4、HDR融合算法：加权平均融合、Debevec算法、Robertson算法、基于深度学习的融合

好，咱们进入正题。HDR融合，说白了就是把几张不同曝光的照片，合成一张高动态范围的图像。你拍过夜景吧？亮的地方过曝，暗的地方死黑，单张照片根本救不回来。这时候，融合算法就派上用场了。

我个人习惯把融合算法分成两派：传统派和学习派。传统派里，加权平均、Debevec、Robertson是三个绕不开的经典。学习派嘛，就是这几年火起来的深度学习方案。咱们一个一个聊。

4.1 加权平均融合：最朴素的思路

加权平均，名字听着唬人，其实逻辑很简单。你拍了一组包围曝光，比如-2EV、0EV、+2EV三张。每张照片里，有些区域曝光好，有些区域过曝或欠曝。那我们就给每个像素算个权重，曝光好的区域权重大，不好的权重小，最后加权平均一下。

权重怎么算？最常见的做法是用对比度、饱和度和曝光度三个指标。对比度高的区域，细节丰富；饱和度高的区域，色彩鲜艳；曝光度适中的区域，信息完整。三个指标乘起来，就是最终权重。

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

我在项目中遇到过一个问题：直接加权平均，容易在边缘产生光晕。因为权重图本身不够平滑，边缘处权重突变，融合结果就会出现伪影。解决办法是——对权重图做高斯模糊，或者用拉普拉斯金字塔做多尺度融合。嗯，这个后面讲金字塔融合时会细说。

4.2 Debevec算法：基于辐射度标定

Debevec算法，1997年提出的，算是HDR融合的祖师爷。它的核心思想是：恢复场景的辐射度。

你想想看，相机拍到的像素值，和场景实际的辐射度之间，不是线性关系。相机有自己的响应曲线，把辐射度映射到像素值。Debevec算法就是先标定出这条曲线，然后反推辐射度，最后合成HDR。

具体步骤是这样的：

1. 输入：多张不同曝光的LDR图像。
2. 标定：从图像中采样像素点，构建超定方程组，求解相机响应曲线。
3. 重建：用标定出的曲线，把像素值映射回辐射度。
4. 融合：对多张图像的辐射度做加权平均，得到HDR图像。

Debevec算法的优点是很稳定，标定出的曲线精度高。缺点嘛，计算量稍大，而且需要至少3张不同曝光的图像。我曾经用Debevec算法处理过一组室内场景，效果确实好，暗部细节和亮部细节都保留得很完整。

4.3 Robertson算法：迭代优化

Robertson算法，2003年提出的，和Debevec思路类似，但用了不同的数学工具。它把相机响应曲线和HDR图像都当作未知数，通过迭代优化同时求解。

Robertson算法的核心是最大似然估计。它假设噪声服从高斯分布，然后迭代地更新响应曲线和HDR图像，直到收敛。

我对比过Debevec和Robertson的效果：

Robertson算法对噪声更鲁棒，但迭代过程比较耗时。我建议，如果图像质量好、噪声低，用Debevec就够了；如果图像暗部噪声明显，Robertson是更好的选择。

4.4 基于深度学习的融合

深度学习这几年在HDR融合上表现很猛。传统算法需要手动设计权重、标定曲线，而深度学习可以端到端地学习融合规则。

常见的深度学习HDR融合框架是这样的：

• 输入：多张不同曝光的LDR图像。
• 特征提取：用卷积神经网络提取每张图像的特征。
• 融合：用注意力机制或门控机制，动态融合多张图像的特征。
• 重建：用解码器重建HDR图像。

我试过几个开源的深度学习HDR模型，比如HDRNet、DeepHDR。效果确实惊艳，尤其是处理大动态范围和运动鬼影时，比传统算法强不少。

输入: LDR_1, LDR_2, LDR_3 (不同曝光)
↓
特征提取: CNN → 特征图 F1, F2, F3
↓
融合: 注意力模块 → 融合特征 F_fused
↓
重建: 解码器 → HDR图像
↓
输出: HDR图像 (线性辐射度)

不过，深度学习也有短板。它需要大量训练数据，而且泛化能力有限。换个相机、换个场景，效果可能就崩了。我建议，传统算法做保底，深度学习做优化，两者结合才是王道。

4.5 算法对比与选型建议

说了这么多，到底该用哪个？我整理了一张对比表：

我个人习惯：项目初期用加权平均快速验证，中期用Debevec或Robertson做精细融合，后期用深度学习模型做调优。这样既保证了效率，又兼顾了质量。

4.6 核心流程框架图

下面这张SVG图，展示了四种融合算法的核心流程和关系。你可以看到，传统算法和深度学习算法在输入、处理、输出上的异同。

嗯，这张图把四种算法的关系理清楚了。你可以看到，无论选哪种算法，最终输出的都是线性辐射度的HDR图像，然后交给Tone Mapping做显示映射。这个咱们下一章再聊。