📚 课程目录第3章响应曲线标定

3. 响应曲线标定：利用灰阶卡进行传感器响应曲线拟合

好了，咱们进入正题。上一章聊了HDR合成为什么需要亮度一致性，这一章我们来解决一个最基础的问题——怎么知道传感器的响应到底长什么样？

说白了，相机传感器并不是一个完美的线性设备。你给它两倍的光，它输出的像素值不一定是两倍。这个映射关系，就是所谓的「响应曲线」。我刚开始做HDR的时候，天真地以为直接拿像素值做加权平均就行，结果合成出来的图像亮部一片死白，暗部细节全丢。后来才明白——不标定响应曲线，HDR合成就是盲人摸象。

3.1 为什么需要灰阶卡？

你可能要问：为什么非得用灰阶卡？用自然场景不行吗？

嗯，我试过。自然场景的问题在于——你永远不知道场景里每个点的真实亮度是多少。没有ground truth，你怎么拟合曲线？

灰阶卡的好处就是：它上面每个色块的反射率是已知的。 比如经典的X-Rite ColorChecker，上面有从白到黑一系列中性灰块，每个块的反射率都有标定值。你只需要在均匀光照下拍一张，就能拿到一系列「已知输入亮度 → 传感器输出值」的样本点。

我的经验： 别用那种几十块钱的劣质灰阶卡。色块反射率不准，标定出来的曲线全是错的。我吃过这个亏，后来老老实实买了X-Rite的24色卡，虽然贵，但数据靠谱。

3.2 标定流程概览

整个标定流程其实不复杂，但每一步都有坑。先看整体流程：

3.3 拍摄注意事项

这一步看着简单，但翻车率极高。我列几个关键点：

光照必须均匀。 用两盏柔光灯从45度方向打光，别用单灯。单灯会造成灰阶卡上出现渐变，不同色块的实际照度不一样。
相机设为手动模式。 固定ISO、光圈、快门。千万别开自动曝光，否则你标定出来的曲线是「曝光补偿后的曲线」，不是传感器本身的响应。
RAW格式拍摄。 JPEG经过了gamma校正和色调映射，已经破坏了原始的线性关系。必须用RAW，然后从RAW里提取未处理的像素值。
灰阶卡要占画面60%以上。 别拍得太小，否则每个色块只有几十个像素，均值不稳定。

我曾经踩过的坑： 有一次在办公室日光灯下拍灰阶卡，结果日光灯有100Hz频闪，不同快门速度下拍出来的亮度不一致。后来我换了直流供电的LED灯，问题才解决。所以——注意光源的频闪特性。

3.4 数据提取与预处理

拿到RAW图像后，我们需要提取每个色块的平均像素值。这里我一般用Python + rawpy库来处理：

import rawpy
import numpy as np
import cv2

# 读取RAW文件
raw = rawpy.imread('gray_card.dng')
rgb = raw.postprocess(no_auto_bright=True, output_bps=16)

# 转换为灰度（取绿色通道，或加权平均）
gray = rgb[:,:,1]  # 绿色通道通常信噪比最高

# 定义色块ROI（需要手动标定或模板匹配）
# 假设我们有24个色块，每个色块中心区域为50x50像素
roi_size = 50
patch_centers = [...]  # 手动标注或自动检测

pixel_values = []
for cx, cy in patch_centers:
    patch = gray[cy-roi_size//2:cy+roi_size//2,
                 cx-roi_size//2:cx+roi_size//2]
    mean_val = np.mean(patch)
    pixel_values.append(mean_val)

# 对应的反射率（来自灰阶卡标定文件）
reflectance = [0.05, 0.10, 0.18, 0.25, 0.35, 0.50,
               0.65, 0.75, 0.85, 0.90, 0.95, 0.99]  # 示例数据

这里有个细节：反射率需要转换成相对亮度。 因为传感器响应的是进入镜头的光能量，而反射率只是表面特性。在均匀光照下，相对亮度 = 反射率 × 照度常数。我们只需要相对值，所以直接用反射率作为横坐标就行，反正拟合出来的曲线可以归一化。

