1. 低光照成像基础：人眼视觉特性、低光照图像退化模型、信噪比与动态范围

各位同学，咱们开始第一讲。做移动端ISP，尤其是低光照增强，你得先搞清楚一个问题：到底什么是“暗”？

这个“暗”不是单纯的光线少，它背后牵扯到人眼怎么看、传感器怎么坏、信号怎么被噪声淹没。我做了这么多年ISP，发现很多工程师一上来就调算法参数，结果效果忽好忽坏——说白了，就是没吃透这三块基础。

1.1 人眼视觉特性：你的目标不是“真实”，而是“舒服”

先聊人眼。你想想看，我们做图像增强，最终是给人看的。所以你得知道人眼在暗光下是怎么工作的。

1.1.1 暗适应与明适应

从亮处走进电影院，一开始什么都看不见，过几分钟慢慢能看清座位——这叫暗适应。反过来，从暗处走到阳光下，瞬间刺眼得睁不开——这叫明适应。

人眼的感光细胞分两种：

• 视锥细胞：负责明视觉，对颜色敏感，但需要足够的光。
• 视杆细胞：负责暗视觉，对亮度极其敏感，但几乎不感知颜色。

所以在极暗环境下，人眼看到的其实是“黑白”画面。我见过不少算法在极暗场景下硬拉饱和度，结果颜色偏得离谱——嗯，这其实违背了人眼的生理特性。

1.1.2 韦伯-费希纳定律

人眼对亮度的感知不是线性的。公式很简单：

ΔL / L = k

意思是：你能感知到的最小亮度变化（ΔL），和当前背景亮度（L）的比值是常数。换句话说，暗处差一点亮度你就能察觉，亮处差很多你才觉得有变化。

这给ISP设计带来什么启示？

• 暗区需要更精细的量化步长——所以很多ISP用非线性量化或局部色调映射。
• 亮区可以粗一点，节省带宽和计算量。

我个人习惯在调试低光照算法时，先画一条人眼亮度感知曲线贴在工位上——时刻提醒自己：别用线性思维去处理非线性问题。

1.2 低光照图像退化模型：信号是怎么“坏”掉的

好，现在从人眼切换到传感器。一张低光照照片，到底经历了什么？

我把它拆成三个环节：

1. 光子采集：光线通过镜头，打到传感器像素上。
2. 光电转换：光子被转换成电子，再被读出成电压信号。
3. 量化输出：模拟信号转数字，变成我们看到的像素值。

每个环节都会引入退化。我画了一张图，帮你理清这个链条：

从这张图你能看到，低光照下信号本来就弱，经过镜头衰减、传感器噪声、ISP增益放大，信噪比急剧下降。我曾经调试一款手机，在0.5 lux下预览画面全是雪花——后来发现是传感器读出噪声比信号还大，增益一拉，噪声全出来了。

1.3 信噪比与动态范围：两个绕不开的硬指标

做低光照增强，你每天都会跟这两个参数打交道。我建议你把它们刻在脑子里。

1.3.1 信噪比（SNR）

公式很简单：

SNR = 20 * log10(Signal / Noise)   [单位: dB]

信号是你要的，噪声是你不要的。低光照下信号小，噪声不变，SNR自然低。

我整理了一个典型场景的SNR对比：

1.3.2 动态范围（DR）

动态范围是传感器能同时记录的最亮和最暗区域的比值：

DR = 20 * log10(满阱容量 / 读出噪声)   [单位: dB]

低光照场景下，动态范围面临两个挑战：

• 暗部被噪声淹没：信号低于读出噪声，细节丢失。
• 亮部可能过曝：如果为了暗部拉长曝光时间，亮部就饱和了。

我举个例子：你拍夜景，路灯是亮的，树影是暗的。单帧想同时保留两者？很难。这就是为什么现在手机都做多帧融合——短帧保高光，长帧提暗部，最后合成。

1.4 SNR与DR的权衡：一个实战案例

咱们来看一个真实场景。假设你有一个传感器，满阱容量 30,000 e⁻，读出噪声 5 e⁻。

计算一下：

DR = 20 * log10(30000 / 5) ≈ 75.6 dB

这个数字看起来不错。但在低光照下（比如信号只有 100 e⁻）：

SNR = 20 * log10(100 / 5) ≈ 26 dB

只有26 dB，画面噪点已经很明显了。

这时候你怎么办？

• 方案A：增加增益，SNR提升到30 dB，但DR下降到70 dB。
• 方案B：多帧合成，SNR提升到32 dB，DR保持75 dB，但需要运动补偿。

我个人倾向于方案B。虽然算法复杂一点，但效果上限更高。我在一个旗舰机项目里就是这么做的——最终暗光SNR提升了6 dB，用户反馈“夜拍终于能看了”。

1.5 本章小结

咱们这一章把基础打牢了：

• 人眼视觉：暗适应、韦伯定律——告诉你增强的方向。
• 退化模型：从光子到像素，每一步都在丢信息。
• SNR与DR：两个硬指标，是衡量算法效果的根本。