3. HDR图像采集：多曝光融合原理、相机响应函数（CRF）、高动态范围传感器技术
各位同学，欢迎来到HDR算法的核心章节。今天我们要聊的，是HDR图像从哪来的问题。说白了，一张照片的动态范围不够，是因为传感器“看”到的亮度范围有限。那怎么突破这个限制？答案就是——多曝光融合。
我个人习惯把HDR采集比作“用不同曝光时间给场景拍三张照片，然后拼成一张”。你想想看，暗部细节需要长曝光，亮部细节需要短曝光，中间调需要正常曝光。这三张照片合在一起，不就覆盖了更大的亮度范围吗？
核心思想：多曝光融合的本质，是用时间换动态范围。用多张低动态范围（LDR）图像，合成一张高动态范围（HDR）图像。
3.1 多曝光融合原理
多曝光融合听起来简单，但实际操作起来有不少坑。我在项目中遇到过最典型的问题：三张照片拍完，直接叠加，结果亮部过曝、暗部欠曝，中间还出现鬼影。为什么会这样？因为融合不是简单的“加权平均”，而是需要根据像素的“可信度”来分配权重。
具体来说，融合过程分三步：
- 对齐图像：手持拍摄时，三张照片会有微小位移。需要先做图像配准，否则会出现重影。
- 计算权重：每个像素的权重取决于它的亮度值。太暗（接近0）或太亮（接近255）的像素，信息量少，权重应该低。中间调的像素，权重高。
- 加权融合：用权重对三张图像进行加权求和，得到HDR图像。
这里有一个经典的权重函数，我经常用：
// 权重函数示例：基于高斯分布
float weight(float intensity, float mu, float sigma) {
return exp(-pow(intensity - mu, 2) / (2 * sigma * sigma));
}
// mu = 0.5（中间调），sigma = 0.2（控制权重衰减速度）
嗯，这里要注意：权重函数的选择直接影响融合质量。我建议用“钟形曲线”，让中间调的像素占主导，亮部和暗部只做补充。
3.2 相机响应函数（CRF）
接下来是CRF。这东西说白了，就是描述“传感器接收到的光强”和“最终像素值”之间关系的函数。为什么需要它？因为传感器的响应不是线性的。你想想看，光强翻倍，像素值不一定翻倍。这会导致融合时出现偏差。
我在项目中遇到过这样一个坑：直接用像素值做融合，结果HDR图像的颜色和亮度都不对。后来才发现，需要先通过CRF把像素值“逆映射”回真实光强，融合完再“正映射”回去。
CRF的数学形式通常是一个多项式或分段函数。最常用的方法是Debevec和Malik在1997年提出的算法，通过多张不同曝光的图像来求解CRF。核心思想是：
// CRF求解的简化思路
// 已知：不同曝光时间下的像素值 Z_ij
// 目标：求解响应函数 g(Z) 和辐照度 E_i
// 约束：g(Z_ij) = ln(E_i) + ln(t_j)
// 其中 t_j 是曝光时间
实际应用中，我们通常用现成的库（比如OpenCV的calibrateDebevec）来求解CRF。但我建议你理解原理，因为调参时很有用。
个人经验：求解CRF时，至少需要3张不同曝光的图像。曝光时间最好呈等比数列，比如1/30s、1/125s、1/500s。这样能保证覆盖足够的亮度范围。
3.3 高动态范围传感器技术
除了多曝光融合，还有一种更“硬核”的方式——直接用高动态范围传感器。这类传感器通过硬件设计，直接提升单次曝光的动态范围。
常见的HDR传感器技术有：
| 技术名称 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 多增益读出 | 同一像素同时用高、低增益读出 | 速度快，无鬼影 | 硬件成本高 |
| 对数响应传感器 | 像素响应呈对数曲线 | 动态范围极宽（>120dB） | 信噪比低 |
| 分像素曝光 | 相邻像素用不同曝光时间 | 成本低，易实现 | 分辨率损失 |
我个人比较看好“多增益读出”技术。虽然贵，但效果确实好。我曾经在一个安防项目中用过这种传感器，夜间监控时，既能看清路灯下的车牌，又能保留暗部的细节，动态范围轻松超过100dB。
避坑指南：我曾经以为HDR传感器可以完全替代多曝光融合。后来发现，传感器HDR只能提升单帧的动态范围，但面对极端场景（比如逆光+阴影），还是需要多曝光融合来补充。两者是互补关系，不是替代关系。
3.4 知识体系总览
为了让你更直观地理解本章的知识结构，我画了一张流程图：
这张图把本章的三个核心知识点串起来了。多曝光融合是“软件方案”，CRF是“校准工具”，HDR传感器是“硬件方案”。三者结合，才能实现真正的HDR图像采集。
好了，这一章的内容就到这里。记住，HDR采集是算法的基础，采集质量直接决定后续处理效果。下一章我们会深入HDR合成算法，到时候再聊。