3.5 曲线拟合方法

拿到数据点后，我们需要拟合一个函数 f(x)，把相对亮度映射到像素值。常用的方法有几种：

方法	优点	缺点	我的推荐
多项式拟合（5-7阶）	实现简单，计算快	高阶容易过拟合，边缘震荡	快速原型可用
分段线性插值	无过拟合风险	导数不连续，合成时可能引入伪影	不推荐
样条插值（B-spline）	平滑且连续，导数可控	需要调参（节点位置、平滑系数）	首选方案
Debevec & Malik方法	利用多曝光图像联合标定	需要多张不同曝光的图像	进阶方案

我个人习惯用B-spline拟合。它既能保证曲线平滑，又不会像多项式那样在两端乱飘。下面是一个简单的实现：

from scipy.interpolate import UnivariateSpline

# 输入：相对亮度（归一化到0-1）和像素值（归一化到0-1）
x = np.array(reflectance)  # 相对亮度
y = np.array(pixel_values) / 65535.0  # 归一化到0-1

# B-spline拟合，s是平滑参数
spline = UnivariateSpline(x, y, s=0.001, k=3)

# 生成密集采样点用于后续查表
x_dense = np.linspace(0, 1, 1024)
y_dense = spline(x_dense)

# 保存为LUT
np.savetxt('response_curve_lut.txt', np.column_stack((x_dense, y_dense)))

  关键参数说明：
  s（平滑系数）：值越小越贴近数据点，但可能过拟合。我一般从0.001开始调，观察曲线是否出现不必要的波动。
k（样条阶数）：3阶（三次样条）最常用。k=1是线性，k=2是二次，k=3是三次。阶数越高越平滑，但计算量也大。

3.6 验证标定结果

拟合完了，怎么知道曲线对不对？我一般做三件事：

可视化检查： 把数据点和拟合曲线画在同一张图上。看曲线是否平滑穿过所有点，两端有没有奇怪的翘起或下坠。
残差分析： 计算每个数据点的拟合残差（预测值 - 实际值）。如果某个色块的残差特别大，可能是那个色块被污染了（比如手指印、反光），需要重新提取数据。
逆变换验证： 用拟合出的曲线做逆映射——把像素值映射回相对亮度，看是否能还原出灰阶卡上已知的反射率。如果偏差超过2%，说明拟合质量不够好。

一个小技巧： 如果你发现曲线在暗部（低亮度区域）拟合不好，可以尝试对数据做log变换后再拟合。因为传感器在暗部的响应往往是非线性的，log域拟合能更好地捕捉这个特性。

3.7 多通道标定

以上我们只讨论了灰度响应曲线。但实际HDR合成中，R、G、B三个通道的响应曲线可能不一样。尤其是老款CMOS传感器，不同颜色通道的量子效率不同，导致响应曲线有差异。

我的做法是：对每个通道单独标定。 从RAW中提取R、G、B三个通道的数据，分别做拟合。这样我们就得到三条曲线：f_R(x)、f_G(x)、f_B(x)。

在后续的HDR合成中，每个通道用各自的曲线做逆映射，才能保证颜色还原准确。否则你可能会发现合成出来的图像偏色——比如暗部偏绿、亮部偏紫，这都是通道响应不一致导致的。

注意： 不同ISO设置下，传感器的响应曲线也会变化。如果你要在多个ISO下拍摄HDR，建议对每个ISO分别标定。别偷懒，否则合成时会出现亮度跳变。

3.8 标定结果的工程化存储

标定完成后，我们需要把曲线存储为工程可用的格式。我一般用两种方式：

LUT（查找表）： 将0-1的亮度范围均匀采样为1024或4096个点，存储对应的像素值。优点是查表速度快，适合实时处理。
多项式系数： 如果曲线比较平滑，可以用5-7阶多项式的系数来近似。优点是存储量小（只需要几个float），但精度略低于LUT。

我个人更倾向于LUT。虽然占点存储空间，但现在的手机和相机都不差那几KB。而且LUT可以保证精度，不会因为多项式近似而引入误差。

好了，响应曲线标定就聊到这里。你可能会觉得——不就是拟合一条曲线吗，有什么难的？但实际做起来，每一步都有坑。光照不均匀、色块提取不准、拟合参数没调好，都会让最终结果偏离真实。我的建议是：多拍几组数据，交叉验证。 如果不同组数据拟合出来的曲线高度一致，那基本就稳了。