“iteye Java编程 Spring框架 Ajax技术 agile敏捷软件开发 ruby on”

本篇文章1206字，读完约3分钟

作为下一个时代的代表性渲染效果，我个人认为hdr比运动模糊和景深更实用，因此值得消耗资源。

概念:人眼可以识别的最大亮度差为: 1，因为即使在同一场景中也可以识别: 1，但是显示装置可以创建的亮度动态范围为100: 1。 现在，图像的存储容量可以存储最大的亮度差，但由于设备的原因，显示器无法准确地实现。 由此可知，hdr并不是实时渲染所特有的，而是与图像现实相关的所有行业都应该处理的问题。

这样，hdr是一种映射图像中的各像素的亮度差，处理以将图像自身的亮度差的比例降低到100: 1的范围内为点的亮度差问题的技术。 所以这个技术的原理很简单，关键是如何在保持原有色感的基础上，降低一张真实亮度的画面亮度比。

1 .全局色调映射算法:

实际上，对于整个图像中的所有像素，亮度值都将按恒定的比率进行缩放。 实现这种方式的方法是众所周知的。 例如，如果图像的最高亮度比为: 1，则可以将所有像素的亮度值减少两倍。 当然，这只是一个例子。 那样的话看不到图像。 这个算法有两个有名的算法

(1)对数方程的匹配映射算法:用一个特征对数方程求标度比，不使该值恒定。

(2)基于直方图均衡的色调映射算法:这有点深，但就像按照一定的规则获取比例因子一样。

全局映射算法的缺陷是，无论图像的具体情况如何，所有图像都遵循统一的规则，因此这种方式的产品绝对不好。 好处是有效率，但我认为这不是好处。 因为什么都不做更有效率。

由于该算法比全局情况效果更好，因此与全局情况相比考虑了局部因素。

(1)层次色调映射算法:这样，亮度值=反射成分*亮度成分，亮度分为2个值来记述。 反射分量是与材料和纹理相关联的值。 表观算法采用高斯滤波器提取该分量，并全局解决其余亮度分量。 其实我觉得这和全局算法一样。 只考虑材质和纹理。 但是，过滤时丢失了新闻，这种做法没有效率。

(2)梯度域色调映射算法:该算法的原理是，由于图像中亮度变化大的区域有大的步长，图像的细节，例如纹理有小的步长，所以越大的步长越可能增加。 一般来说，亮度变化很快时，该区间的亮度会略有下降，但亮度变化不大，但会适当增加。 这个做法真好。 我觉得比上面好。

该算法通过全局算法将亮度压缩为100: 1，通过伽马算法进行校正，使高光高斯模糊。 我个人认为除了伽马校正和高斯模糊以外是全局算法。 可以利用伽马校正和高斯模糊之前的算法。

但是，这种压缩亮度的全局算法与上面两种不同。

(1)计算光强度: l(x，y ) =0. 27 * r0. 67 * g 0，06 * b (这是一个像素的强度值)

(2)平均光强系数的计算: 6是比较小的值，主要用于log2的计算。 在这里log也可以。

(3)额定照度:目标照度值=a*源照度值/平均照度系数。 a的值调节亮度，a越大越亮。

(5)伽马校正: y=2.2

(6)高斯模糊:高斯模糊算法利用高斯函数卷积图像(略)