高动态范围（HDR）图像的亮度范围可以横跨多个数量级，而常见显示设备只能呈现有限的对比度。色调映射（Tone Mapping）的目标就是把这个宽范围合理压缩到可显示区间。它并不是简单地把亮度整体缩放，而是要根据人眼感知特性，在压缩高光的同时避免暗部细节被埋没。理解这一点，有助于区分不同算法背后的设计取舍。
从工程实现角度看，色调映射算子（TMO）首先可以按是否依赖空间邻域分成全局和局部两类。全局算子对每个像素使用同一条映射曲线，计算复杂度低，容易满足实时性要求；局部算子则会参考像素周围区域的信息，能够更好地保护局部对比度，但通常需要额外的高斯模糊、双边滤波或梯度重建过程。随着深度学习的发展，又出现了基于卷积神经网络的感知驱动方法。下面分别从分类逻辑、典型算法和实际选型三个角度展开。
色调映射的核心矛盾与分类逻辑
HDR图像存储的是线性辐射度或场景相对亮度，数值可以从接近0的暗部一直延伸到数十甚至数百的峰值亮度。如果直接把线性值截断到0到1之间，高光部分会全部变成白色，暗部细节也会因为量化精度不足而出现色带。更合理的方式是非线性压缩：暗部保留更多层级，高光逐渐饱和。这种非线性的形状决定了图像的观感，也是全局色调映射算法设计的主要问题。
全局映射函数通常只依赖于当前像素的亮度值。例如Reinhard算子最早提出用函数Ld = L / (1 + L)进行压缩，后来加入白点参数来改善高光过曝。它的实现非常简单，而且天然适合GPU并行处理。但全局函数无法处理一张图像中同时存在极亮区域和极暗区域的情况，因为明亮区域的压缩会连带削弱暗部的视觉对比度。局部映射则通过计算每个像素邻域的亮度均值或基础层，对基础层进行大尺度压缩，再保持细节层不变，从而缓解这个问题。
此外，还有频域和梯度域的方法。梯度域压缩并不直接处理亮度值，而是对梯度场做多尺度衰减，再通过求解泊松方程重建出低动态范围图像。这类方法能够在保留局部细节的同时避免明显光晕，但计算成本较高。深度学习方法则试图直接学习从HDR到LDR的映射，往往在感知质量和主观评分上占优，但泛化能力与时间稳定性仍需要工程验证。
全局色调映射算法：高效稳定但细节保留有限
Reinhard色调映射是全局算子中最经典的实现之一。它把HDR亮度缩放到一个中间灰度参考值后，再通过有理函数进行压缩。下面给出一个简化版Python实现：
def reinhard_tone_mapping(hdr_luminance, white_point=1.0):
# hdr_luminance: 浮点亮度数组，数值大于0
# white_point: 控制高光压缩强度的白点参数
scaled = hdr_luminance * (1.0 / white_point)
return scaled / (1.0 + scaled)
这个函数的好处是几乎不需要调参，单张图像也能快速得到可接受的结果。但在强光源和室内场景混合的情况下，它往往会让整体画面发灰，因为暗部和中灰区域的压缩比例不够合理。为此后续又出现了Reinhard扩展版本，通过自动估计场景键值来改善表现。
Filmic曲线和ACES是另外两类工程中常用的全局映射方案。Filmic曲线最初来自电影行业，它采用分段多项式模拟胶片的趾部和肩部，在保留高光层次的同时避免暗部死黑。ACES则是由电影艺术与科学学院提出的标准化色彩编码系统，其中包含一条接近对数曲线的近似映射函数。以下是一种常见的ACES拟合实现：
def aces_tone_mapping(x):
a = 2.51
b = 0.03
c = 2.43
d = 0.59
e = 0.14
return (x * (a * x + b)) / (x * (c * x + d) + e)
