告别HDR格式混乱：用Python代码实战HLG与PQ曲线互转（附完整代码）
告别HDR格式混乱：用Python代码实战HLG与PQ曲线互转（附完整代码）
在视频处理领域，HDR（高动态范围）技术已经成为提升视觉体验的关键要素。然而，HLG（Hybrid Log-Gamma）和PQ（Perceptual Quantizer）这两种主流HDR标准之间的转换问题，却让不少开发者头疼。本文将带你深入理解这两种曲线的核心差异，并通过可落地的Python代码实现它们之间的相互转换。
1. HDR技术基础与核心概念
HDR技术的核心在于更宽广的亮度范围和更丰富的色彩表现。要理解HLG与PQ的转换，首先需要掌握几个关键术语：
- OETF（光电转换函数）：将场景中的线性光信号转换为非线性电信号
- EOTF（电光转换函数）：将非线性电信号转换为显示器输出的线性光信号
- OOTF（光光转换函数）：连接场景光与显示光的映射关系
# 常用常量定义 a_2020 = 0.2627 # BT.2020标准中的RGB转YUV系数 b_2020 = 0.6780 c_2020 = 0.0593HLG与PQ的根本区别在于它们的应用场景和设计理念：
| 特性 | HLG | PQ |
|---|---|---|
| 设计目标 | 广播电视 | 数字影院/高端显示设备 |
| 亮度处理 | 相对亮度（自适应显示能力） | 绝对亮度（固定10000nit标准） |
| 元数据需求 | 不需要 | 需要 |
| 典型应用 | 广播电视、流媒体 | 电影制作、专业显示 |
2. 色彩空间转换基础
在HDR处理中，YUV与RGB色彩空间之间的转换是基础操作。以下是BT.2020标准下的转换实现：
import numpy as np import cv2 def RGB2YUV_bt2020(R, G, B): """BT.2020 RGB转YUV""" Y = a_2020 * R + b_2020 * G + c_2020 * B Cb = (B - Y) / 1.8814 Cr = (R - Y) / 1.4747 # 量化到10bit范围 Y = (219 * Y + 16) * 4 Cb = (224 * Cb + 128) * 4 Cr = (224 * Cr + 128) * 4 return np.uint16(Y), np.uint16(Cb), np.uint16(Cr) def YUV2RGB_bt2020(Y, U, V): """BT.2020 YUV转RGB""" Y = (Y/4 - 16)/219 Cb = (U/4 - 128)/224 Cr = (V/4 - 128)/224 R = Y + 1.4747 * Cr G = Y - (0.2627 * 1.4747 / 0.6780) * Cr - (0.0593 * 1.8814 / 0.6780) * Cb B = Y + 1.8814 * Cb return np.clip(R, 0, 1), np.clip(G, 0, 1), np.clip(B, 0, 1)注意：实际工程中需要考虑色度下采样（如4:2:0）的处理，上述代码假设输入已经是正确采样格式。
3. PQ曲线核心算法实现
PQ曲线由SMPTE ST 2084标准定义，其核心是EOTF和逆EOTF的实现：
# PQ曲线相关常量 m1 = 2610 / (4096 * 4) m2 = 2523 * 128 / 4096 c1 = 3424 / 4096 c2 = 2413 * 32 / 4096 c3 = 2392 * 32 / 4096 def pq_EOTF(E_p): """PQ电光转换函数（从电信号到光信号）""" E_p = np.float32(E_p) E_i = np.power(E_p, 1/m2) e_i = E_i - c1 E_0 = np.maximum(e_i, 0) deno = c2 - c3 * E_i Y_i = np.power(E_0 / deno, 1/m1) return Y_i def pq_inverse_EOTF(Y): """PQ逆电光转换函数（从光信号到电信号）""" Y = np.float32(Y) Y_m1 = np.power(Y, m1) num = c1 + c2 * Y_m1 den = 1 + c3 * Y_m1 E_p = np.power(num / den, m2) return E_p4. HLG曲线核心算法实现
HLG标准由BBC和NHK联合开发，其核心是OETF和逆OETF：
# HLG相关常量 hlg_a = 0.17883277 hlg_b = 0.28466892 hlg_c = 0.55991073 hlg_tsd = 1/12 # 过渡点 def hlg_OETF(E): """HLG光电转换函数""" E = np.float32(E) mask = E < hlg_tsd E_p = np.where(mask, np.sqrt(3 * E), hlg_a * np.log(12 * E - hlg_b) + hlg_c) return E_p def hlg_inverse_OETF(E_p): """HLG逆光电转换函数""" E_p = np.float32(E_p) mask = E_p < 0.5 E = np.where(mask, np.power(E_p, 2) / 3, (np.exp((E_p - hlg_c) / hlg_a) + hlg_b) / 12) return E5. HLG与PQ互转实战
5.1 PQ转HLG完整流程
