逆色调映射方法（inverse Tone Mapping Operator, iTMO或reverse Tone Mapping Operator, rTMO）
SDR转化HDR过程的算法称为扩展算子（Expand Operator）
逆色调映射算法将SDR内容变换为HDR内容需要经过以下几个步骤：
1、线性化：图片通常已经经过gamma校正，也就是说其电平信号与记录的真实场景中的辐射率（radiance）并不是线性关系。为了后续处理方便，会先将图像进行线性化处理。
2、动态范围扩展：该步骤是逆色调映射算法的核心部分，动态范围扩展方式决定着映射后图像的最终质量。对高光部分进行扩展，对低光部分进行压缩，可以达到目的。
3、过曝/欠曝区域重建：存在过曝或者欠曝现象的SDR图像相应区域会损失很多细节，因此需要通过一定的方式恢复或者重建该区域已获得更多的细节。
4、去噪：逆色调映射算法处理和存储使用的是16比特的浮点数，因此需要通过去噪消除量化或压缩而引入的噪声。
5、颜色校正：进行逆色调映射处理后图像的饱和度会降低，因此需要进行颜色校正让色彩表现（color appearance）和SDR源相一致。
当可以得到拍摄设备信息时，线性化可以通过设备的CRF来计算，但当图像储存为RAW格式时不需要这个操作，因为RAW格式本身就是存储为线性格式。
逆色调映射中的颜色转换：
现今的逆色调映射算法不仅仅要对图像的亮度信息与对比度进行增强，还需要进行色域映射。
逆色调映射算法中色域转换的常见方法是色彩校正(Color Correction)
另一种方法是使用色彩或图像外观模型进行色域转换。
BT.2087中提到的转换方法是基于光电转换函数和电光转换函数及其反函数。
此外，更先进的色域映射算法考虑如何高效利用图像的空间属性。在空间色域映射中，不再存在从输入色域到输出色域的一对一颜色转换，而是考虑图像的局部背景，使得算法不仅可以准确地再现颜色，而且还能同时再现纹理和局部对比度。
其主要方法有两类，一种是将传统映射过程中丢失的信息迭代添加回到图像中；另一类方法，最小化刻画色域映射图像和原始图像之间感知误差的损失函数，一般通过机器学习的方法实现。
逆色调映射算法：
可以分为三大类算法：全局算法，分类算法以及拓展映射算法。
1. 全局模型
全局模型顾名思义，就是对SDR内容中的所有像素点都使用相同的扩展方程，该扩展方程对全局有着相同的操作。
1.1 幂函数模型
主要考虑到幂函数良好的范围拓展能力，用于将小范围的亮度拓展到高动态范围
1.2 对HDR监视器的线性缩放
1.3 过曝SDR图像的Gamma扩展
2. 分类模型
2.1 HDR显示器的高光重现
检测图像中的漫反射和镜面部分，并使用不同的线性方程对其进行扩展。
算法的第一步是计算一个阈值w ，用于在亮度通道区分高光部分和漫反射部分。
首先，图像通过使用一个大小为m 的滤波器，来计算t1 作为滤波后亮度通道的最大值，重复使用上述操作可以使用一个2m+1大小的滤波器来计算。
其次， t2被用于在原始亮度上的阈值，用于生成一个mask，随后使用对mask应用腐蚀和膨胀滤波器。这些可以应用于一些迭代以获得稳定的mask，一般情况下几次迭代就可以达到效果。
此时，mask中像素值为1的点被视为镜面像素，而黑色像素被视为漫反射像素。因此， w被作为 Ld中的镜面像素的最小亮度值。
在计算之后，亮度通道可以通过以下方式扩展：
其中 Lw是由于图像被归一化处理过， p表示HDR显示器分配给漫反射部分的百分比，这是由用户定义的。
2.2 HDR显示器的明亮视频特征增强
3. 扩展映射模型
扩展映射模型（Expand Map Models）表示在将SDR内容扩展为HDR的过程中使用一个引导函数指导该过程的转换。
3.1 扩展映射模型
该方法的核心即如何使用反向的TMO算子，并结合一定的平滑处理算法重建出过曝区域中丢失的图像信息。
本方法的逆色调映射方程可以被描述为：
其中 Lw,max表示输出亮度的最大值，以cd/m2为单位， Lwhite是一个决定扩展曲线形状的参数，与对比度成比例。作者建议让这两个值取等，以此来在限制扩展导致的伪像，同时增加对比度。
在范围拓展之后，计算扩展映射是表示高亮度区域中图像的低频版本的平滑区域。扩展映射通过对使用重要性采样生成的样本应用密度估计来实现。
最后，扩展SDR图像和原始SDR图像通过线性插值进行组合，其中扩展映射充当权值加权。需要注意的是，低亮度值保持原始值，这样可以避免在Lwhite 设置为较高值时对低值进行压缩，否则可能会出现轮廓等伪像。
3.2 Rempel——SDR2HDR
https://cloud.tencent.com/developer/article/1167072
摄影曝光
https://www.sohu.com/a/192530643_815910
