4. RAW域色彩处理：从传感器原始数据到真实色彩

各位好，欢迎来到第四章。前面我们聊了RAW域的黑电平校正和去噪，现在传感器总算输出了相对干净的RAW数据。但这时候的图像，颜色还是偏的——不信你拿一张没做白平衡的RAW图看看，要么偏蓝要么偏黄，看着就不对劲。

这一章我们要解决的就是：如何让RAW数据还原出真实的色彩。说白了，就是从传感器捕捉到的原始信号，经过白平衡、色彩校正、插值这三步，变成人眼看着舒服的颜色。

4.1 白平衡增益计算：让白色回归白色

白平衡，说白了就是让图像里本该是白色的物体，在任意光源下都呈现白色。你想想看，一张白纸在日光灯下偏蓝，在白炽灯下偏黄，但人眼会自动校正——相机可没这个本事，得靠算法来算。

白平衡的核心就是给R、G、B三个通道分别乘上一个增益系数，让它们达到平衡。公式很简单：

R_out = R_in * gain_R
G_out = G_in * gain_G
B_out = B_in * gain_B

关键问题是：这三个增益怎么算？ 业界最常用的有两种方法。

4.1.1 灰度世界法（Gray World）

这个方法假设：一幅色彩丰富的图像，所有像素的R、G、B平均值应该趋于相等，也就是趋于灰色。基于这个假设，增益计算就变成了：

R_avg = mean(R_all)
G_avg = mean(G_all)
B_avg = mean(B_all)

gain_R = G_avg / R_avg
gain_G = 1.0  // 通常以G通道为基准
gain_B = G_avg / B_avg

我在项目中遇到过一个问题：如果场景里大面积都是同一种颜色，比如一片蓝天或者一片绿草地，灰度世界法就会翻车。天空的蓝色会让B_avg偏高，gain_B被压得很低，结果整个画面偏黄。嗯，这就是灰度世界法的局限性——它依赖场景的"色彩丰富度"。

4.1.2 完美反射法（Perfect Reflector）

这个方法基于另一个假设：图像中最亮的像素点，应该是纯白色的——也就是它反射了所有波长的光。所以，找到这些"最亮点"，用它们的RGB值来计算增益。

具体做法：

1. 统计每个像素的亮度值（比如取R+G+B或者max(R,G,B)）
2. 选出亮度最高的前1%~5%的像素
3. 计算这些像素的R、G、B平均值
4. 用这些平均值计算增益，让它们趋于相等

// 伪代码示例
bright_pixels = select_top_percent(image, 0.02)  // 取最亮2%
R_highlight = mean(bright_pixels.R)
G_highlight = mean(bright_pixels.G)
B_highlight = mean(bright_pixels.B)

gain_R = G_highlight / R_highlight
gain_G = 1.0
gain_B = G_highlight / B_highlight

完美反射法对高光区域比较敏感。我曾经调试一个室内场景，天花板上有盏灯，灯罩本身是暖黄色的——结果完美反射法把整个画面都往冷色调拉，因为算法以为那个暖黄色就是"白色"。后来我加了一个色温范围约束，才把这个问题解决。

4.2 色彩校正矩阵（CCM）原理

白平衡做完之后，颜色基本不偏了，但还不够准。为什么？因为传感器的光谱响应和人眼不一样。传感器对红绿蓝的敏感曲线，跟人眼视锥细胞的响应曲线有偏差。所以我们需要一个矩阵，把传感器空间的RGB映射到标准色彩空间（比如sRGB或BT.709）。

这个矩阵就是CCM，一个3x3的矩阵：

| R_out |   | a11  a12  a13 |   | R_in |
| G_out | = | a21  a22  a23 | * | G_in |
| B_out |   | a31  a32  a33 |   | B_in |

展开来看，每个输出通道都包含了输入通道的线性组合。比如R_out = a11*R_in + a12*G_in + a13*B_in。这意味着红色通道会混入一些绿色和蓝色的信息——这其实是好事，因为人眼的红色视锥细胞对绿光也有微弱响应。

4.2.1 CCM的标定过程

CCM不是拍脑袋定的，得通过标定得到。标准流程是这样的：

1. 拍摄一张标准色卡（比如X-Rite ColorChecker，24色块）
2. 记录每个色块在传感器RAW域的RGB值
3. 查表得到每个色块在目标色彩空间的标准值
4. 用最小二乘法求解3x3矩阵，让误差最小

我记得第一次做CCM标定时，拍完色卡直接算矩阵，结果出来的颜色偏得离谱。后来才发现——CCM必须在白平衡之后做。如果先做CCM再做白平衡，矩阵系数就全乱了。这个顺序问题，我踩过坑，希望大家别重蹈覆辙。

