局部色调映射（Local Tone Mapping）

1. 引言

高动态范围（High Dynamic Range, HDR）成像技术的发展，使我们能够捕获远超传统显示设备亮度范围的场景信息。 然而，无论是显示器、手机屏幕还是纸质打印，其可显示的亮度范围都远小于真实世界与 HDR 图像的动态范围， 由此形成了所谓的“动态范围鸿沟”：我们记录到的信息远多于显示设备能够直接呈现的信息。

色调映射（Tone Mapping）正是为了解决这一问题而提出：在不改变显示设备物理能力的前提下，通过对图像亮度和对比度进行 非线性压缩，将 HDR 图像映射到低动态范围（Low Dynamic Range, LDR）空间， 同时尽可能保留重要的视觉细节和主观感受。与只根据全局统计量（如全局对数曲线、γ 曲线）的 “全局色调映射”不同，局部色调映射（Local Tone Mapping）会根据像素周围的局部上下文自适应地调整映射行为， 从而更好地保留局部对比度与纹理细节。

1.1 HDR 成像与显示设备动态范围鸿沟

真实世界中的亮度范围可以跨越数个数量级：从夜空的暗弱星光到晴朗正午的阳光， 亮度比可能达到 10⁵–10⁶ 以上。现代 HDR 相机和多曝光合成技术能够记录较宽的亮度范围， 以浮点或高位深格式进行存储。然而，主流显示设备的对比度和峰值亮度依然有限， 即使是 HDR 显示器，也难以完全还原真实场景的全部动态范围。

如果直接在 LDR 显示设备上线性显示 HDR 内容，要么高亮区域完全过曝、细节丢失， 要么暗部区域一片漆黑、人眼难以分辨。如何在有限动态范围内合理分配“亮度资源”， 使画面既有层次又可读，成为 HDR 显示的核心问题之一。

1.2 为什么需要色调映射与“局部”色调映射

传统的全局色调映射使用统一的非线性曲线（如对数、S 形曲线）对整幅图像进行压缩，它们可以相对简单地控制整体对比度和亮度， 但往往难以同时兼顾亮部和暗部的细节：

• 当压缩范围较大时，整体对比度被削弱，画面显得“灰”；
• 当强调某一亮度区域时，其他区域可能出现细节丢失。

局部色调映射通过引入局部邻域信息，为不同空间位置设计不同的映射行为。 例如，在强背光场景中，局部色调映射可以在不过度压缩天空亮度的同时， 提高人物阴影区域的局部对比度，使面部细节更清晰。这种“空间自适应”的能力， 是局部方法相对于全局方法的主要优势。

2. 色调映射基础

2.1 人眼视觉系统与对数响应特性

人眼视觉系统对亮度的主观感知并不是线性的。大量心理物理实验表明， 当物理亮度增加一个固定倍数时，人眼感受到的亮度变化大致相同， 这更接近对数响应特性。得益于此，人眼可以在非常宽的物理亮度范围内识别细节， 而感知上仍处于“可接受”的范围内。

在图像处理实践中，人眼感知特性通常通过以下方式加以近似：

• 对浮点亮度取对数或类似的对数变换；
• 在感知均匀的色彩空间（如 Lab、Luv）中处理亮度分量；
• 引入亮度适应模型（local adaptation），模拟人眼对不同局部亮度环境的自适应行为。

色调映射的一个基本目标，是在有限动态范围内重建接近人眼感知的亮度分布 ——不仅仅是压缩物理亮度本身，而是要让压缩后的图像在视觉上仍然自然、易读。

2.2 全局色调映射 vs 局部色调映射

全局色调映射（Global Tone Mapping）可以理解为对所有像素使用同一条曲线： 输出亮度 L_out(x) 只依赖于输入亮度 L_in(x) 及 少量全局统计量（如全局平均亮度、最大亮度）。 这类方法实现简单、代价低，适合实时渲染和硬件实现。

局部色调映射（Local Tone Mapping）则引入空间依赖：某个像素的输出不仅取决于自身亮度， 还取决于其邻域的亮度分布、局部对比度、多尺度结构等。 简单来说，同样是亮度为 0.5 的像素，在暗背景区域和亮背景区域，可能会被映射成不同的输出亮度， 以更好地匹配人眼对局部场景的适应性。

许多局部方法都采用“基底 + 细节”的形式：首先用平滑滤波提取缓慢变化的亮度“基底”， 再从原图中减去基底得到细节分量；之后对基底进行强压缩， 对细节分量进行轻微压缩甚至适度增强；最后重组得到结果。 这种思路为后续大量算法提供了统一的框架。

