2. 图像质量基础

在进入 HAL 层参数调试与算法实战之前，必须先建立一套“可量化、可复现、可沟通”的图像质量语言。图像质量调优的本质，是在多个相互制约的指标之间寻找平衡：提高锐度会放大噪声，提升对比度可能压缩暗部细节，增强饱和度又可能造成色彩失真。因此，理解每个指标的物理含义、测量方式及其相互影响，是后续所有调优工作的基础。

一、核心指标：从“像素”到“观感”的六个维度

图像质量通常可以从六个关键维度进行拆解，它们分别对应不同的物理量、测量方法和主观感受。

• 分辨率（Resolution）：描述系统还原空间细节的能力，常用像素数（如 4000×3000）、空间频率（lp/mm、lp/ph）或 MTF50 表示。高像素不等于高解析力，镜头、传感器、去马赛克算法和锐化都会影响最终表现。
• 噪声（Noise）：分为随机噪声（光子散粒噪声、读出噪声）和固定模式噪声（FPN）。常用 SNR、PSNR 衡量，视觉上表现为颗粒感、彩色噪点或暗部斑块。
• 动态范围（Dynamic Range）：同一帧中可同时保留的最亮与最暗细节范围，单位 dB 或 EV。它决定高光是否溢出、暗部是否死黑，是 HDR 场景的核心指标。
• 色彩空间（Color Space）：sRGB、Adobe RGB、DCI-P3、Rec.2020 等定义了色域边界与编码方式。色彩空间转换不当会导致偏色、饱和度异常或肤色失真。
• 锐度（Sharpness）：边缘对比度的主观感受，受 MTF、锐化算法、降噪强度共同影响。过度锐化会产生白边（halo）和振铃。
• 对比度（Contrast）：全局对比度与局部对比度（微对比）不同。全局对比度影响画面通透感，局部对比度影响纹理层次。

二、客观测量与主观评价：两条腿走路

图像质量评价分为客观测量与主观评价两类。客观测量使用标准图卡和算法，可重复性强；主观评价依赖人眼观察，更贴近最终用户体验。两者缺一不可。

三、方法流程：从采集到评价的闭环

一个完整的图像质量评估流程通常包含以下步骤：

1. 场景与图卡准备：根据评估目标选择标准图卡（ISO 12233、24 色卡、灰阶卡）或真实场景。
2. 固定拍摄条件：锁定光源色温、照度、拍摄距离、曝光参数，确保可复现。
3. 数据采集：分别采集 RAW、YUV、JPEG 多级输出，便于定位问题发生在哪一级。
4. 客观分析：使用 Imatest、DXO Analyzer 或自研脚本计算 MTF、SNR、ΔE、DR 等指标。
5. 主观评分：组织 5~10 人按 MOS 标准打分，记录偏好与缺陷描述。
6. 参数回归：将问题映射到 ISP 参数（如 NR 强度、锐化增益、色调曲线），迭代验证。

# 示例：使用 Python 快速计算图像 SNR 与噪声标准差
import cv2
import numpy as np

img = cv2.imread("gray_patch.png", cv2.IMREAD_GRAYSCALE)
mean = np.mean(img)
std = np.std(img)
snr = 20 * np.log10(mean / std) if std > 0 else float('inf')

print(f"均值: {mean:.2f}")
print(f"噪声标准差: {std:.2f}")
print(f"SNR: {snr:.2f} dB")

四、案例与误区复盘

案例：暗光人像肤色偏绿且噪点明显。排查发现：AWB 在低色温下增益计算偏差，导致绿色通道增益过高；同时降噪强度不足，暗部彩色噪点未被抑制。调优策略：先修正 AWB 低色温曲线，再提升暗部色度降噪强度，最后用局部对比度增强保留肤色纹理。客观指标上 ΔE00 从 6.2 降至 2.8，主观 MOS 从 2.5 提升至 4.1。