本文轉載自52RD：http://www.52rd.com/Blog/Detail_RD.Blog_founder0104_83404.html
什麼是sensor的動態範圍（dynamic range）？
sensor的動態範圍就是sensor在一幅圖像裏能夠同時體現高光和陰影部分內容的能力。 用公式表達這種能力就是：
DR = 20log10（i_max / i_min);db
i_max 是sensor的最大不飽和電流—-也可以說是sensor剛剛飽和時候的電流 i_min是sensor的底電流（blacklevel） ；
爲什麼HDR在成像領域是個大問題？
在自然界的真實情況，有些場景的動態範圍要大於100dB。
人眼的動態範圍可以達到100dB。
Sensor 的動態範圍： 高端的 >78 dB; 消費級的 60 dB 上下；
所以當sensor的動態範圍小於圖像場景動態範圍的時候就會出現HDR問題—-不是暗處看不清，就是亮處看不清，有的甚至兩頭都看不清。
暗處看不清–前景處的廣告牌和樹影太暗看不清。
亮處看不清–遠處背景的白雲變成了一團白色，完全看不清細節。
解決HDR問題的數學分析
根據前邊動態範圍公式
DR = 20log10（i_max / i_min); //dB
從數學本質上說要提高DR，就是提高i_max，減小 i_min；
-
對於10bit輸出的sensor, i_max =1023，i_min =1, 動態範圍DR = 60；
-
對於12bit輸出的sensor， DR = 72；
所以從數學上來看，提高sensor 輸出的bit width就可以提高動態範圍，從而解決HDR問題。可是現實上卻沒有這麼簡單。提高sensor的bit width導致不僅sensor的成本提高，整個圖像處理器的帶寬都得相應提高，消耗的內存也都相應提高，這樣導致整個系統的成本會大幅提高。所以大家想出許多辦法，既能解決HDR問題，又可以不增加太多成本。
解決HDR問題的5種方法
從sensor的角度完整的DR 公式：
- Qsat ：Well Capacity idc: 底電流，tint：曝光時間，σ:噪聲。
方法1：提高Qsat –Well capacity 。
就是提高感光井的能力，這就涉及到sensor的構造，簡單說，sensor的每個像素就像一口井，光子射到井裏產生光電轉換效應，井的容量如果比較大，容納的電荷就比較多，這樣i_max的值就更大。普通的sensor well只reset一次，但是爲了提高動態範圍，就產生了多次reset的方法。 通過多次reset，imax增加到i‘max，上圖就是current to charge的轉換曲線。 但這種方法的缺點是增加FPN，而且sensor的響應變成非線性，後邊的處理會增加難度。
方法2：多曝光合成
本質上這種方法就是用短曝光獲取高光處的圖像，用長曝光獲取陰暗處的圖像。有的廠家用前後兩幀長短曝光圖像，或者前後三針長、中、短曝光圖像進行融合
If (Intensity > a) intensity = short_exposure_frame;
If (Intensity < b) intensity = long_exposure_frame;
If (b<Intensity <a) intensity = long_exposure_frame x p + short_exposure_frame x q;
當該像素值大於一個門限時，這個像素的數值就是來自於短曝光，小於一個數值，該像素值就來自於長曝光，在中間的話，就用長短曝光融合。這是個比較簡化的方法，實際上還要考慮噪聲等的影響。
Current to charge曲線顯示：imax增加a倍。
這種多幀融合的方法需要非常快的readout time，而且即使readout時間再快，多幀圖像也會有時間差，所以很難避免在圖像融合時產生的鬼影問題。尤其在video HDR的時候，由於運算時間有限，無法進行復雜的去鬼影的運算，會有比較明顯的問題。於是就出現了單幀的多曝光技術。
方法3：單幀空間域多曝光。
最開始的方法是在sensor的一些像素上加ND filter，讓這些像素獲得的光強度變弱，所以當其他正常像素飽和的時候，這些像素仍然沒有飽和，不過這樣做生產成本比較高，同時給後邊的處理增加很多麻煩。所以下面的這種隔行多曝光方法更好些。
如上圖所示,兩行短曝光，再兩行長曝光,然後做圖像融合，這樣可以較好的避免多幀融合的問題，從而有效的在video中實現HDR。同時由於video的分辨率比still要低很多，所以這個方法所產生的分辨率降低也不是問題。這個方法是現在video hdr sensor的主流技術。
方法4：logarithmic sensor
實際是一種數學方法，把圖像從線性域壓縮到log域，從而壓縮了動態範圍，在數字通信裏也用類似的技術使用不同的函數進行壓縮，在isp端用反函數再恢復到線性，再做信號處理。
缺點一方面是信號不是線性的，另一方面會增加FPN，同時由於壓縮精度要求對硬件設計要求高。
方法5：局部適應 local adaption
這是種仿人眼的設計，人眼會針對局部的圖像特點進行自適應，既能夠增加局部的對比度，同時保留大動態範圍。這種算法比較複雜，有很多論文單獨討論。目前在sensor 端還沒有使用這種技術，在ISP和後處理這種方法已經得到了非常好的應用。
上圖就是用方法2 + 方法5處理後的HDR圖像。亮處與暗處的細節都得到了很好的展現。