1. 课程导入
图像质量调优是连接“硬件能力”与“用户感知”的关键工程环节。同一颗Sensor、同一套ISP，在不同场景、不同参数、不同算法策略下，输出的照片可能从“灰暗发糊”变成“通透自然”。本课程的目标不是让你死记某个寄存器，而是建立一条从HAL层到算法实战的完整调优链路：知道问题出在哪一层、用什么工具定位、改哪个参数、如何验证效果。
一、核心概念：从“像素”到“感知”的四层映射
图像质量调优的核心，是理解一条从物理世界到数字图像的映射链。它通常分为四层：
- 物理层：镜头、Sensor、马达、闪光灯等硬件决定进光量、对焦能力与噪声底。
- 数据层：RAW、YUV、RGB等格式承载了原始信息，HAL负责在Camera Service与驱动之间搬运和配置这些数据流。
- 算法层：3A（AE/AWB/AF）、降噪、锐化、HDR、色彩校正、去马赛克等模块对图像进行增强或修复。
- 感知层：最终用户看到的亮度、色彩、清晰度、噪点、动态范围与风格倾向。
调优的本质，是在这四层之间做“约束下的权衡”。例如，提升暗部亮度会放大噪声，增强锐化会放大噪点，提高饱和度可能造成肤色偏红。因此，调优不是“把所有参数拉满”，而是找到场景与体验的平衡点。
二、整体框架：HAL层在调优链路中的位置
Android Camera架构中，HAL层是承上启下的关键。应用通过Camera2 API下发请求，Camera Service将请求转换为HAL可识别的参数，HAL再与驱动、ISP、算法库交互。调优工程师通常通过以下路径介入：
App / Camera2 API
↓ CaptureRequest / CaptureResult
Camera Service
↓ metadata + stream configuration
Camera HAL
↓ sensor gain / exposure / ISP params
Kernel Driver + ISP + Algorithm Pipeline
↓ RAW / YUV / RGB frames
Image Quality Evaluation & Tuning
理解这条链路后，你就能判断：一个“偏绿”问题，可能是AWB统计区域不对，也可能是HAL下发的色温参数有误，还可能是ISP色彩矩阵未校准。定位层级不同，解决手段完全不同。
三、方法流程：调优的五个标准动作
无论面对哪种画质问题，调优流程都可以归纳为五个动作：
- 复现与采集：固定光源、固定场景、固定版本，抓取RAW、YUV、JPEG以及HAL metadata日志。
- 指标量化：用Imatest、DXO Analyzer或自研工具计算亮度、色差、噪声、解析力等指标。
- 层级定位：判断问题属于Sensor曝光、ISP参数、3A策略还是算法模块。
- 参数调整：修改HAL下发的metadata、ISP tuning参数或算法配置，小步迭代。
- 回归验证：在多个场景下对比调优前后，确认无副作用后固化版本。
四、案例场景：夜景偏色问题的定位
假设某项目在夜景下拍摄白色墙面偏绿。按照上述流程，先采集RAW与YUV图，发现RAW白平衡统计中绿色通道增益异常。进一步查看HAL metadata，发现AWB下发的色温为3200K，但实际光源约为4000K。问题定位在AWB统计区域被画面中的绿色植物干扰。解决方式是调整AWB权重区域，降低边缘绿色像素的统计权重，并增加灰点检测。调整后重新采集，色差ΔE从8.2降到3.1，肤色与白墙恢复自然。
这个案例说明：调优不是“调颜色”，而是“调统计与策略”。只有看到数据流中的真实参数，才能做出正确判断。
五、常见误区与复盘清单
| 误区 | 表现 | 正确做法 |
|---|---|---|
| 只调算法，不看HAL | 参数改了但无效果 | 先确认HAL是否下发正确metadata |
| 同时改多个参数 | 效果变好但无法复现 | 单变量迭代，保留日志 |
| 只看主观感受 | 不同人评价不一致 | 主观+客观指标结合 |
| 忽略场景差异 | 室内好、室外差 | 建立多场景测试矩阵 |
| 不记录版本 | 无法回溯 | 参数版本与代码版本绑定 |
当你完成本课程的学习，你应该能够独立完成一次从问题复现、数据采集、层级定位、参数调整到回归验证的完整调优闭环，并能用客观指标和主观场景共同证明调优效果。这就是从HAL层到算法实战的核心能力。