黑电平校正基础：从数学模型到工程实践

黑电平校正，说白了就是让传感器在「全黑」环境下输出正确的零值。你想想看，一个理想的图像传感器，挡住镜头一片漆黑时，输出应该是0。但现实世界哪有这么完美？

我在项目中遇到过不少刚入行的工程师，上来就套用现成的校正公式，结果暗部细节全丢了。嗯，这里面的门道，咱们得从根上讲清楚。

黑电平的物理来源

先说说黑电平是怎么来的。传感器每个像素都有暗电流，温度越高越明显。再加上读出电路的偏置，就形成了固定的基底噪声。这个基底值，就是黑电平。

黑电平校正的数学模型

校正模型其实很简单。假设原始像素值为 D_raw，黑电平值为 B，校正后的像素值为 D_corrected，那么：

D_corrected = D_raw - B

等等，就这么简单？是的，数学上就这么简单。但工程实现上，麻烦事在后面。

为什么？因为 B 不是固定值。它会随温度变化、随增益变化、甚至随像素位置变化。我见过一个项目，白天调试好的校正参数，晚上温度降了10度，暗部直接偏绿。

全局校正 vs 局部校正

这就引出了两个概念：全局校正和局部校正。

对比项	全局校正	局部校正
校正粒度	整帧图像用一个B值	每个像素或区域用不同B值
计算量	低，一次减法	高，需要查表或插值
适用场景	传感器一致性好的高端芯片	低端传感器、大靶面CMOS
暗角校正	无法处理	可以同时校正暗角
存储开销	1个参数	整张校正表

我个人习惯，在项目初期先用全局校正快速验证算法流程。等系统稳定了，再换成局部校正提升画质。

校正参数的计算方法

参数怎么算？最常用的方法是「暗场采集法」。

1. 采集暗场：盖上镜头盖，用和正常拍摄相同的曝光时间、增益，拍N帧全黑图像。
2. 多帧平均：把N帧逐像素平均，消除随机噪声的影响。
3. 提取黑电平：对于全局校正，取整帧均值；对于局部校正，保留每个像素的均值。

代码实现也很直接：

import numpy as np

def compute_black_level(dark_frames):
    """
    计算全局黑电平
    dark_frames: shape = (N, H, W)
    """
    # 多帧平均
    mean_frame = np.mean(dark_frames, axis=0)
    # 全局黑电平
    B_global = np.mean(mean_frame)
    return B_global

def compute_black_level_map(dark_frames):
    """
    计算局部黑电平校正表
    """
    mean_frame = np.mean(dark_frames, axis=0)
    # 保留每个像素的校正值
    return mean_frame

避坑指南：暗场采集的陷阱

我曾经在一个项目中吃过亏。采集暗场时，没注意传感器温度，结果校正后的图像反而出现了奇怪的条纹。

黑电平校正的完整流程

下面这张图，是我在项目中总结的校正流程。你看一眼就能明白整体脉络。

校正后的截断处理

这里有个细节很多人会忽略。校正后像素值可能变成负数，尤其是暗部区域。你不能直接让负数参与后续处理，否则图像会出问题。

常用的处理方式有两种：

• 截断到0：简单粗暴，但会丢失暗部细节
• 整体加偏移：把所有像素加上一个固定值，保证最小值≥0。我建议用这种方式，暗部信息保留得更完整

def black_level_correction(raw, B, offset=64):
    """
    黑电平校正，带偏移保护
    raw: 原始RAW图像
    B: 黑电平值或校正表
    offset: 偏移量，防止负值
    """
    corrected = raw.astype(np.float32) - B + offset
    # 截断到有效范围
    corrected = np.clip(corrected, 0, 1023)  # 假设10bit RAW
    return corrected.astype(np.uint16)