2、RAW图数据存储结构：Bayer阵列、CFA原理与线性特性
好，咱们今天聊聊RAW图最底层的那些事。很多工程师调了几年图像，却对传感器出来的原始数据一知半解。我个人觉得，不理解Bayer阵列和CFA原理，后面做去马赛克、白平衡校正，基本就是在碰运气。
2.1 彩色滤波阵列（CFA）原理
说白了，CMOS传感器本身是“色盲”的。每个像素只能感知光的强度，也就是亮度，它分不清红绿蓝。那彩色照片怎么来的？
答案就是在每个像素上盖一层微小的滤色片——这就是CFA（Color Filter Array）。每个像素只允许特定波长的光通过，其他波长的光被吸收或反射。这样一来，传感器就只记录“某一种颜色”的亮度值。
核心概念：CFA的本质是“以空间换色彩”。每个像素只采集一种颜色分量，丢失的另外两种颜色信息，靠后续的插值算法（去马赛克）从相邻像素推算出来。
我刚开始做ISP时，总觉得这设计太浪费了——明明每个像素都能感光，却只让1/3的光进来。但没办法，这是目前成本、工艺和画质之间最平衡的方案。
2.2 Bayer阵列模式
最常见的CFA模式就是Bayer阵列。它用2x2的重复单元排列滤色片。为什么是2x2？因为人眼对绿色最敏感，所以绿色像素占一半，红色和蓝色各占1/4。
常见的Bayer模式有四种：
| 模式名称 | 2x2单元排列 | 常见传感器 |
|---|---|---|
| RGGB | 第一行：R G 第二行：G B |
Sony IMX系列、OmniVision多数型号 |
| GRBG | 第一行：G R 第二行：B G |
部分三星、安森美传感器 |
| GBRG | 第一行：G B 第二行：R G |
某些老款CCD传感器 |
| BGGR | 第一行：B G 第二行：G R |
部分Kodak、Foveon X3（非Bayer） |
避坑指南：我曾经在项目中接过一个第三方模组，默认是RGGB，结果传感器输出的是GRBG。去马赛克算法没改，整张图全是紫色条纹。排查了两天才发现是Bayer模式配错了。所以拿到新传感器，第一件事就是确认Bayer排列顺序。
你可能会问：怎么确认Bayer模式？我一般用两种方法：
- 查datasheet：传感器手册里会明确写Bayer pattern。
- 拍纯色画面：对着均匀白墙拍一张RAW，然后看每个2x2块的像素值分布。哪个通道值最高，对应的就是该颜色的滤色片位置。
2.3 RAW数据的线性特性
这是很多新手容易忽略的点。RAW数据是线性的，什么意思？
传感器输出的数字值（DN值）与入射光强度成正比。也就是说，如果入射光强度翻倍，RAW值也翻倍。这跟人眼的感知完全不同——人眼对亮度的响应是对数的。
举个例子：
- 入射光强度 = 100 lux → RAW值 = 500
- 入射光强度 = 200 lux → RAW值 = 1000
- 入射光强度 = 400 lux → RAW值 = 2000
这个线性关系非常重要。因为后面所有的处理——白平衡增益、颜色校正矩阵、伽马校正——都建立在“数据是线性的”这个前提上。
注意：线性特性只在传感器未饱和时成立。一旦某个像素的电荷超过满阱容量（Full Well Capacity），RAW值就会饱和（通常为4095或16383），线性关系立刻失效。饱和区域的细节永远丢失，后期拉不回来。
我记得有一次调试夜景模式，发现高光区域全是死白。查了半天，发现是曝光时间设得太长，导致部分像素饱和了。所以做HDR或多帧合成时，一定要监控饱和像素的比例。
2.4 黑电平（Black Level）
理想情况下，没有光照射时，传感器应该输出0。但实际不是这样——由于暗电流、电路噪声等因素，即使完全遮光，传感器也会输出一个非零值。这个值就是黑电平。
黑电平的校正公式很简单：
// 黑电平校正
corrected_value = raw_value - black_level
// 如果校正后为负值，通常截断到0
if (corrected_value < 0) corrected_value = 0;不同传感器的黑电平值不同。常见的有：
- 8-bit RAW：黑电平通常在16~64之间
- 10-bit RAW：黑电平通常在64~256之间
- 12-bit RAW：黑电平通常在256~1024之间
- 14-bit RAW：黑电平通常在1024~4096之间
我的习惯：黑电平不是固定不变的。温度升高，黑电平会漂移。我一般在每帧图像中保留一些“光学黑像素”（Optically Black Pixels），实时计算当前帧的黑电平，而不是用固定值。这样能有效抑制温度引起的暗电流噪声。
2.5 白平衡（White Balance）
白平衡的本质，是在RAW域对R、G、B三个通道施加不同的增益，使得中性灰物体在三个通道上的响应一致。
为什么要在RAW域做？因为RAW数据是线性的，增益直接乘上去就行。如果在非线性域（比如sRGB）做白平衡，结果会非常奇怪。
白平衡的数学表达：
// 假设参考白点的R/G/B值分别为 R_w, G_w, B_w
// 目标是将R和B通道调整到与G通道一致
R_gain = G_w / R_w
B_gain = G_w / B_w
// 应用增益
R_out = R_in * R_gain
G_out = G_in * 1.0 // G通道通常不做增益
B_out = B_in * B_gain这里有个关键点：白平衡增益不能无限大。增益太大会放大噪声，尤其是蓝色通道——因为蓝色像素的量子效率通常最低，信噪比本来就差。
我曾经踩过的坑：在低色温光源下（比如白炽灯，约2800K），蓝色通道的增益可能达到3~4倍。结果蓝色通道的噪声被放大到肉眼可见的程度，整张图全是蓝色噪点。后来我加了增益上限（最大2.5倍），超出部分用色温混合的方式处理，才解决了这个问题。
2.6 知识结构总览
下面这张图把本章的核心逻辑串起来了。从传感器采集到RAW数据输出，每一步都环环相扣。
从这张图可以看得很清楚：传感器采集 → CFA滤色 → Bayer排列 → 线性RAW数据 → 黑电平校正 → 白平衡增益。每一步都有它的物理意义和数学基础。
我个人建议，拿到一个RAW文件后，先做三件事：确认Bayer模式、测量黑电平、估算白平衡增益。这三步做扎实了，后面的调优才有根基。