2.3 典型数学形式与输入 / 输出空间

在工程实践中，一个完整的色调映射流程通常包括以下几个步骤：

• 线性化（Linearization）：去除伽马编码或相机响应曲线，将像素值转换到线性光强空间。
• 亮度提取（Luminance Extraction）： 从 RGB 或其他颜色空间中提取亮度或亮度近似，例如 L = 0.2126 R + 0.7152 G + 0.0722 B。
• 亮度域色调映射：在亮度通道上应用全局或局部色调映射算子，完成动态范围压缩。
• 重投影与色彩恢复：依据新的亮度值对 RGB 分量进行缩放或调整， 尽量保持原有色调与色相。
• 伽马编码与显示匹配：应用适合显示设备的伽马曲线和色域映射， 输出符合标准的视频 / 图像格式。

在后续各类局部色调映射算法中，虽然数学细节和实现方式各不相同， 但大多都可以嵌入到上述总体流水线中：先在线性亮度域完成核心运算， 再与色彩空间和显示设备特性结合，生成最终可视输出。

3. 局部色调映射的基本思想

3.1 保持局部对比度与细节的需求

人眼在观察一幅图像时，对局部对比度和边缘细节尤其敏感——哪怕整体对比度不高，只要局部结构清晰， 画面就会被认为“有细节、有质感”。从工程角度看，局部色调映射的目标可以概括为： 在压缩大尺度亮度变化的同时，尽量保留甚至略微增强局部对比度和高频细节。

这往往意味着在不同“空间频率”上采取不同策略：

• 对低频（大范围亮度变化，例如天空 vs 地面）做强压缩，避免过曝或死黑；
• 对中高频（纹理、边缘）做弱压缩或适度增强，让纹理保持可见、边缘保持锐利；
• 对噪声等非结构高频成分进行抑制，防止“放大噪点”。

3.2 基于 “基底 + 细节（Base/Detail）” 的分解框架

大多数局部色调映射算法都可以抽象为 “基底 + 细节” 分解框架：

• 对原始亮度图进行边缘保持的平滑／滤波，得到缓慢变化的 基底（Base）；
• 将原图减去基底（或在对数域下相减），得到包含局部结构的 细节（Detail）；
• 对基底施加较强的动态范围压缩，对细节施加轻微压缩或增强；
• 将处理后的基底和细节重新合成，生成输出亮度。

工程实现中，选择何种滤波器来获得 Base（高斯滤波、双边滤波、导向滤波、Laplacian 金字塔等）， 决定了算法的视觉风格、Halo 风险和计算开销。

3.3 Halo 伪影与结构失真问题

局部色调映射最常见的视觉问题是 Halo 伪影：在强对比边缘周围出现亮暗晕圈。 其根本原因大多可以追溯到 “基底滤波跨越了不该跨越的边缘”： 当基底在物体两侧过度平滑后，再与细节重组时就容易在边界附近产生反常的亮度过渡。

工程上常用的抑制策略包括：

• 使用更强的边缘保持滤波（导向滤波、双边网格等），减少跨边界平滑；
• 采用多尺度分解，并对每个尺度的压缩强度加以限制，避免单个尺度产生过强反转；
• 在梯度域或 Laplacian 域直接约束梯度幅值，防止梯度方向和大小出现明显反常。

3.4 计算复杂度与实时性权衡

局部运算意味着更高的计算成本：大量邻域操作、迭代求解、多尺度分解都会明显增加算力需求。 在 4K 视频甚至实时游戏渲染场景中，色调映射预算往往只有几毫秒， 因此必须在 “效果” 和 “速度” 之间做现实的权衡。

实践中常见的优化手段包括：

• 使用可分离滤波、积分图等技术将卷积从 O(r²) 降到 O(1) 或线性复杂度；
• 在较低分辨率空间进行局部处理，再上采样到原分辨率；
• 在 GPU 上采用紧凑的数据布局和共享内存，减少访存开销；
• 为不同平台提供 “高质量 / 低质量” 多档位实现，根据设备性能切换。

4. 经典局部色调映射算法

4.1 Laplacian / 高斯金字塔 Base/Detail 方法

Laplacian / 高斯金字塔类 Base/Detail 方法通过多尺度模糊与带通分解，将图像拆分为缓慢变化的基底和不同尺度的细节分量，再对各尺度分量进行差异化压缩与重组，从而在压缩整体对比度的同时尽量保留局部细节。

