第四章：全局色调映射（Global Tone Mapping）
全局色调映射，说白了就是把高动态范围的图像，压缩到普通显示器能显示的范围里。你想想看，现实世界的亮度范围动辄十几档光圈，而我们的屏幕只有可怜的6-8档。怎么把大象塞进冰箱？这就是色调映射要解决的问题。
我个人习惯把全局映射比作「一刀切」的策略。整张图像用同一个映射函数，每个像素都走同样的变换曲线。好处是简单、高效、适合硬件流水线；坏处嘛，局部细节可能会丢失。我在项目中遇到过不少次，全局映射做得好，画面通透自然；做得不好，暗部一片死黑，亮部一片惨白。
4.1 对数映射（Logarithmic Mapping）
对数映射是最经典的方法。它模仿人眼对亮度的感知——人眼对暗部变化敏感，对亮部变化迟钝。对数函数正好符合这个特性。
公式很简单：
L_out = log(1 + L_in) / log(1 + L_max)其中 L_in 是输入亮度，L_max 是场景最大亮度。输出范围被压缩到 [0, 1]。
嗯，这里要注意：对数映射对暗部细节保留得不错，但亮部压缩太狠。我曾经在一个夜景项目里用对数映射，结果路灯周围的光晕全被压没了，画面看起来像阴天。后来我加了一个可调参数 k：
L_out = log(1 + k * L_in) / log(1 + k * L_max)调大 k 值，亮部细节会好一些。但别调太大，否则暗部又不行了。这是个 trade-off。
核心要点：对数映射适合暗部细节丰富的场景，比如星空、夜景。亮部细节要求高的场景慎用。
4.2 指数映射（Exponential Mapping）
指数映射正好反过来。它用指数函数做压缩，对亮部更友好。
L_out = 1 - exp(-L_in / L_max)你想想看，指数函数在输入值较小时增长缓慢，输入值较大时迅速饱和。所以暗部会被压得更暗，亮部反而保留得更好。
我记得有一次做室内场景的 HDR 处理，窗外阳光强烈，室内光线昏暗。用对数映射，窗外一片白；换成指数映射，窗外的云朵纹理出来了，但室内暗部几乎看不见。没办法，全局映射就是这样，顾此失彼。
我的经验：指数映射适合高对比度场景，比如逆光人像、窗口风景。但暗部细节会丢失，需要配合局部映射或后期提亮。
4.3 Sigmoid 映射（Sigmoid Mapping）
Sigmoid 映射是我个人比较喜欢的一种。它结合了对数和指数的优点，中间段线性，两端平滑压缩。
公式长这样：
L_out = 1 / (1 + exp(-a * (L_in - b)))参数 a 控制曲线斜率，b 控制中心点位置。调参就像调 EQ，a 越大对比度越高，b 往左移画面变亮，往右移变暗。
我曾经在一个医疗影像项目里用过 Sigmoid 映射。医学图像要求不能丢失任何细节，对数映射太软，指数映射太硬。Sigmoid 映射的 S 形曲线正好在中间段保留了线性响应，两端又做了平滑压缩。嗯，效果还不错。
避坑指南：我曾经把 a 值设得太大，结果画面出现明显的「断层」——亮度过渡不自然，像 posterization 效果。Sigmoid 的 a 值建议控制在 2-8 之间，具体看场景。
4.4 自适应全局映射（Adaptive Global Mapping）
自适应全局映射，说白了就是让映射函数根据图像内容自动调整参数。不需要手动调参，芯片自己算。
常见的做法是统计图像的亮度直方图，然后根据直方图分布决定映射曲线。比如：
1. 计算亮度直方图
2. 找到中位数亮度 L_median
3. 根据 L_median 调整映射曲线的中心点
4. 根据直方图宽度调整曲线斜率我在一个手机 ISP 芯片里实现过自适应映射。流程是这样的：
// 伪代码示例
float compute_adaptive_curve(float L_in, float L_max, float L_median) {
float a = 4.0; // 基础斜率
float b = L_median / L_max; // 中心点自适应
// 如果直方图偏暗，降低斜率保护暗部
if (L_median < 0.3 * L_max) {
a = 2.5;
}
// 如果直方图偏亮，提高斜率增强对比度
else if (L_median > 0.7 * L_max) {
a = 6.0;
}
return 1.0 / (1.0 + exp(-a * (L_in / L_max - b)));
}你想想看，这个逻辑其实很直观：画面暗的时候，曲线缓一点，别把暗部压死；画面亮的时候，曲线陡一点，把亮部细节拉出来。
核心要点：自适应映射是全局映射里最实用的方案。它不需要人工干预，适合消费电子产品的实时处理。但算法复杂度比固定映射高，需要硬件加速。
4.5 四种映射对比
我把四种映射的特点整理成了一张表，方便你对比：
| 映射类型 | 暗部细节 | 亮部细节 | 计算复杂度 | 适用场景 |
|---|---|---|---|---|
| 对数映射 | 优秀 | 较差 | 低 | 夜景、星空 |
| 指数映射 | 较差 | 优秀 | 低 | 逆光、窗口 |
| Sigmoid 映射 | 良好 | 良好 | 中 | 通用场景 |
| 自适应映射 | 自适应 | 自适应 | 高 | 消费电子 |
我个人建议：如果是做芯片 IP，优先考虑自适应映射。虽然硬件资源多花一点，但效果稳定，不用调参。如果是做算法验证，可以先从 Sigmoid 映射入手，调参方便，效果也够用。
下面这张图展示了四种映射的曲线对比，你可以直观感受一下它们的差异：
从图中可以看出：对数曲线在暗部（左侧）斜率大，亮部（右侧）斜率小；指数曲线正好相反；Sigmoid 曲线在中间段接近线性，两端平滑；自适应曲线则根据图像内容动态调整。
我的建议：在实际芯片设计中，不要只依赖一种映射。可以设计一个映射选择器，根据场景检测结果自动切换。比如检测到夜景用对数，检测到逆光用指数，普通场景用 Sigmoid。这样既保证了效果，又控制了硬件开销。
好了，全局色调映射就讲到这里。四种方法各有千秋，没有绝对的好坏。关键是根据你的应用场景和硬件资源，选择最合适的方案。下一章我们会聊局部色调映射，那才是真正考验算法功底的地方。
公众号:蓝海资料掘金营，微信deep3321