像中所有像素使用同一个映射函数。不管这个像素是在亮部还是暗部，公式都一样。好处是速度快，坏处是容易丢失局部对比度。
4.1.1 Gamma 校正：最朴素的“提亮”
Gamma 校正其实不是专门为 HDR 设计的，但它确实是最常用的全局映射手段之一。公式很简单：
V_out = V_in ^ (1 / γ)其中 γ 是 Gamma 值。当 γ > 1 时，图像整体变亮；γ < 1 时变暗。我习惯把 γ 设在 2.2 左右，这是显示器的标准 Gamma 值。
关键点： Gamma 校正是非线性操作。它把暗部拉伸得更开，亮部压缩得更紧。这正好符合人眼对暗部更敏感的特性。
举个例子，假设一个像素的原始亮度是 0.2（归一化后），γ=2.2：
V_out = 0.2 ^ (1/2.2) ≈ 0.2 ^ 0.4545 ≈ 0.48你看，0.2 被映射到了 0.48，暗部被明显提亮了。但如果是 0.8 的亮部：
V_out = 0.8 ^ 0.4545 ≈ 0.90亮部变化不大。这就是 Gamma 校正的“偏心”——它更照顾暗部。
我的经验： 在项目中做预处理时，我经常先用 Gamma 校正把图像整体拉到一个“视觉舒适区”，然后再做后续的细节增强。但注意，Gamma 校正对过曝区域基本无效——已经饱和的像素，再怎么提亮也拉不回细节。
4.1.2 对数映射：更自然的压缩曲线
对数映射比 Gamma 更“科学”一点。它模拟了人眼视网膜对光强的对数响应。公式是：
V_out = log(1 + V_in) / log(1 + V_max)其中 V_max 是图像中的最大亮度值。这个公式把整个动态范围压缩到 [0, 1] 区间。
我比较过 Gamma 和对数映射的效果。对数映射在暗部细节保留上更均匀，不会像 Gamma 那样把暗部“提得太假”。但它的缺点是：如果场景中有一个特别亮的点（比如太阳），整个图像会被压得很暗。
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| Gamma 校正 | 简单、快速、硬件友好 | 暗部拉伸过度可能产生噪声 | 实时预览、移动端 |
| 对数映射 | 暗部细节保留更均匀 | 受全局最大亮度影响大 | 静态图像、后期处理 |
注意： 全局映射最大的问题是“一刀切”。如果图像中既有极亮区域又有极暗区域，全局映射往往顾此失彼。我曾经在一个背光人像项目中用过对数映射，结果人脸倒是亮了，背景的天空却变成了灰蒙蒙一片——细节全丢了。
4.2 局部色调映射：因地制宜的智慧
既然全局映射有局限，那咱们就换个思路：对每个像素，根据它周围的局部区域来决定映射参数。这就是局部色调映射的核心。
4.2.1 Retinex 理论：人眼是怎么看世界的？
Retinex 理论是 Edwin Land（宝丽来创始人）提出的。他认为人眼感知到的颜色和亮度，不是由物体表面的反射率决定的，而是由反射率与周围环境的相对关系决定的。
公式上，Retinex 把图像分解为两部分：
S(x, y) = R(x, y) · L(x, y)- S(x, y)：传感器接收到的信号（也就是我们看到的图像）
- R(x, y)：物体的反射率（本质属性，不受光照影响）
- L(x, y)：光照分量（环境光照，变化缓慢）
我们的目标是从 S 中恢复出 R。因为 R 才是物体的“真实颜色”，不受光照干扰。怎么做？取对数，把乘法变成加法：
log(S) = log(R) + log(L)然后想办法估计出 log(L)，再用 log(S) 减去它，就得到了 log(R)。最后指数还原，就得到了反射率图像。
核心思想： 光照分量 L 是低频的、平滑的；反射率 R 是高频的、包含细节的。所以估计 L 的过程，本质上就是一个低通滤波。
4.2.2 基于 Retinex 的局部色调映射
在实际应用中，我们通常用高斯滤波来估计光照分量 L。但这里有个坑：高斯滤波是线性的，而光照边缘往往是非线性的。直接用高斯滤波会在强边缘处产生“光晕伪影”（halo artifacts）。
我曾经在一个夜景增强项目中踩过这个坑。路灯和黑暗背景的交界处，出现了一圈圈的光晕，看起来特别假。后来我换用了双边滤波（bilateral filter）来估计 L，才解决了这个问题。
基本的 Retinex 色调映射流程：
- 对数变换：将图像转换到对数域
- 估计光照：用高斯滤波或双边滤波得到 log(L)
- 分离反射：log(R) = log(S) - log(L)
- 压缩光照：对 log(L) 做 Gamma 或对数压缩
- 合成输出：将压缩后的光照与反射率重新组合
// 伪代码示例
function retinex_tone_mapping(img, sigma, gamma):
log_img = log(img + 1e-6) // 避免 log(0)
log_L = gaussian_blur(log_img, sigma) // 估计光照
log_R = log_img - log_L // 分离反射
// 压缩光照
compressed_L = gamma_correction(exp(log_L), gamma)
// 合成
output = exp(log_R) * compressed_L
return output我的建议： sigma 参数控制光照估计的平滑程度。sigma 太小，反射率中会残留光照信息，导致图像看起来“脏脏的”；sigma 太大，又会丢失局部对比度。我一般从 sigma=30 开始调，根据图像尺寸和内容微调。
4.3 全局 vs 局部：怎么选？
你可能会问：那我到底该用全局还是局部？我的回答是：看场景。
- 全局映射：适合动态范围不太极端、光照均匀的场景。比如室内拍摄、阴天户外。速度快，适合实时处理。
- 局部映射：适合大光比场景，比如逆光、夜景、HDR 合成。效果好，但计算量大，而且参数调不好容易出伪影。
我个人在项目中常用的策略是：先用全局映射做快速预览，确定大致的亮度范围，再用局部映射做精细调整。这样既保证了效率，又兼顾了质量。
避坑指南： 我曾经在一个安防监控项目中，直接用了全局对数映射来处理夜间监控画面。结果画面整体偏暗，暗部细节虽然保留了，但亮部（比如车灯）被压成了灰白色，完全失去了真实感。后来改用 Retinex 局部映射，才把车灯的亮度和周围暗部的细节都保留下来。记住：没有万能的方法，只有合适的场景。
4.4 本章知识结构图
下面这张图总结了全局与局部色调映射的核心脉络，方便你对照理解：