算法思路可以简化为：

• 构建多尺度模糊亮度图（例如使用高斯卷积，尺度从小到大）；
• 对于每个像素，比较不同尺度下的局部对比度，选择最合适的尺度作为局部适应亮度；
• 利用这一 “适应亮度” 设计局部压缩函数，使强光区域被压缩、暗部得到提升；
• 对压缩结果进行全局对比度与亮度微调，并映射回 RGB 空间。

在工程实践中，通常借助 Laplacian / 高斯金字塔结构实现上述多尺度处理：在多个尺度上分别调整带通分量的振幅，从而对不同大小的结构进行差异化压缩和增强。

在代码层面，实现关键点包括：高效构建多尺度模糊图、选择合适的对比度度量和阈值、 以及确保在边界条件处理和浮点精度上保持稳定。这类方法的优点是概念清晰、参数含义直观， 但实现上略显复杂，在极端场景中容易出现 Halo。

4.2 基于双边滤波（Bilateral Filter）的 Tone Mapping

双边滤波是一种经典的边缘保持滤波器，在空间距离和强度差异两个维度上同时加权，从而在模糊平坦区域的同时保留边缘。 将双边滤波用于 Base 提取，是很多局部色调映射算法的起点。

典型工程流程：

• 在对数亮度域上对输入图像应用双边滤波，得到平滑的基底；
• 原图减去基底得到细节分量；
• 对基底施加非线性压缩函数（如对数或基于曝光的 S 曲线）；
• 按一定比例保留或增强细节分量，并与压缩后的基底重新合成。

由于双边滤波计算量较大，实践中常使用各种加速技巧（如分层近似、bilateral grid、分块近似等）， 或在较低分辨率上运行双边滤波，再插值回全分辨率。

4.3 基于导向滤波（Guided Filter）的 Tone Mapping

导向滤波通过在局部窗口内假设输出是导向图像的线性函数，从而得到一个具有边缘对齐特性、且可线性时间实现的滤波器。 相比双边滤波，它更适合在高分辨率图像和实时应用中使用。

在局部色调映射中，常用的做法是：

• 选择亮度图或灰度图作为导向图，使用导向滤波得到平滑基底；
• 差分得到细节图，对基底做动态范围压缩，对细节做轻度增强或降噪；
• 重组后送入后续色彩恢复和显示编码阶段。

调参时需要重点关注窗口半径和正则化参数，它们直接影响基底的平滑程度和 Halo 风险。

4.4 基于 Retinex 理论的方法

Retinex 理论将图像分解为缓慢变化的亮度分量和快速变化的反射率分量，从而自然地适用于局部对比度增强和色调映射。 多尺度 Retinex 通过在多个尺度上进行平滑和归一化，模拟人眼在不同视野范围内的亮度适应行为。

工程实现时通常要考虑：

• 选择合适的平滑核和尺度组合（小尺度增强局部细节，大尺度控制整体亮度）；
• 对照明估计做噪声抑制，防止反射率图放大噪声；
• 在彩色图像上结合颜色恢复模块，避免产生明显色偏。

4.5 局部直方图方法（CLAHE 等）

局部直方图方法通过在小块区域内统计亮度分布，并对每个区域分别进行直方图均衡或受限均衡，从而增强局部对比度。 典型代表是对比度受限自适应直方图均衡（CLAHE）。

算法上，一般将图像划分为规则网格，在每个网格内计算裁剪后的直方图和累积分布函数，再将映射结果在网格之间插值，以避免块状边界。

工程实践中的关键点包括：

• 选择合适的网格尺寸：过小容易产生噪声和局部过度增强，过大则失去局部自适应效果；
• 设置合适的对比度裁剪阈值（clip limit），控制噪声放大和亮度拉伸强度；
• 在网格间使用双线性插值或更平滑的过渡策略，降低块状伪影；
• 在 HDR 流水线中，常将局部直方图方法与全局曲线或 Base/Detail 框架组合使用，以获得更稳定的视觉风格。

4.6 其他代表性方法概览

除上述方法外，工程项目中还常见以下技术路线：

• Reinhard 局部算子：早期提出的经典多尺度局部适应方法，通过比较多尺度模糊亮度图中的局部对比度选择适应尺度，再据此设计压缩函数；在文献中引用广泛，但实现上略显复杂，在极端场景中容易产生 Halo。
• 梯度域方法 + Poisson 重建：在梯度域对大梯度进行压缩、对小梯度适度保留，再通过求解 Poisson 方程重建亮度图；在理论上便于控制局部对比度，但在工程上对求解器、边界条件和残差修正较为敏感。
• 启发式混合方法：将简单的全局曲线与局部增强模块拼接， 在保证实时性的同时达到 “伪局部” 的效果。

