3、黑电平校正工程实现：C语言实现全局减法校正、Python仿真验证、参数标定与存储

黑电平校正，说白了就是把传感器在完全无光环境下产生的暗电流给减掉。这个暗电流不是固定的，它会随着温度、增益、曝光时间变化。但工程上我们第一步，先做全局减法——用一个统一的暗电平值，对整个图像做减法。

我刚开始做ISP的时候，觉得这步太简单了，不就是减个常数吗？后来发现，减不好，图像暗部要么偏色，要么细节全丢。嗯，这里面的门道，咱们一点点拆开讲。

3.1 全局减法校正的C语言实现

全局减法，就是整幅图像减去同一个暗电平值。这个值怎么来？通常是取OB（Optical Black）区域的像素均值。OB区域是传感器上被遮挡的像素，它们不感光，输出的就是暗电流。

先看代码。我习惯把校正函数封装成模块，方便后续移植。

#include <stdint.h>

// 黑电平校正参数结构体
typedef struct {
    uint16_t black_level;   // 暗电平值（全局）
    uint16_t clip_min;      // 裁剪下限
    uint16_t clip_max;      // 裁剪上限
} BlackLevelParams;

// 全局减法校正
// 输入：raw图像数据，位深bit_depth，图像宽高
// 输出：校正后的raw图像（原地操作）
void black_correction_global_subtract(
    uint16_t *raw,
    int width,
    int height,
    BlackLevelParams *params)
{
    int total_pixels = width * height;
    int i;

    for (i = 0; i < total_pixels; i++) {
        int32_t pixel = (int32_t)raw[i] - (int32_t)params->black_level;

        // 裁剪到有效范围
        if (pixel < params->clip_min)
            pixel = params->clip_min;
        if (pixel > params->clip_max)
            pixel = params->clip_max;

        raw[i] = (uint16_t)pixel;
    }
}

我在项目中遇到过一个问题：有些传感器输出的OB区域在图像边缘，而且不同行的OB值有差异。这时候全局减法就不够用了，得用逐行校正。但那是后话，咱们先把全局减法吃透。

3.2 Python仿真验证

写C代码之前，我强烈建议先用Python做仿真。为什么？因为Python调试快，能直观看到校正效果。你想想看，C代码编译一次，再烧到板子上，来回折腾半小时。Python几秒钟就出结果。

下面是我常用的仿真流程：

import numpy as np
import cv2
import matplotlib.pyplot as plt

def simulate_black_correction(raw_path, black_level, bit_depth=12):
    """
    黑电平校正仿真
    raw_path: 原始RAW图像路径（16位PNG或RAW文件）
    black_level: 暗电平值
    bit_depth: 位深
    """
    # 读取RAW图像
    raw = cv2.imread(raw_path, cv2.IMREAD_UNCHANGED).astype(np.int32)

    # 全局减法
    corrected = raw - black_level

    # 裁剪
    clip_min = 0
    clip_max = (1 << bit_depth) - 1
    corrected = np.clip(corrected, clip_min, clip_max).astype(np.uint16)

    # 显示校正前后对比
    fig, axes = plt.subplots(1, 2, figsize=(12, 6))
    axes[0].imshow(raw, cmap='gray', vmin=0, vmax=clip_max)
    axes[0].set_title('Before Correction')
    axes[0].axis('off')

    axes[1].imshow(corrected, cmap='gray', vmin=0, vmax=clip_max)
    axes[1].set_title('After Correction')
    axes[1].axis('off')

    plt.show()

    # 统计暗部区域直方图
    dark_region = corrected[0:100, 0:100]
    plt.hist(dark_region.ravel(), bins=256, range=(0, 256))
    plt.title('Dark Region Histogram After Correction')
    plt.xlabel('Pixel Value')
    plt.ylabel('Count')
    plt.show()

    return corrected

我曾经用这个仿真脚本发现过一个bug：某个传感器的OB区域有坏点，导致计算的black_level偏高，校正后图像整体偏暗。后来我在OB区域统计时加了中值滤波，才把问题解决。

3.3 参数标定与存储

参数标定，就是确定black_level的值。这个值不是拍脑袋定的，得通过标定实验来获取。

标定流程如下：

1. 采集暗场图像：盖上镜头盖，用不同增益、曝光时间组合采集多帧RAW图
2. 提取OB区域：从每帧图像中提取OB像素区域
3. 计算暗电平：对OB区域求均值（或中值），得到该帧的暗电平值
4. 建立查找表：以增益和曝光时间为索引，建立二维查找表
5. 存储参数：将查找表写入传感器驱动配置文件或EEPROM

参数存储格式，我建议用结构体数组，方便扩展：

// 黑电平参数表项
typedef struct {
    uint16_t gain_index;       // 增益索引
    uint16_t exposure_index;   // 曝光时间索引
    uint16_t black_level;      // 暗电平值
} BlackLevelTableEntry;

// 参数表（示例）
BlackLevelTableEntry bl_table[] = {
    {0, 0, 64},   // 增益0，曝光0
    {0, 1, 68},   // 增益0，曝光1
    {1, 0, 72},   // 增益1，曝光0
    {1, 1, 76},   // 增益1，曝光1
    // ... 更多表项
};

// 查找函数
uint16_t get_black_level(int gain_idx, int exp_idx) {
    // 线性插值或查表
    // 实际工程中建议用二分查找或哈希
    for (int i = 0; i < sizeof(bl_table)/sizeof(bl_table[0]); i++) {
        if (bl_table[i].gain_index == gain_idx &&
            bl_table[i].exposure_index == exp_idx) {
            return bl_table[i].black_level;
        }
    }
    return 64; // 默认值
}

我个人习惯把参数标定结果存成CSV文件，方便用Python做可视化分析。下面是一个标定结果示例：

增益索引	曝光索引	暗电平均值	暗电平标准差	有效像素数
0	0	64.2	2.1	1024
0	1	68.5	2.3	1024
1	0	72.1	2.5	1024
1	1	76.8	2.7	1024

你看这个表格，暗电平标准差都在2-3个DN（Digital Number）之间，说明传感器噪声水平还可以。如果标准差超过5个DN，那就要考虑是不是标定环境有问题，或者传感器本身有缺陷。

3.4 知识体系总览

下面这张图，把黑电平校正的工程实现脉络梳理清楚了。从参数标定到C代码实现，再到Python仿真验证，最后参数存储回传，形成一个闭环。

这个流程里，最容易被忽略的是反馈回路——参数回传。我见过不少项目，标定一次参数就再也不更新了。结果传感器老化后，暗电平漂移，图像质量下降。所以，我建议在ISP pipeline里加一个定期标定更新的机制，比如每1000帧重新计算一次OB均值，动态调整black_level。