4.2.2 不同色温下的CCM

一个CCM不能打天下。不同色温下，传感器的光谱响应特性会变化。我一般会标定3~5组CCM，对应不同的色温区间：

实际应用中，会根据白平衡估算出的色温，在几组CCM之间做线性插值。这样就能平滑过渡，不会出现色温切换时的颜色跳变。

4.3 色彩插值（Demosaic）算法

好了，白平衡和CCM都做完了，但这时候的数据还是Bayer格式——每个像素只有一个颜色通道。要得到全彩图像，就得把缺失的两个通道猜出来。这个过程就叫Demosaic，也叫色彩插值。

Bayer模式最常见的排列是RGGB，也就是一个像素是R，两个是G，一个是B。G通道占了一半，因为人眼对绿色最敏感。

4.3.1 双线性插值（Bilinear）

这是最基础的方法，简单粗暴：每个像素缺失的颜色，用周围同色像素的平均值来填充。

比如一个R像素，它缺G和B。G值就用上下左右四个G像素的平均，B值就用对角线上四个B像素的平均。

// 以R像素为例，计算缺失的G值
G_at_R = (G_left + G_right + G_up + G_down) / 4

// 计算缺失的B值
B_at_R = (B_top_left + B_top_right + B_bottom_left + B_bottom_right) / 4

这个方法计算量小，但缺点很明显——边缘会模糊。你想想看，如果R像素刚好在一条黑白边界上，周围G像素的平均值会把边界抹掉，出现彩色伪影（也叫"拉链效应"）。

4.3.2 边缘导向插值（Edge-directed）

这个方法比双线性聪明一点。它先判断当前像素附近有没有边缘，然后沿着边缘方向插值，而不是无脑平均。

具体做法：

1. 计算水平和垂直方向的梯度
2. 如果水平梯度小，说明边缘是垂直方向的，就沿着水平方向插值
3. 如果垂直梯度小，说明边缘是水平方向的，就沿着垂直方向插值
4. 如果两个方向梯度差不多，就取平均

// 计算梯度
grad_h = abs(G_left - G_right)
grad_v = abs(G_up - G_down)

// 边缘导向插值
if (grad_h < grad_v) {
    G_at_R = (G_left + G_right) / 2  // 水平方向
} else if (grad_v < grad_h) {
    G_at_R = (G_up + G_down) / 2     // 垂直方向
} else {
    G_at_R = (G_left + G_right + G_up + G_down) / 4
}

边缘导向插值能大幅减少拉链效应，但也不是万能的。我在调试一个带细条纹的测试图时，发现斜向边缘还是会有伪影——因为算法只考虑了水平和垂直两个方向。

4.3.3 自适应插值（Adaptive）

这是目前主流方案，也是我项目中用得最多的。自适应插值会综合考虑多个因素：梯度、色差、纹理复杂度，甚至会用上迭代优化。

一个经典的自适应算法流程：

1. 先插G通道：因为G通道采样率最高，信息最完整。用边缘导向+色差约束来插值
2. 再插R和B通道：利用G通道的细节信息，通过色差恒定性假设来恢复R和B
3. 后处理：检测并修正彩色伪影，做边缘增强

色差恒定性假设是什么意思？说白了，就是认为在局部区域内，R-G和B-G的差值变化很缓慢。所以我们可以用已知像素的色差来推断未知像素的色差。

// 自适应插值核心思路
// 1. 用边缘导向插值得到完整的G通道
G_full = edge_directed_interpolate(raw_bayer)

// 2. 计算已知位置的色差
delta_RG = R_known - G_full_at_R
delta_BG = B_known - G_full_at_B

// 3. 用色差插值得到R和B
R_missing = G_full_at_R + interpolate(delta_RG)
B_missing = G_full_at_B + interpolate(delta_BG)

这个方法的效果明显好于前两种。我做过对比测试：同样的RAW图，双线性插值的PSNR大概在35dB左右，边缘导向能到38dB，自适应算法可以做到40dB以上。而且主观上看，自适应算法的伪影最少，边缘最锐利。

本章小结

RAW域的色彩处理，说白了就是三步走：白平衡把色偏拉回来，CCM把传感器颜色映射到标准空间，Demosaic把单通道猜成全彩。每一步都有坑，每一步都有取舍。

我个人觉得，这三步里最容易被忽视的是顺序。白平衡必须在CCM之前，Demosaic必须在CCM之后——这个顺序错了，颜色怎么调都调不对。另外，白平衡的两种方法各有适用场景，别死磕一种；CCM要多标定几组，覆盖不同色温；Demosaic要根据平台性能选合适的算法，别一味追求最高质量。