这类全局算子的最大优势在于计算简单、参数固定或数量很少，非常适合实时渲染、游戏引擎和视频处理管线。但它们的劣势也很明显：无法增强局部对比度。当一张HDR图同时包含明亮的窗户和阴暗的室内环境时，全局压缩后窗户周围的暗部细节仍然难以突出。此外，全局函数对颜色的处理也需要注意，如果仅对亮度通道做映射，可能导致饱和度变化，因此实际工程中常需要配合饱和度调整或色彩分级。
局部色调映射算法：细节与光晕的平衡
局部色调映射最直接的思路是利用低通滤波分离图像的基础层和细节层。以双边滤波为例，它在平滑图像的同时能够保留边缘，因此常被用于计算局部亮度基础层。基础层经过大幅压缩后，再把未压缩或轻度压缩的细节层加回去。这样可以在暗部区域提升局部对比度，让纹理和结构更清晰。但双边滤波的参数选择非常关键：滤波半径过小会导致光晕，半径过大又会让局部对比度增强不足。
梯度域方法是局部映射中质量较高的一类。它先计算HDR图像的梯度场，然后在多尺度上对大梯度进行衰减，对小梯度进行保留或增强。衰减后的梯度场通常不再是一个保守场，需要求解泊松方程来重建亮度图像。这种方法可以有效避免传统分层方法中的光晕伪影，但计算量远高于全局算子，难以在常规硬件上实时处理高分辨率图像。因此它更适用于离线渲染和高质量照片后期。
曝光融合虽然不是严格的色调映射算法，但经常被用来解决HDR显示问题。它从多张不同曝光的LDR图像中按对比度、饱和度和良好曝光程度计算权重，再加权融合成一张图像。这种方式绕开了显式的亮度压缩，因此天然避免了光晕和梯度重建误差。但它的问题是融合结果往往对比度偏弱，暗部可能不够深沉，且需要输入多张曝光图，不适用于只有单张HDR图像的场景。
基于深度学习的色调映射与工程选型
近年来，基于卷积神经网络的色调映射方法逐渐进入实用阶段。这类方法通常将HDR图像或它的低动态版本输入网络，直接输出映射后的LDR图像。网络可以学习到符合人眼感知的压缩方式，甚至能针对特定显示设备优化。相比手工设计的算子，深度学习模型在主观质量评估中往往得分更高，尤其是在复杂光照场景下。
但深度学习色调映射也带来新的挑战。首先是泛化问题：训练数据覆盖的场景有限，遇到极端高光或特殊色温时可能出现异常。其次是时间稳定性：视频序列中如果逐帧独立推理，可能产生亮度闪烁。再次是计算成本：高质量模型在移动端难以实时运行，需要量化、剪枝或设计轻量网络。因此目前更多工程实践仍以全局算子作为实时默认方案，只在离线或半交互场景引入局部或学习类方法。
从选型角度看，可以按以下维度对比：
| 算法类别 | 代表方法 | 实时性 | 细节保持 | 光晕风险 | 适用场景 |
|---|---|---|---|---|---|
| 全局映射 | Reinhard、Filmic、ACES | 高 | 中 | 无 | 游戏、实时预览、视频 |
| 局部映射 | 双边滤波、梯度域 | 低至中 | 高 | 中至高 | 照片后期、离线渲染 |
| 曝光融合 | Mertens融合 | 中 | 中 | 无 | 多曝光合成、相机HDR |
| 深度学习 | DeepTMO、HDRNet | 低至中 | 高 | 低 | 移动端增强、特定设备优化 |
实际项目中，可以先确定显示设备的最大亮度与黑位，再选择基础算子。如果画面以自然光照为主且需要稳定帧率，ACES或Filmic是稳妥选择；如果追求单张照片的细节表现，可以尝试梯度域或学习类方法。色调映射之后通常还需要进行gamma校正和色彩分级，它只是显示管线中的一个环节，而不是最终结果。通过合理搭配，可以在性能与观感之间取得更好的平衡。
HDR图像色调映射Tone Mapping修改时间：2026-10-06 13:21:36