def pq_to_hlg(R_pq, G_pq, B_pq, display_peak=1000): """ 将PQ信号转换为HLG信号 参数： R_pq, G_pq, B_pq: PQ编码的RGB值（0-1范围） display_peak: 显示设备峰值亮度（单位nit） 返回： R_hlg, G_hlg, B_hlg: HLG编码的RGB值 """ # 步骤1：PQ EOTF获取显示线性光 Rd = pq_EOTF(R_pq) Gd = pq_EOTF(G_pq) Bd = pq_EOTF(B_pq) # 步骤2：亮度归一化（假设母带为1000nit） scale = display_peak / 1000 Rd = np.minimum(Rd * scale, 1.0) Gd = np.minimum(Gd * scale, 1.0) Bd = np.minimum(Bd * scale, 1.0) # 步骤3：计算显示亮度并应用逆OOTF YD = 0.2627 * Rd + 0.6780 * Gd + 0.0593 * Bd gamma = 1.2 * np.sqrt(1000 / display_peak) YD_gamma = np.power(YD, (1 - gamma) / gamma) Rs = Rd * YD_gamma Gs = Gd * YD_gamma Bs = Bd * YD_gamma # 步骤4：应用HLG OETF R_hlg = hlg_OETF(Rs) G_hlg = hlg_OETF(Gs) B_hlg = hlg_OETF(Bs) return R_hlg, G_hlg, B_hlg5.2 HLG转PQ完整流程
def hlg_to_pq(R_hlg, G_hlg, B_hlg, display_peak=1000): """ 将HLG信号转换为PQ信号 参数： R_hlg, G_hlg, B_hlg: HLG编码的RGB值（0-1范围） display_peak: 目标PQ显示设备峰值亮度（单位nit） 返回： R_pq, G_pq, B_pq: PQ编码的RGB值 """ # 步骤1：HLG逆OETF获取场景线性光 Rs = hlg_inverse_OETF(R_hlg) Gs = hlg_inverse_OETF(G_hlg) Bs = hlg_inverse_OETF(B_hlg) # 步骤2：计算场景亮度并应用OOTF Ys = 0.2627 * Rs + 0.6780 * Gs + 0.0593 * Bs gamma = 1.2 * np.sqrt(1000 / display_peak) Ys_gamma = np.power(Ys, gamma - 1) Rd = Rs * Ys_gamma Gd = Gs * Ys_gamma Bd = Bs * Ys_gamma # 步骤3：亮度反归一化 scale = 1000 / display_peak Rd = np.minimum(Rd * scale, 1.0) Gd = np.minimum(Gd * scale, 1.0) Bd = np.minimum(Bd * scale, 1.0) # 步骤4：应用PQ逆EOTF R_pq = pq_inverse_EOTF(Rd) G_pq = pq_inverse_EOTF(Gd) B_pq = pq_inverse_EOTF(Bd) return R_pq, G_pq, B_pq6. 工程实践中的常见问题与解决方案
在实际项目中实现HDR格式转换时，开发者常会遇到以下几个典型问题：
- 数值溢出处理：
- PQ曲线的亮度范围理论上可达10000nit，但实际显示设备可能只有1000nit
- 解决方案：在转换过程中加入clip操作，确保数值在合理范围内
def safe_pq_eotf(E_p): """带溢出保护的PQ EOTF实现""" E_p = np.clip(E_p, 0, 1) # 确保输入在0-1范围内 return pq_EOTF(E_p)色彩空间混淆：
- 确保所有计算在正确的色彩空间（通常是BT.2020）中进行
- 避免错误地将BT.709色彩空间用于HDR内容
性能优化技巧：
- 使用查表法（LUT）加速曲线计算
- 利用GPU加速矩阵运算
def create_pq_lut(): """创建PQ曲线的查找表加速计算""" lut = np.zeros(1024, dtype=np.float32) for i in range(1024): E_p = i / 1023.0 lut[i] = pq_EOTF(E_p) return lut pq_lut = create_pq_lut() def fast_pq_eotf(E_p): """使用LUT加速的PQ EOTF""" idx = np.uint16(E_p * 1023) return pq_lut[idx]- 元数据处理：
- PQ内容通常伴随静态元数据（如MaxFALL、MaxCLL）
- 转换时需要适当处理或生成这些元数据
7. 完整工作流示例
以下是一个完整的YUV格式HDR视频帧的转换流程：
def convert_yuv_pq_to_hlg(yuv_frame, width, height): """将YUV420格式的PQ视频帧转换为HLG""" # 分离YUV分量 Y = yuv_frame[0:height, 0:width] U = yuv_frame[height:height+height//2, 0:width//2] V = yuv_frame[height+height//2:, 0:width//2] # YUV转RGB R, G, B = YUV2RGB_bt2020(Y, U, V) # PQ转HLG R_hlg, G_hlg, B_hlg = pq_to_hlg(R, G, B) # RGB转YUV Y_hlg, U_hlg, V_hlg = RGB2YUV_bt2020(R_hlg, G_hlg, B_hlg) # 重新打包YUV帧 hlg_frame = np.zeros_like(yuv_frame) hlg_frame[0:height, 0:width] = Y_hlg hlg_frame[height:height+height//2, 0:width//2] = U_hlg hlg_frame[height+height//2:, 0:width//2] = V_hlg return hlg_frame提示：实际视频处理中，建议使用FFmpeg等专业工具处理YUV格式的读取和写入，上述代码仅展示核心转换逻辑。
在实现完整视频转换工具时，还需要考虑以下工程细节：
- 帧缓存管理
- 多线程处理
- 内存优化
- 色彩空间转换的精度控制