Bayer格式详解：从阵列到RAW数据读取

做图像处理的人，天天跟Bayer格式打交道。说白了，Bayer就是CMOS传感器输出的一种原始数据格式。为什么叫Bayer？因为发明它的人叫Bryce Bayer，柯达的工程师。1976年提出的方案，到现在还在用，你想想看这有多经典。

我个人习惯把Bayer格式理解成「传感器的语言」。传感器本身分不清颜色，它只能感知光的强度。那怎么得到彩色图像？靠的就是在像素表面覆盖一层彩色滤光片阵列——这就是Bayer阵列。

Bayer阵列模式

标准的Bayer阵列，每2x2个像素为一组。每个像素只允许一种颜色的光通过。绿色占一半，红色和蓝色各占四分之一。为什么绿色多？因为人眼对绿色最敏感。这个设计很聪明，对吧？

常见的Bayer模式有四种：

这里有个坑。我曾经在项目中接过一批RAW图，怎么处理颜色都不对。折腾了两天，最后发现是Bayer模式搞错了。传感器文档写的是RGGB，实际输出是GRBG。从那以后，我拿到新传感器第一件事就是拍一张纯白画面，检查Bayer模式。

Bayer阵列的物理结构

你想想看，一个2000万像素的传感器，实际上有2000万个感光点。每个点上面盖着一层微小的滤光片。这些滤光片的排列方式，就是Bayer阵列。

我画了一张图，帮你理解Bayer阵列的结构：

RAW数据读取

RAW数据，说白了就是传感器直接输出的原始数据。没有经过任何处理，没有去马赛克，没有白平衡，没有伽马校正。每个像素就是一个数字，代表该点的光强度。

读取RAW数据，我一般用Python。下面是我常用的读取代码：

import numpy as np
import struct

def read_raw_bayer(file_path, width, height, bpp=10):
    """
    读取Bayer RAW数据
    file_path: RAW文件路径
    width, height: 图像宽高
    bpp: 每像素位数，常见10bit/12bit/14bit
    """
    with open(file_path, 'rb') as f:
        raw_data = f.read()
    
    # 计算每像素占用的字节数
    if bpp == 10:
        # 10bit数据，5个字节存4个像素
        pixel_count = width * height
        expected_size = (pixel_count * 10 + 7) // 8
        raw_data = raw_data[:expected_size]
        
        # 解包10bit数据
        raw_10bit = np.frombuffer(raw_data, dtype=np.uint16)
        # 这里需要做位操作，略
    elif bpp == 12:
        # 12bit数据，3个字节存2个像素
        raw_12bit = np.frombuffer(raw_data, dtype=np.uint16)
        # 位操作提取12bit值
    else:
        # 8bit或16bit直接读取
        dtype = np.uint8 if bpp == 8 else np.uint16
        raw_array = np.frombuffer(raw_data, dtype=dtype)
    
    # 重塑为2D数组
    bayer_image = raw_array.reshape((height, width))
    return bayer_image

Bayer数据的内存布局

嗯，这里要注意。Bayer数据在内存里是逐行存储的。第一行是RGRGRG...，第二行是GBGBGB...，以此类推。你想想看，如果搞错了行顺序，出来的图像就是错位的。

我整理了一个表格，帮你理解不同Bayer模式的行数据：

我曾经犯过一个低级错误。读取RAW数据时，把行顺序搞反了。结果出来的图像颜色完全不对，红色变成了蓝色。排查了半天，才发现是numpy的reshape方向错了。

Bayer数据的可视化

读取完RAW数据，我习惯先看一眼数据分布。用matplotlib显示一下：

import matplotlib.pyplot as plt

def visualize_bayer(bayer_image, mode='RGGB'):
    plt.figure(figsize=(10, 8))
    
    # 显示原始Bayer数据
    plt.subplot(2, 2, 1)
    plt.imshow(bayer_image, cmap='gray')
    plt.title('Bayer RAW Data')
    
    # 分离通道
    h, w = bayer_image.shape
    r_channel = np.zeros((h//2, w//2))
    g_channel = np.zeros((h//2, w//2))
    b_channel = np.zeros((h//2, w//2))
    
    if mode == 'RGGB':
        r_channel = bayer_image[0:h:2, 0:w:2]
        g_channel = bayer_image[0:h:2, 1:w:2]
        b_channel = bayer_image[1:h:2, 1:w:2]
    
    plt.subplot(2, 2, 2)
    plt.imshow(r_channel, cmap='Reds')
    plt.title('Red Channel')
    
    plt.subplot(2, 2, 3)
    plt.imshow(g_channel, cmap='Greens')
    plt.title('Green Channel')
    
    plt.subplot(2, 2, 4)
    plt.imshow(b_channel, cmap='Blues')
    plt.title('Blue Channel')
    
    plt.tight_layout()
    plt.show()

常见Bayer格式的差异

不同厂商的传感器，Bayer格式可能不一样。我整理了一些常见传感器的参数：

这里有个技巧。拿到一个新传感器，如果文档没写Bayer模式，你可以拍一张纯白画面。然后分别用四种模式去解析，看哪个出来的颜色最正常。我经常用这个方法快速确认。

Bayer数据的预处理

读取完RAW数据，我一般会做几步预处理：

1. 黑电平校正：减去暗电流带来的偏移量
2. 坏点校正：修复传感器上的坏像素
3. 增益校正：补偿不同通道的灵敏度差异
4. 数据归一化：将数据映射到0-1范围

这些预处理步骤，说白了就是为后面的去马赛克和白平衡做准备。数据质量不好，后面的算法再牛也白搭。

def preprocess_bayer(bayer_image, black_level=64, white_level=1023):
    """
    Bayer数据预处理
    """
    # 黑电平校正
    bayer_corrected = bayer_image.astype(np.float32) - black_level
    
    # 裁剪到有效范围
    bayer_corrected = np.clip(bayer_corrected, 0, white_level - black_level)
    
    # 归一化到0-1
    bayer_normalized = bayer_corrected / (white_level - black_level)
    
    return bayer_normalized

嗯，到这里Bayer格式的基础知识就差不多了。你想想看，理解了Bayer阵列的结构，知道了怎么读取RAW数据，后面的去马赛克和白平衡处理就有了基础。这些内容看起来简单，但实际项目中踩坑的人不少。我建议你动手写代码试试，用真实的RAW数据跑一遍，感受一下。