📚 课程目录第3章 RAW预处理

3、RAW预处理：黑电平校正、坏点校正、镜头阴影校正（LSC）

好，咱们进入RAW域处理的第一道关卡。说白了，传感器拿到的原始数据是不能直接用的。为什么？因为硬件有物理偏差，有制造缺陷，还有光学系统的天然瑕疵。这三步预处理，就是把这些“脏东西”先清理干净。

我个人习惯把这三大校正称为“RAW的三件套”。顺序也很讲究：先黑电平，再坏点，最后LSC。调换顺序？嗯，我试过，效果会打折扣，后面细说。

3.1 黑电平校正（Black Level Correction）

先问个问题：传感器在完全无光的情况下，输出应该是0吗？

答案是否定的。因为传感器电路本身有暗电流，像素在无光照时也会积累少量电荷。这个底噪值，就是黑电平。如果不减掉，整张画面会偏灰，暗部细节全被埋没。

3.1.1 原理与实现

黑电平校正的公式很简单：

I_corrected = I_raw - black_level

但black_level怎么取？不同传感器策略不同。常见两种：

方式	说明	我遇到的坑
固定值	传感器厂商给一个固定偏移量，比如64	温度一变，固定值就不准了
OB像素	传感器边缘有被遮光的像素，实时读取均值	OB行偶尔有坏点，得先剔除再平均

我的习惯：优先用OB像素方式。如果必须用固定值，建议在产线标定环节做温度补偿查表。

3.1.2 代码示例

def black_level_correction(raw_img, ob_pixels=None, fixed_bl=None):
    if ob_pixels is not None:
        # 剔除OB行中的异常值（比如上下5%分位）
        ob_clean = np.percentile(ob_pixels, [5, 95])
        bl = np.mean(ob_clean)
    else:
        bl = fixed_bl
    
    corrected = np.maximum(raw_img.astype(np.int16) - bl, 0)
    return corrected.astype(np.uint16)

注意：减法后一定要做clamp到0，否则负值在后续处理中会引发灾难。我曾经见过一个项目，忘了这步，结果坏点校正直接把负值当亮点处理了……

3.2 坏点校正（Defect Pixel Correction）

传感器制造不可能完美。总有一些像素对光不敏感（死点），或者一直亮着（亮点），或者响应异常。这些坏点如果不处理，会在最终图像上形成刺眼的“星星”或“黑洞”。

3.2.1 坏点检测策略

我把它分成两类：

静态坏点：出厂就有的，通过标定生成坏点map
动态坏点：使用中出现的，靠算法实时检测

实际项目中，我建议两者结合。静态map保底，动态算法兜底。

3.2.2 动态坏点检测算法

最常用的方法是“邻域比较法”。看当前像素和周围8个邻居的差异：

def detect_defect_pixel(img, x, y, threshold=40):
    center = img[x, y]
    neighbors = get_8_neighbors(img, x, y)
    median_val = np.median(neighbors)
    
    if abs(int(center) - int(median_val)) > threshold:
        return True
    return False

为什么用中位数而不是均值？因为均值容易被其他坏点带偏。中位数更鲁棒。

  关键参数：threshold的选取。太严会误杀正常像素，太松会漏掉坏点。我一般先做一张暗场图（盖上镜头盖拍），统计正常像素的噪声标准差，threshold取3~5倍sigma。

3.2.3 坏点校正方法

检测到坏点后，怎么修？

方法	原理	适用场景
中值替换	用邻域中位数替代	孤立坏点，效果最好
均值替换	用邻域均值替代	坏点簇，但会模糊细节
插值法	沿边缘方向插值	坏点在纹理区域

避坑指南：我曾经在Bayer域直接做坏点校正，没考虑颜色通道。结果绿色通道的坏点用红蓝邻居去修，颜色全乱了。记住：坏点校正必须在同色通道内进行。

3.3 镜头阴影校正（LSC）

这是光学系统的“原罪”。镜头中心光线直射传感器，边缘光线斜射，导致边缘亮度下降。再加上镜头本身的透光率不均匀，就形成了“暗角”。

3.3.1 校正原理

说白了就是给每个像素乘一个增益系数。中心区域增益接近1，边缘增益大于1。

I_corrected(x, y) = I_raw(x, y) * gain(x, y)

gain(x, y)怎么来？两种主流方式：

多项式拟合：用二维多项式拟合阴影曲面
查表法：预先标定每个像素的增益，存成LUT

3.3.2 标定流程

我自己在项目中用的标定步骤：

拍摄一张均匀白板（DNP或X-Rite白卡）
取图像中心区域均值作为参考亮度
计算每个像素的增益 = 参考亮度 / 该像素亮度
对增益图做平滑（防止噪声放大）
存储为LUT或拟合系数

重要：标定用的白板必须均匀且中性。我见过有人用A4纸，结果纸本身纹理和偏色全被当成镜头阴影校正进去了，出图反而更糟。

3.3.3 代码实现

def apply_lsc(raw_img, gain_lut):
    # gain_lut 与 raw_img 同尺寸
    corrected = raw_img * gain_lut
    # 注意：增益后可能溢出，需要做饱和处理
    corrected = np.clip(corrected, 0, 2**12 - 1)  # 假设12bit RAW
    return corrected.astype(np.uint16)

3.3.4 分通道处理

不同波长的光折射率不同，所以R、G、B通道的阴影曲线不一样。必须分通道标定和校正。

通道	阴影特点	校正策略
R	边缘衰减最严重	增益系数最大
G	居中	标准增益
B	衰减相对较小	增益系数最小

  性能优化：如果平台算力有限，可以降采样计算增益，然后双线性插值回原分辨率。我做过测试，8x8降采样对画质影响几乎不可见，但速度能快10倍。

3.4 三大校正的流程关系

最后，我用一张图把这三步串起来。顺序不能乱：黑电平校正必须在最前面，因为它影响所有像素的基准。坏点校正紧随其后，因为坏点如果不修，LSC会把坏点增益放大。LSC放在最后，因为它依赖前两步的干净数据。

嗯，这三步做完，RAW数据才算“干净”了。后面才能放心地做去马赛克、白平衡、色调映射。每一步都有坑，但踩过一次就记住了。希望你们能一次跳过这些坑。