4、动态范围：单次曝光与高动态范围(HDR)需求

动态范围这东西，说白了就是传感器能同时看清亮部和暗部的能力。我经常跟团队里新人讲：你拿手机拍夕阳，天空没细节、地面死黑一片，这就是动态范围不够。

那到底什么是动态范围？用公式说话：

DR = 20 * log10(满阱容量 / 读出噪声)

单位是 dB。满阱容量越大、读出噪声越小，动态范围就越宽。嗯，这里要注意，这个公式是理想情况，实际还要考虑暗电流、PRNU 这些因素。

4.1 单次曝光的局限

单帧图像能记录的亮度范围，受限于传感器的物理特性。我做过一个项目，用 12-bit ADC 的传感器去拍室内外过渡场景，结果亮区饱和、暗区被噪声淹没，后期怎么拉都救不回来。

为什么会这样？因为单次曝光只能选择一个曝光时间。你选短曝光，暗部信噪比不够；选长曝光，亮部直接饱和。这就是所谓的「曝光困境」。

我记得有一次调试安防摄像头，客户要求同时看清窗外的车牌和室内的暗角。单帧图像试了十几种曝光组合，没一个能同时满足。最后只能上 HDR 方案。

4.2 HDR 的核心思路

HDR 的思路其实很简单：既然一次拍不全，那就多拍几次，然后把信息拼起来。你想想看，人眼也是通过瞳孔调节和视网膜适应来实现「实时 HDR」的。

传感器端的 HDR 实现方式，我归纳为三大类：

HDR 方案	原理	典型场景	我踩过的坑
多帧曝光融合	不同曝光时间拍多帧，合成一帧	手机拍照、安防监控	运动物体鬼影严重
空间变化曝光	像素阵列分区域不同曝光	车载摄像头、工业检测	拼接处亮度跳变
对数响应传感器	像素响应曲线对数化	高动态工业视觉	低光下信噪比差

我个人习惯把多帧融合作为首选方案，因为它不改变传感器硬件，纯算法就能实现。但代价也很明显——需要处理运动对齐和鬼影抑制。

4.3 多帧 HDR 的典型流程

多帧 HDR 的 pipeline，我画了一张流程图，你看一眼就明白了：

流程看着简单，但每个环节都有坑。我曾经在一个项目中，运动对齐用了光流法，结果处理 1080p 图像一帧要 200ms，根本跑不动。后来换成基于块匹配的快速对齐，才压到 30ms 以内。

4.4 权重计算策略

权重怎么给？这是 HDR 融合的核心。我常用的策略是：

• 短曝光帧：亮区权重高，暗区权重低（因为暗区信噪比差）
• 长曝光帧：暗区权重高，亮区权重低（因为亮区可能饱和）
• 中曝光帧：中间亮度区域权重最高，作为过渡桥梁

具体到代码实现，权重计算大概长这样：

// 伪代码：基于亮度的权重计算
float weight_short(float pixel) {
    // 短曝光帧：亮区权重高
    return exp(-pow(pixel - 0.9, 2) / (2 * 0.1 * 0.1));
}

float weight_long(float pixel) {
    // 长曝光帧：暗区权重高
    return exp(-pow(pixel - 0.1, 2) / (2 * 0.1 * 0.1));
}

float weight_medium(float pixel) {
    // 中曝光帧：中间区域权重高
    return exp(-pow(pixel - 0.5, 2) / (2 * 0.15 * 0.15));
}

嗯，这里要注意，权重计算完后一定要归一化，否则融合后的亮度会整体偏移。我见过有人忘了这步，结果图像忽明忽暗，排查了半天才发现是权重和不为 1。

4.5 鬼影问题与解决方案

多帧 HDR 最大的敌人是什么？鬼影。运动物体在不同帧里的位置不一样，直接融合就会出现重影。

我曾经处理过一个监控场景，有人从画面中走过，HDR 融合后那个人变成了半透明的「幽灵」。客户看了直接说不行。

解决鬼影，我总结了几种方法：

方法	原理	优点	缺点
运动掩膜法	检测运动区域，只融合静止区域	实现简单	运动区域丢失 HDR 效果
局部权重调整	运动区域降低长/短帧权重	过渡自然	参数调优麻烦
光流补偿	估计运动矢量，对齐后再融合	效果最好	计算量大
深度学习去鬼影	用 CNN 网络直接预测干净 HDR	效果上限高	需要大量训练数据

4.6 动态范围的实际指标

最后聊一下指标。很多传感器标称动态范围 120dB，但实际能用的可能只有 80dB。为什么？因为标称值通常是在理想条件下测的，实际要考虑：

• 暗电流噪声：长曝光时暗电流会吃掉动态范围
• 温度影响：温度每升高 10°C，暗电流翻倍，动态范围下降约 6dB
• ADC 量化噪声：12-bit ADC 理论最大 72dB，实际往往只有 60-65dB

我个人习惯在项目初期就做一次「实际动态范围摸底测试」——用灰阶卡在不同曝光时间下拍摄，然后看实际能分辨的灰阶级数。这个数据比规格书上的数字靠谱得多。