5. 自研局部色调映射算法

5.1 算法概述

我们的自研算法融合 HDR 动态范围压缩与局部色调映射：既可在 HDR 模式下压缩极宽亮度范围，也可在线性/低动态输入下稳定提升局部对比度。 核心是场景感知的亮度重分配与细节保持：先基于亮度分布自适应压缩高低区间的动态范围，再用受控增益提升局部对比度， 配合曝光与饱和度控制，确保逆光、夜景、室内高光等复杂光照下的色彩稳定与观感一致。

5.2 关键优势

• Halo 抑制：采用边缘保持的平滑策略限制跨边界扩散，并在亮度梯度处约束细节增益，减少亮暗交界的晕圈。
• 色彩稳定：在亮度域完成压缩与增强，同时对色度分量实施自适应饱和度控制，保持原有饱和度与色度，不出现偏色。
• 高动态范围：对高光与暗部采用分段压缩，保留主观层次感的同时避免过曝与死黑。
• 细节增强：在安全范围内提升局部对比度和纹理清晰度，避免过冲与伪影。
• 噪声控制：在暗部与平坦区域抑制噪声放大，保持细节增强与平滑之间的平衡。

6. 深度学习驱动的局部色调映射

6.1 数据驱动的 HDR 到 LDR 映射思路

深度学习方法不再显式设计具体的滤波器和压缩函数，而是通过大量 HDR–LDR 样本对直接学习从输入到输出的映射。 训练数据可以来自高质量人工调色结果、专业相机和手机相机的内部标注数据，或公开 HDR 数据集。

从工程角度看，关键问题是：

• 构建覆盖典型场景（室内、逆光、夜景、强光、远景等）的多样化数据集；
• 确保标签（目标 LDR 图像）风格一致，避免网络学到相互矛盾的 “审美”；
• 处理对齐问题：多帧 HDR 或多曝光输入需要精确配准，减少运动引入的鬼影。

6.2 网络结构设计（U-Net、多尺度 CNN、Transformer 等）

局部色调映射属于 “低级视觉 + 风格增强” 类任务，网络结构一般具备以下特点：

• 使用编码器–解码器（U-Net）结构，以获取大感受野同时保持细节；
• 在多尺度上处理特征（如金字塔特征或可变空洞卷积），兼顾全局曝光和局部对比度；
• 引入注意力模块或 Transformer 块，以建模长程依赖和跨区域的关联关系。

6.3 感知损失和对比度约束

仅使用 L1 / L2 像素损失往往难以保证满意的视觉质量，因此工程上通常采用复合损失：

• 感知损失（基于 VGG 等预训练网络特征），保证整体风格与结构；
• 结构相似性（SSIM / MS-SSIM）损失，加强局部对比度和边缘一致性；
• 梯度或 Laplacian 损失，抑制过度平滑，保护重要细节；
• 对抗损失（GAN），让输出分布更接近真实照片，减少 “网络味”。

6.4 与传统局部算子的对比与融合

深度学习方案的优势在于表达力强、可端到端学习复杂映射，但也带来数据依赖强、可解释性差、 部署成本高等问题。工程实践中，常见的折中策略包括：

• 将传统滤波模块（双边、导向滤波、金字塔等）封装成可微分算子，嵌入网络内部；
• 利用轻量网络预测一小组参数，再驱动传统局部色调映射算子运行，实现 “学习参数 + 传统算法”；
• 在移动端部署中，用网络对场景类型和全局曝光进行分类，再选择预设的局部处理策略。

7. 典型应用场景

7.1 安防监控与低照度场景

在安防监控系统中，摄像头往往需要覆盖极宽的亮度范围：既包含直射光和高亮区域，也包含阴影、角落等低照度区域。 局部色调映射可以在不过度压缩整体对比度的前提下，显著提升暗部细节和人脸、车牌等关键区域的可见度。

工程上，这一场景常见的挑战包括：弱光下噪声被局部增强放大、红外补光导致的色偏、强点光源产生的 Halo 等。 因此实际系统通常会将局部色调映射与降噪、去雾、运动检测等模块联合设计，并根据环境亮度自适应调整强度。

7.2 汽车自动驾驶与车载摄像头

自动驾驶和高级驾驶辅助系统（ADAS）依赖车载摄像头在复杂光照条件下稳定感知环境： 例如隧道出入口、逆光行驶、夜间路灯与对向车灯等高对比度场景。 适当的局部色调映射有助于改善路面、行人、交通标志和车道线的可见性。

