企业官网建设流程全解析

颜色与相机成像专题（4）：RAW 到底是什么？从传感器、黑电平到去马赛克

RAW 不是“一张比较暗的 RGB 照片”。它通常保存更接近传感器采样的数据及解释这些数据所需的元信息。本文解释 Bayer、曝光、ISO、黑电平、镜头阴影校正、去马赛克与噪声的关系。

关键词：RAW、Bayer、黑电平、去马赛克、图像传感器

1. 一个像素通常没有完整的 RGB

典型 Bayer 传感器在每个感光单元前放置一种颜色滤光片。一个常见的 2×2 排列是：

R G G B

这意味着红色位置只直接采样红色滤光通道，绿色位置和蓝色位置类似。最终照片需要每个位置都有 RGB 三个分量，缺少的分量必须估计出来。

这意味着红色位置只直接采样红色滤光通道，绿色位置和蓝色位置类似。最终照片需要每个位置都有 RGB 三个分量，缺少的分量必须估计出来。

具体来说，在 2×2 的 Bayer 单元中，左上和右下各有一个绿色感光单元，右上为红色，左下为蓝色。由于人眼对绿色最敏感，Bayer 排列让绿色占据一半的采样位置，以尽量贴近人眼的亮度感知特性。这种设计在成本和成像质量之间取得了平衡，也是它成为最主流 CFA 排列的原因之一。

每个感光单元本质上只记录一个亮度值，这个值对应它所覆盖的滤光片颜色通道。也就是说，RAW 文件里每个像素位置只有一个数字，而不是三个。要得到一张可显示的彩色照片，必须通过后续的去马赛克（demosaicing）算法，为每个位置补全缺失的另外两个颜色分量。这个补全过程本质上是一种估计，而不是直接测量，因此会引入一定的误差和伪影。

图 1：每个 CFA 位置只采到一个分量；去马赛克负责估计另外两个分量。

Bayer 只是 CFA（Color Filter Array，彩色滤光阵列）的一种。真实文件还可能使用其他排列、特殊像素结构，或者已经进行了部分重建。不能仅凭扩展名就认定左上角一定是 R。

Bayer 只是 CFA（Color Filter Array，彩色滤光阵列）的一种。真实文件还可能使用其他排列、特殊像素结构，或者已经进行了部分重建。不能仅凭扩展名就认定左上角一定是 R。

例如，有些传感器采用 RCCC（红、透明、透明、透明）排列，主要用于安防和车载场景，因为这类场景对亮度更敏感而对色彩要求较低。还有些传感器使用 RYYB（红、黄、黄、蓝）排列，通过用黄色滤光片替代部分绿色来提升进光量，常见于部分手机摄像头。此外，一些传感器会在 Bayer 阵列中嵌入白色像素（W）或相位检测像素（PDAF），用于辅助对焦或提升暗光表现。

因此，处理 RAW 文件时，必须从元数据中读取真实的 CFA 排列信息，而不能想当然地假设某种固定模式。错误的排列假设会导致去马赛克结果出现严重的颜色错乱和伪色。

2. RAW 为什么接近线性？

在合适工作区间内，光电子的期望数量与传感器接收的光和积分时间近似成正比。简化成：
在合适工作区间内，光电子的期望数量与传感器接收的光和积分时间近似成正比。简化成：

这个线性关系是理解 RAW 的核心。当光子打到感光单元上时，会激发电子，产生光生电荷。在未饱和的前提下，积累的电荷数量与入射光子数近似成正比，而入射光子数又正比于光照强度和曝光时间的乘积。因此，RAW 读数在理想情况下是场景辐照度的线性函数。

这种线性特性带来一个重要好处：RAW 数据可以直接用于光度学计算。例如，在做高动态范围（HDR）合成时，不同曝光时间的 RAW 帧之间可以通过简单的比例关系对齐；在做颜色标定时，线性响应也让矩阵变换更加可靠。相比之下，经过 Gamma 编码或色调映射后的 JPEG 已经不再是线性关系，直接做算术运算会产生偏差。

E [ d − b ] ≈ g k t E \mathbb{E}[d-b]\approx gktEE[d−b]≈gktE

b bb是黑电平，g gg是有效增益，t tt是曝光时间，E EE是适当加权后的辐照度，k kk包含转换比例。这里是期望关系，单次读数仍受噪声影响。

成立条件包括不饱和、不过度接近噪声底、传感器响应处于近似线性区间，并正确处理黑电平和设备特有校正。某些“计算 RAW”已经包含融合、降噪等步骤，需要查看具体设备与接口。

另外，RAW 的线性是针对本设备的通道响应。不同传感器使用不同滤光片，拍摄相同光谱时得到的三个读数仍可能不同。
另外，RAW 的线性是针对本设备的通道响应。不同传感器使用不同滤光片，拍摄相同光谱时得到的三个读数仍可能不同。

这意味着，即使两台相机对着同一个色卡拍摄，它们的 RAW 读数也不会直接可比。一台相机的红色通道可能对 600nm 的光更敏感，另一台则可能对 620nm 更敏感。因此，跨设备比较 RAW 数值时，必须先经过颜色标定，把各自的通道响应映射到一个共同的色彩空间（如 sRGB 或 XYZ），否则会得出错误的结论。

这也是为什么 RAW 文件必须附带颜色标定信息：没有这些信息，RAW 数值本身只是一堆与具体设备绑定的相对读数，无法被通用地解释。

图 2：讲义 PDF 第 118 页。线性并不意味着不同设备的原生 RGB 属于同一色彩空间。

3. 曝光和 ISO 分别改变什么？

曝光时间变长，通常能积累更多光电子，但更容易出现运动模糊或饱和。光圈和照明也会改变传感器接收的光。

ISO 设置与相机的模拟增益、数字增益、转换增益和成像策略有关。提高 ISO 本身不会让同样曝光条件下的像素接收到更多光子。把已有信号放大，也不会凭空改善光子统计带来的信噪比。

