4、图像数据准备：标准测试图像获取与RAW格式解析

做3A算法仿真，第一步不是调参数，而是找对图。

我见过不少新人，上来就用手机随手拍的照片做测试。结果算法调得再好，换到标准数据集上就崩了。说白了，没有标准测试图像，你的算法就是闭着眼睛走路。

这一章，我们就把图像数据准备这件事聊透。从数据集选择，到RAW格式解析，再到Bayer阵列与去马赛克，每一步我都会把实际项目中的坑指给你看。

4.1 标准测试图像数据集

做3A算法仿真，有三套数据集是绕不开的：Kodak、MIT、RAISE。它们各有各的脾气，我分别说说。

4.1.1 Kodak数据集

Kodak数据集是图像处理领域的“老黄牛”。它包含24张真彩色图像，分辨率从768×512到2048×1536不等。这些图像的特点是色彩丰富、纹理细腻，非常适合做白平衡和色彩校正的测试。

我个人习惯用Kodak做算法初调。为什么？因为它图像质量高，噪声低，能让你先排除传感器噪声的干扰，专心调核心参数。

4.1.2 MIT数据集

MIT数据集由麻省理工学院提供，包含多组不同光照条件下的场景图像。它的特点是同一场景有多个色温版本，非常适合做自动白平衡（AWB）的评估。

我记得有一次做AWB算法对比，用Kodak跑出来的结果都差不多，换到MIT数据集上，差距一下子就拉开了。MIT的“多光照”特性，能逼出算法的真实水平。

4.1.3 RAISE数据集

RAISE数据集是这三个里面我最常用的。它包含8156张高分辨率RAW图像，全部来自消费级相机。分辨率从1200万像素到3600万像素不等。

RAISE最大的价值在于：它提供了原始RAW文件。这意味着你可以完全控制从Bayer数据到最终图像的每一个环节。做去马赛克算法、噪声建模、HDR合成，RAISE都是首选。

4.2 RAW图像格式解析

RAW格式是什么？说白了，它就是传感器“看到”的原始数据，未经任何处理。JPEG是“做好的菜”，RAW是“刚买回来的菜”。

你想想看，做3A算法，你肯定要从原材料开始调，而不是从成品菜里反推配方。所以理解RAW格式是基本功。

4.2.1 RAW文件结构

一个典型的RAW文件包含以下几个部分：

• 文件头： 包含相机型号、ISO、快门速度、白平衡设置等元数据
• 图像数据： 传感器输出的原始像素值，通常是12位或14位
• 缩略图： 相机生成的预览JPEG图像
• 附加数据： 镜头校正参数、黑电平、增益映射等

我曾经在解析某品牌相机的RAW文件时，发现它的黑电平数据藏在文件头的第1024字节偏移处，而不是标准位置。这种“非标”设计，让我多花了三天时间调试。

4.2.2 常用RAW解析库

做仿真时，我不建议自己从头写RAW解析器。直接用现成的库，省时省力。

# 使用 rawpy 解析 RAW 文件
import rawpy
import numpy as np

# 读取 RAW 文件
raw = rawpy.imread('sample.NEF')

# 获取 Bayer 原始数据（未处理）
bayer_raw = raw.raw_image  # 形状: (H, W)，uint16

# 获取黑电平和白电平
black_level = raw.black_level_per_channel
white_level = raw.white_level

# 获取颜色校正矩阵（CCM）
ccm = raw.color_matrix

# 获取白平衡增益
wb_gains = raw.camera_whitebalance

print(f"图像尺寸: {bayer_raw.shape}")
print(f"黑电平: {black_level}")
print(f"白电平: {white_level}")

4.3 Bayer阵列与去马赛克基础

大多数相机传感器使用Bayer阵列。它用红、绿、蓝三种滤色片覆盖在像素上，每个像素只记录一种颜色。绿色像素数量是红色和蓝色的两倍，因为人眼对绿色更敏感。

4.3.1 Bayer阵列模式

最常见的Bayer模式是RGGB，也有BGGR、GRBG、GBRG等变体。不同相机厂商用的模式不一样。

# RGGB 模式的 4x4 像素块
# R  G  R  G
# G  B  G  B
# R  G  R  G
# G  B  G  B

# 用代码生成 Bayer 掩码
def get_bayer_mask(shape, pattern='RGGB'):
    h, w = shape
    mask_r = np.zeros((h, w), dtype=bool)
    mask_g = np.zeros((h, w), dtype=bool)
    mask_b = np.zeros((h, w), dtype=bool)
    
    if pattern == 'RGGB':
        mask_r[0::2, 0::2] = True
        mask_g[0::2, 1::2] = True
        mask_g[1::2, 0::2] = True
        mask_b[1::2, 1::2] = True
    elif pattern == 'BGGR':
        mask_b[0::2, 0::2] = True
        mask_g[0::2, 1::2] = True
        mask_g[1::2, 0::2] = True
        mask_r[1::2, 1::2] = True
    # ... 其他模式类似
    
    return mask_r, mask_g, mask_b

4.3.2 去马赛克算法

去马赛克（Demosaicing）就是从Bayer数据恢复出完整RGB图像的过程。最简单的算法是双线性插值，但效果一般。实际项目中常用的是自适应插值或基于边缘导向的算法。

我刚开始做去马赛克时，用双线性插值跑出来的图像边缘全是锯齿。后来换成基于梯度的插值，效果好了很多。但要注意，没有一种算法是万能的——纹理丰富的区域和平坦区域需要不同的处理策略。

4.4 本章知识体系

下面这张图，我把本章的核心知识点串了起来。你可以把它当作一个快速索引。

4.5 实践建议

说了这么多，最后给几条实操建议：

• 先下载RAISE数据集的一个子集（比如100张），验证你的解析流程没问题，再下载全集。不然硬盘空间浪费了，时间也浪费了。
• 写一个统一的RAW加载器，封装rawpy的调用，统一输出格式。这样后续换数据集时，只需要改配置文件，不用改代码。
• 去马赛克算法不要一上来就搞复杂的。先用双线性插值跑通整个流程，再逐步替换成更高级的算法。这样能快速定位问题出在哪个环节。