4. 黑电平校正原理

好，我们直接进入正题。黑电平校正，英文叫 Black Level Correction，简称 BLC。很多刚接触 RAW 域的朋友会问：不就是减一个固定值吗？有什么好讲的？

嗯，我当年也这么想过。直到有一次，我在调试一款索尼的 IMX 系列传感器时，拍出来的夜景照片整体偏紫，怎么调白平衡都救不回来。折腾了两天，最后发现是黑电平没减干净。从那以后，我再也不敢小看这个「减法」了。

4.1 黑电平是怎么来的？

先说说传感器的物理特性。CMOS 传感器里的每个像素，本质上是一个光电二极管。理想情况下，没有光照射时，像素应该输出 0。但现实不是这样的。

传感器内部有读出电路、放大器、模数转换器（ADC）。这些电子元件本身就有暗电流和热噪声。即使你把镜头盖死，传感器依然会输出一个非零的数值。这个数值，就是黑电平。

我习惯把黑电平理解成「传感器的底噪基线」。不同厂商、不同型号的传感器，黑电平值都不一样。甚至同一个传感器，在不同增益（ISO）下，黑电平也会变化。

4.2 为什么必须减去黑电平？

说白了，不减去黑电平，你的图像数据就是「漂移」的。我们来算一笔账。

假设一个 12-bit RAW 图像，黑电平是 64。某个像素在暗部区域的实际信号是 10，但传感器输出是 74（64+10）。如果你不做黑电平校正，直接拿 74 去做后续处理，会发生什么？

• 暗部偏色：RGB 三个通道的黑电平可能不一致。比如 R 通道黑电平 64，G 通道 63，B 通道 66。不校正的话，暗部会偏绿或偏紫。
• 动态范围浪费：12-bit 的最大值是 4095。黑电平占了 64 个码值，相当于你损失了约 1.5% 的动态范围。虽然不多，但在高 ISO 下，这点损失会被放大。
• 后续算法出错：白平衡、去马赛克、伽马校正等算法，都假设黑电平已经被减到 0。如果你带着偏置去算，结果会越来越离谱。

4.3 黑电平校正的两种方式

实际工程中，黑电平校正有两种主流做法。我整理了一个对比表，方便你理解。

方式	原理	适用场景	优缺点
全局减固定值	从所有像素中减去同一个黑电平值	传感器黑电平均匀，无行噪声	简单快速，但无法处理局部差异
逐行/逐列校正	每行或每列使用不同的黑电平值	传感器存在行噪声或列噪声	精度高，但需要额外存储行/列参数

我个人习惯的做法是：先用全局减固定值做粗校正，再用逐行校正做细调。这样既保证了速度，又兼顾了精度。

4.4 代码实现：最简单的黑电平校正

来看一段 Python 代码。假设我们有一个 12-bit RAW 图像，黑电平是 64。

import numpy as np

def black_level_correction(raw_image, black_level=64):
    """
    黑电平校正函数
    :param raw_image: 输入 RAW 图像 (numpy array)
    :param black_level: 黑电平值
    :return: 校正后的 RAW 图像
    """
    # 确保数据类型是浮点，避免溢出
    corrected = raw_image.astype(np.float32)
    
    # 减去黑电平
    corrected -= black_level
    
    # 钳位到 [0, 4095] 范围
    corrected = np.clip(corrected, 0, 4095)
    
    return corrected.astype(np.uint16)

这段代码看起来简单，但有几个细节要注意。

• 数据类型转换：RAW 图像通常是 uint16，直接减可能会变成负数。先转 float 再操作，安全。
• 钳位操作：减去黑电平后，有些像素可能变成负数。必须钳位到 0，否则后续处理会出问题。
• 黑电平值怎么来？：通常从传感器的 datasheet 里读，或者通过拍摄全黑帧统计得到。

4.5 黑电平校正的完整流程

下面这张 SVG 图，展示了黑电平校正在整个 RAW 域处理流水线中的位置。

4.6 多通道黑电平不一致的问题

这里有个坑，我必须提一下。彩色传感器的 Bayer 阵列有 R、G、B 三种滤光片。不同颜色的像素，黑电平可能不一样。

为什么？因为不同波长的光在硅基材料中的穿透深度不同，导致暗电流大小不同。一般来说，红色通道的黑电平最高，蓝色通道最低。

我遇到过最极端的情况：某款传感器在 60°C 高温下，R 通道黑电平比 G 通道高了 12 个码值。如果不做分通道校正，暗部直接偏红。

4.7 黑电平校正的精度问题

黑电平校正不是简单的整数减法。实际工程中，黑电平值可能是小数。比如统计出来的黑电平是 64.3，你减 64 还是减 65？

我建议的做法是：保留浮点精度，在 RAW 域用 float 处理，最后再转回 uint16。这样能最大程度保留暗部细节。

def precise_black_level_correction(raw_image, black_level_per_channel):
    """
    分通道高精度黑电平校正
    :param raw_image: 输入 RAW 图像 (H, W)
    :param black_level_per_channel: 字典，如 {'R': 64.3, 'G1': 63.8, 'G2': 63.8, 'B': 65.1}
    :return: 校正后的 RAW 图像
    """
    # 假设 Bayer 模式为 RGGB
    h, w = raw_image.shape
    corrected = raw_image.astype(np.float32)
    
    # 分通道处理
    corrected[0:h:2, 0:w:2] -= black_level_per_channel['R']    # R
    corrected[0:h:2, 1:w:2] -= black_level_per_channel['G1']   # G1
    corrected[1:h:2, 0:w:2] -= black_level_per_channel['G2']   # G2
    corrected[1:h:2, 1:w:2] -= black_level_per_channel['B']    # B
    
    # 钳位
    corrected = np.clip(corrected, 0, 4095)
    
    return corrected.astype(np.uint16)

4.8 总结：黑电平校正的核心要点

嗯，到这里，黑电平校正的原理和实现就讲完了。我帮你把核心要点再捋一遍。

• 黑电平是传感器的固有偏置，不是噪声，必须减去。
• 校正必须在 RAW 域第一步做，顺序错了，后面全错。
• 分通道校正比全局校正更精确，尤其在高 ISO 或高温下。
• 保留浮点精度，避免整数截断带来的暗部信息损失。
• 黑电平值会随温度、增益变化，动态校准比固定值更可靠。