1. 课程导论：去马赛克与白平衡联合调试的背景、意义与行业现状
1.1 为什么要把这两件事放在一起讲？
先问大家一个问题：你拿到一块 raw 图，第一步做什么？
很多人会下意识地说——先做去马赛克（Demosaic），再做白平衡（AWB）。
嗯，这个顺序在教科书上确实没错。但我做了十几年 ISP 调试，踩过的坑告诉我：这两件事根本不是独立的。
去马赛克负责把 Bayer 格式的像素插值成完整的 RGB 图像。白平衡负责把色温偏差拉回来。你想想看，如果插值出来的颜色本身就偏了，白平衡再怎么调也是错的。反过来，如果白平衡参数没给对，去马赛克插值时用的参考像素也会出问题。
说白了，这是一个鸡生蛋、蛋生鸡的死循环。
核心观点：去马赛克和白平衡必须联合调试，才能得到真正稳定的图像质量。单独调任何一个，都会在另一个环节暴露出新的问题。
1.2 行业现状：大家都在怎么干？
我接触过不少手机厂商、安防公司和车载方案商。坦白讲，大部分团队的做法是：
- 流水线式调试：先调 Demosaic 参数，再调 AWB 参数。两个模块由不同的人负责，中间只交接一次。
- 依赖硬件加速器：很多 SoC 自带的 ISP 硬件模块把 Demosaic 和 AWB 做成固定 pipeline，软件只能调几个系数。
- 用标定板凑合：在 D65 光源下调好，换到 A 光源或 H 光源就崩了。
这样做有什么后果？
| 问题场景 | 单独调 Demosaic | 单独调 AWB | 联合调试 |
|---|---|---|---|
| 低照度（10 lux） | 伪彩色严重 | 色温偏冷 | 伪彩减少，色温稳定 |
| 混合光源（室内+窗边） | 边缘锯齿 | 局部偏绿 | 边缘平滑，颜色自然 |
| 高饱和红色物体 | 紫色溢出 | 红色被压暗 | 红色保留细节 |
你看，单独调的时候，每个模块在自己的测试用例里都达标。但一放到真实场景，问题全冒出来了。
我的经验：有一次给某款安防摄像头做调试，室内白平衡调得特别好，结果一到室外树荫下，绿色植物全变成了紫色。查了两天才发现——是 Demosaic 在绿色通道的插值权重跟 AWB 的增益打架了。从那以后，我坚持把这两个模块放在一起调。
1.3 联合调试到底解决什么问题？
我把它总结成三个核心矛盾：
- 颜色一致性 vs 细节保留：去马赛克插值越平滑，颜色越均匀，但边缘细节会丢失。白平衡增益越大，颜色越准，但噪声会被放大。联合调试就是要找到那个平衡点。
- 全局色温 vs 局部色偏：AWB 算的是整幅图的色温，但 Demosaic 是在局部做插值。如果局部区域有强色偏（比如红色灯箱），插值出来的像素会带偏周围区域，AWB 再一算，整张图都偏了。
- 算法复杂度 vs 实时性：联合优化意味着更多的计算量。在嵌入式平台上，你得在 30fps 的约束下跑通。我见过不少团队算法写得漂亮，但一上硬件就卡成 PPT。
避坑指南：我曾经在一个项目里，为了追求极致的去马赛克效果，用了 5x5 的插值窗口。结果白平衡一介入，整张图的低频噪声全被放大了。最后不得不回退到 3x3 窗口，重新调联合参数。所以，不要单独优化任何一个模块，要放在一起看最终效果。
1.4 本章知识体系总览
下面这张图，是我自己画的本课程知识框架。你可以先扫一眼，心里有个底。
这张图其实已经说清楚了：Demosaic 和 AWB 不是两条平行线，它们在多个层面相互影响。本课程会从 Bayer 格式讲起，一步步深入到联合优化的核心方法。
1.5 这门课适合谁？
- ISP 调试工程师：想系统提升图像质量，不再被伪彩色和色偏折磨。
- 算法开发人员：想理解硬件 pipeline 的约束，写出能落地的代码。
- 嵌入式软件工程师：需要在资源受限的平台上做联合优化。
- 学生/研究者：想了解工业界的真实做法，而不是只看。
我的建议：如果你刚入行，别急着看后面的联合优化算法。先把本章的基础概念吃透，尤其是 Bayer 格式和色温估计的原理。基础不牢，后面会越调越乱。
1.6 你会学到什么？
简单列一下课程的核心交付：
- 从零搭建一套联合调试的 Python 仿真环境
- 掌握 5 种以上去马赛克插值算法及其优缺点
- 理解白平衡的灰度世界、完美反射、色温曲线等经典方法
- 学会用联合代价函数同时优化 Demosaic 和 AWB 参数
- 在真实 raw 图上跑通完整的调试流程
嗯，内容不少。但别担心，我会带着你一步步走。每章都有可运行的代码和测试数据。