4. 局部色调映射：基于引导滤波与双边滤波的局部映射
高光压缩这个事，全局映射做完了，你会发现一个问题——亮的地方压下来了，但暗部细节也跟着变平了。说白了，全局映射是一刀切，它不管像素周围是什么情况。所以我们需要局部映射，让每个像素的映射参数根据它所在的局部区域动态调整。
我个人习惯把局部映射分成两大类：基于引导滤波的和基于双边滤波的。这两种方法我都用过，各有各的脾气。今天咱们就把它俩掰开揉碎了讲清楚。
4.1 为什么需要局部映射？
先看一个实际场景。你拍了一张逆光人像，天空过曝，人脸太暗。全局映射把天空压下来，人脸提亮——但天空的云彩纹理没了，人脸也显得灰蒙蒙的。为什么会这样？
因为全局映射只依赖像素本身的亮度值，不考虑它周围是亮区还是暗区。而人眼对局部对比度极其敏感。你想想看，同一块灰色放在白色背景和黑色背景上，我们看起来亮度完全不同。这就是所谓的“视觉同时对比”现象。
所以局部映射的核心思路是：为每个像素计算一个自适应的映射曲线，这个曲线由该像素的局部邻域特征决定。
核心公式（局部映射通用形式）：
L_out(x,y) = L_in(x,y) / L_base(x,y) * L_target
其中 L_base 是局部亮度估计，L_target 是目标亮度水平说白了，就是用局部基频亮度做归一化，再映射到目标范围。
4.2 基于引导滤波的局部映射
引导滤波是我在项目中用得最多的方法。为什么？因为它速度快，而且能很好地保持边缘。我记得第一次在移动端部署HDR算法时，双边滤波跑一帧要200ms，换成引导滤波直接降到30ms——这个差距太明显了。
4.2.1 引导滤波的原理
引导滤波假设输出图像是引导图像的局部线性变换。听起来有点绕，其实很简单：
输出像素 = a * 引导像素 + b
其中 a 和 b 是在局部窗口内通过最小化重建误差求出的系数这个线性模型的好处是：如果引导图像有边缘，输出图像也会保留边缘。因为边缘两侧的 a 和 b 系数会自适应变化。
| 特性 | 引导滤波 | 双边滤波 |
|---|---|---|
| 时间复杂度 | O(N)，与窗口大小无关 | O(N * r²)，随窗口增大而增大 |
| 边缘保持 | 优秀（线性模型保证） | 优秀（权重函数保证） |
| 梯度反转 | 几乎不发生 | 可能发生 |
| 实现难度 | 中等（需要积分图） | 简单（直接卷积） |
4.2.2 引导滤波局部映射流程
我一般按下面几步来做：
- 输入准备：将HDR图像转换到对数域，减少动态范围跨度
- 引导图选择：通常用输入图像的亮度通道作为引导图
- 基频提取：用引导滤波对亮度图做平滑，得到 L_base
- 细节层分离：L_detail = L_in - L_base（对数域减法对应除法）
- 基频压缩：对 L_base 做全局映射，压缩动态范围
- 细节重建：L_out = L_base_compressed + L_detail
我的经验：引导滤波的窗口半径 r 和正则化参数 ε 是关键。r 越大，提取的基频越平滑；ε 越大，平滑程度越高。我通常从 r=16, ε=0.01 开始调，效果不对再微调。
4.2.3 代码实现（核心部分）
import cv2
import numpy as np
def guided_filter_local_tone_mapping(hdr_img, r=16, eps=0.01):
# 转对数域
hdr_log = np.log1p(hdr_img)
# 提取亮度通道
luminance = np.mean(hdr_log, axis=2)
# 引导滤波平滑
base = cv2.ximgproc.guidedFilter(
guide=luminance.astype(np.float32),
src=luminance.astype(np.float32),
radius=r,
eps=eps
)
# 分离细节
detail = luminance - base
# 基频压缩（这里用简单的gamma）
base_compressed = np.power(base / np.max(base), 0.45)
base_compressed = base_compressed * np.max(base)
# 重建
output_log = base_compressed + detail
# 恢复RGB
ratio = np.exp(output_log) / np.exp(luminance)
output = hdr_img * ratio[:, :, np.newaxis]
return np.clip(output, 0, 1)注意：引导滤波在边缘处可能出现轻微的光晕伪影。如果 r 设置太大，光晕会很明显。我曾经在一个夜景项目里把 r 设到64，结果路灯周围全是光圈——后来改成32就好了。
4.3 基于双边滤波的局部映射
双边滤波是局部映射的另一种经典方法。它比引导滤波更直观，但速度慢一些。不过在某些场景下，双边滤波的效果反而更好。
4.3.1 双边滤波的原理
双边滤波的权重由两部分组成：空间距离和像素值差异。公式长这样：
W(i,j) = exp(-|i-j|² / σ_s²) * exp(-|I(i)-I(j)|² / σ_r²)
其中 σ_s 是空间标准差，σ_r 是值域标准差这个设计的妙处在于：只有空间上接近且亮度也接近的像素才会互相影响。所以边缘两侧的像素不会互相污染，边缘就保住了。
4.3.2 双边滤波局部映射的坑
我刚开始用双边滤波时踩过一个坑——梯度反转。具体表现是：在强边缘附近，平滑后的基频出现“凹陷”或“凸起”，导致最终结果出现伪影。
为什么会这样？因为双边滤波在边缘处只取了一侧的值，平滑结果会偏向边缘的亮侧或暗侧。如果边缘两侧的像素数量不均衡，就会出现偏差。
避坑指南：
- σ_s 不要太大，一般取图像宽度的 2%-5%
- σ_r 根据图像动态范围调整，HDR图像建议取 0.1-0.3（归一化后）
- 如果出现梯度反转，试试用迭代双边滤波，每次只做轻度平滑
4.3.3 双边滤波的加速技巧
原始双边滤波太慢了。我分享几个加速方法：
| 方法 | 原理 | 加速比 |
|---|---|---|
| 下采样+上采样 | 在低分辨率上做双边滤波，再插值回原分辨率 | 4-16倍 |
| 双边网格 | 将图像量化到3D网格，在网格上做卷积 | 10-50倍 |
| 递归双边滤波 | 用递归方式近似双边滤波 | 100倍以上 |
我个人最常用的是双边网格法。它把空间坐标和亮度值映射到一个三维网格，在网格上做高斯滤波，再插值回来。速度快，效果也接近原始双边滤波。
4.4 两种方法的对比与选择
说了这么多，到底该用哪个？我总结一下：
- 追求速度：选引导滤波。移动端、实时处理场景首选。
- 追求效果：选双边滤波。特别是细节丰富、边缘复杂的图像。
- 避免伪影：选引导滤波。梯度反转问题更少。
- 实现简单：选双边滤波。代码量少，调参直观。
我的建议：先试试引导滤波。如果效果不满意，再换成双边滤波。大多数场景下，引导滤波已经够用了。而且OpenCV从4.3版本开始内置了引导滤波，直接用就行。
4.5 本章知识结构图
下面这张图总结了局部色调映射的核心流程和两种方法的对比：
4.6 小结
局部色调映射的核心就是“因地制宜”——每个像素用不同的映射参数。引导滤波和双边滤波是两种最主流的基频提取方法，各有优劣。
我个人建议：先掌握引导滤波，它速度快、稳定、不容易出问题。等遇到效果瓶颈时，再研究双边滤波的精细调参。毕竟在实际项目中，能跑起来的算法才是好算法。