实际自动曝光会在提高 ISO 时缩短快门，噪声因此可能更明显。不同传感器还存在双转换增益等机制，所以“ISO 越高一定越差”也过于简单。比较时要把曝光量、增益和后续处理分开。

4. 黑电平：为什么关灯后读数不是零？

数字读数通常含有基线偏置，还可能受暗电流、温度和读出电路影响。光学遮挡区域或暗帧可用于估计黑电平，但减去黑电平只能校正基线，不能消除随机噪声。

假设黑电平b = 64 b=64b=64，白电平w = 4095 w=4095w=4095，某像素读数d = 1088 d=1088d=1088。简单归一化为：

r = d − b w − b = 1024 4031 ≈ 0.2540 r=\frac{d-b}{w-b}=\frac{1024}{4031}\approx 0.2540r=w−bd−b​=40311024​≈0.2540

直接用1088 / 4095 1088/40951088/4095会把偏置混进信号。

程序中先转换为浮点，再做减法；无符号整数减法可能下溢。黑电平还可能按通道、行或区域变化，应读取元数据，而不是总写一个常数。

importnumpyasnpdefnormalize_raw(raw,black,white):raw=np.asarray(raw,dtype=np.float32)black=np.asarray(black,dtype=np.float32)white=np.asarray(white,dtype=np.float32)ifnp.any(white<=black):raiseValueError("white must exceed black")return(raw-black)/(white-black)

这里故意不立即裁到 0～1：负值有时对噪声统计有意义，大于 1 的情况则需要检查白电平和饱和定义。显示或输出时再根据明确目的裁剪。

5. 坏点与平场校正

坏点处理用标定得到的位置或在线检测结果定位异常像素，再利用邻域估计替换值。单张暗图更容易发现热像素；完全无响应的死像素还需要明场等信息，不能把一张暗帧当作所有坏点的充分检测。

平场校正处理“均匀照明却不均匀输出”的问题，包括镜头阴影和响应不均。其简化形式为：

r f l a t ( x , y , c ) = a ( x , y , c ) [ d ( x , y , c ) − b ( x , y , c ) ] r_{\mathrm{flat}}(x,y,c)=a(x,y,c)\,[d(x,y,c)-b(x,y,c)]rflat​(x,y,c)=a(x,y,c)[d(x,y,c)−b(x,y,c)]

增益图a aa应在合适的标定条件下获得。

图 3：讲义 PDF 第 127 页。空间增益可以补偿边角衰减，但也会放大相应区域的噪声。

平场校正并不创造边角处本来没有采集到的光子。若边角原始信号很弱，校正后看起来同样亮，也不意味着信噪比与中心相同。

6. 去马赛克：插值为什么会产生伪色？

在一个 R 位置，简单的双线性插值可以写为：

G ^ = G u p + G d o w n + G l e f t + G r i g h t 4 \hat G=\frac{G_{\mathrm{up}}+G_{\mathrm{down}}+ G_{\mathrm{left}}+G_{\mathrm{right}}}{4}G^=4Gup​+Gdown​+Gleft​+Gright​​

B ^ = B u l + B u r + B d l + B d r 4 \hat B=\frac{B_{\mathrm{ul}}+B_{\mathrm{ur}}+ B_{\mathrm{dl}}+B_{\mathrm{dr}}}{4}B^=4Bul​+Bur​+Bdl​+Bdr​​

图 4：讲义 PDF 第 130 页。中心 R 位置缺失的 G、B 分量来自不同方向的邻居。

这个方法默认局部变化平缓，但边缘两侧可能属于不同物体。跨边缘平均会混合不该混合的值，产生颜色拉链、伪色和细节损失。

边缘感知方法尝试沿变化较小的方向插值。更复杂的方法利用通道相关性，或者联合完成去马赛克与降噪。算法不是在恢复“藏在文件里”的完整 RGB，而是在依据采样和先验估计缺失数据。

7. 噪声为什么不能总用固定高斯分布模拟？

光子计数常用泊松分布描述，读出噪声则常近似成高斯噪声。在简化数字域中，常见的方差模型是：

Var ⁡ ( n ∣ s ) ≈ a s + b \operatorname{Var}(n\mid s)\approx as+bVar(n∣s)≈as+b

s ss是信号强度，a aa描述与信号有关的分量，b bb描述近似固定的读出分量。真实设备还可能包含固定模式、行列噪声、空间相关性和量化效应。

去马赛克会混合相邻位置，白平衡会按通道放大，色调曲线会按亮度改变噪声幅度。所以 RAW 噪声和最终 JPEG 中的噪声不是同一种简单分布。

8. 保存 RAW 时要一起保存什么？

至少记录设备型号、曝光时间、ISO 或有效增益信息、黑白电平、CFA 排列、有效区域、白平衡系数和颜色标定信息。尽量保留原始文件及原始元数据，而不只导出一张数组。

若用 RAW 做科学测量，还要验证线性区间、温度影响和重复拍摄的稳定性。若只是生成显示预览，则应明确预览经过了哪些白平衡、颜色映射和编码步骤。

参考与出处

• Michael S. Brown， PDF 第 109～136、176、240 页。
• 噪声方差模型、归一化代码和边界条件是本专题补充的教学内容，不代表对某一设备的实测标定结果。

上一篇：色彩空间与 Gamma
下一篇：白平衡与颜色标定