在这一场景中，算法设计必须在 “人眼观感” 与 “机器视觉鲁棒性” 之间取得平衡， 避免因过度增强导致的伪影、拖影或局部曝光不稳定，从而影响检测与分割模型的可靠性。 实际系统中，局部色调映射常与自动曝光、HDR 合成和深度学习感知模块紧密耦合。

7.3 手机摄像头 HDR 算法中的本地处理

手机摄像头的多帧 HDR 算法通常包括：多帧对齐、合成、降噪、局部色调映射等步骤。 局部色调映射直接决定了用户对 “宽容度” 和 “细节” 的主观感受， 也是各大厂商差异化的关键环节之一。

由于移动端算力和功耗受限，这里的局部处理通常采用轻量化算子或网络， 并与曝光、AWB、降噪等模块高度耦合设计。

7.4 医学影像场景

在医学影像（如 X 光、CT、MRI）中，局部色调映射被用于突出病灶或组织结构细节。 与消费级应用不同，这里必须非常谨慎地控制伪影和局部对比度增强的程度， 以免对诊断结果产生误导。

医学场景中，通常更关注灰度分布与组织结构之间的对应关系，很多局部处理只允许在经过验证的动态范围压缩框架内进行， 且需要与医用显示标准（如 DICOM GSDF 曲线）和诊断工作流程匹配。 一些系统会提供 “诊断模式” 与 “展示模式” 两套参数，以区分严肃诊断与教学、示意用途。

7.5 工业检测场景

在工业检测（如焊缝检测、缺陷检测）中，局部色调映射被用于突出划伤、气孔、裂缝等缺陷区域细节， 需要在增强可见性的同时避免引入易于误判的伪影。

工业检测中，局部色调映射往往与阈值分割、边缘检测和缺陷分类算法搭配使用，用于提升细微结构的可见性。 这类应用更强调重复性和稳定性，必须保证在不同批次、不同设备间处理效果的一致性，便于制定量化判定标准。

8. 发展趋势与开放问题

8.1 从手工设计到端到端学习

从早期手工设计的局部算子，到如今端到端学习的 HDR–LDR 网络， 局部色调映射的发展路线与许多图像处理任务类似。 未来的一个趋势是将更多工程经验和物理先验融入深度网络结构中， 形成 “可解释且可学习” 的混合框架。

8.2 感知模型与显示设备特性联合建模

更好地建模人眼视觉系统与显示设备特性，是提升色调映射质量的另一关键方向。 这包括：

• 更精确的亮度适应与对比度敏感度模型；
• 对不同显示设备（手机、电视、VR 头显）的亮度、对比度、色域特性建模；
• 将这些模型嵌入优化目标或网络训练过程中。

8.3 与其他图像增强任务的统一框架

局部色调映射与去雾、低照度增强、局部对比度增强等任务在本质上高度相关： 它们都涉及对局部亮度和对比度的重分配。 构建一个统一的增强框架（例如基于 Retinex 或深度网络）， 让同一套模型适配多种任务，是一个很有吸引力的方向。

8.4 可解释性与参数可控性

随着深度学习方法在成像系统中占比越来越高， 如何保持算法的可解释性和参数可控性，成为工程团队和艺术家共同关心的问题。 这包括：

• 将网络内部特征与传统概念（亮度、对比度、Base/Detail 等）建立联系；
• 提供可控接口，让用户或上层系统能够稳定地控制 “强度”、“风格”；
• 设计可视化工具，帮助调参和问题定位。

9. 总结

局部色调映射作为连接 HDR 成像与有限显示设备之间的关键环节， 在过去几十年中经历了从经典滤波与多尺度分解，到 Retinex、梯度域方法，再到深度学习与混合框架的演进。 虽然技术形态不断变化，但核心目标始终相同：在压缩动态范围的同时， 尽可能保留局部对比度和结构细节，提供自然、信息丰富且视觉舒适的图像。

从工程实践角度看，成功的局部色调映射方案往往具备以下特征：

• 在典型场景下视觉效果稳定、风格统一，伪影和失败案例可控；
• 计算复杂度与目标平台算力匹配，易于在 GPU / 移动端部署；
• 具备一定的可解释性和可调节性，便于调参和长期维护。

随着显示技术、感知模型和深度学习的持续发展，局部色调映射仍将是计算摄影、渲染和视觉增强系统中的重要组成部分， 并有望与更多图像增强任务融合，形成更加统一、智能的视觉处理框架。