相机成像模型：辐射度学基础、数字相机成像管线、传感器响应函数、RAW格式与Bayer阵列

做多帧融合HDR，你首先得搞清楚一件事：相机到底是怎么看到世界的？

很多人一上来就调算法参数，结果换台相机就崩了。为什么？因为你不懂相机内部的“脾气”。这一章，我们就从物理世界的光，一路走到你电脑里的RAW文件。把这条路走通了，后面做HDR融合才能心里有底。

先说点基础的。辐射度学，说白了就是研究“光能量”的学问。你想想看，我们做HDR，本质上就是在不同曝光下记录光能量，然后拼起来。所以得先知道光怎么描述。

几个核心概念，我列出来：

我个人习惯，做HDR时最关注的是辐射照度。因为传感器上的每个感光单元，本质上就是一个照度计。曝光时间越长，积累的能量越多，电压信号就越高。

核心公式（简化版）：

传感器输出信号 ∝ 辐射照度 × 曝光时间

这就是HDR多帧融合的物理基础。不同曝光时间，本质上是改变了这个公式里的“曝光时间”因子。

我在项目中遇到过一个问题：用同一台相机拍同一个场景，换了不同光圈，结果HDR融合后亮度不连续。后来发现是没考虑光圈对辐射照度的影响。嗯，这里要注意，光圈每收一档，照度减半。

光进入镜头后，到底经历了什么？我画了一张图，把整个流程串起来。

你看，从场景辐射到最终RAW数据，中间经过了至少6个环节。每个环节都会引入自己的“脾气”。比如镜头会有渐晕（边缘变暗），传感器有暗电流（无光也有信号），ADC有量化噪声。

做HDR融合时，我建议你至少要知道你的相机在哪个环节最“不老实”。比如有些相机在ISO 800以上，读出噪声会急剧增加。这时候你拍暗部，信噪比就很差。

理想情况下，传感器输出的数字值应该和接收到的光能量成正比。但现实是，几乎所有相机都有点“不诚实”。

这个“不诚实”的程度，就是传感器响应函数（Sensor Response Function, SRF）。它描述了输入光能量和输出数字值之间的映射关系。

我的经验：大多数消费级相机的响应函数在中间区域接近线性，但在暗部和亮部会弯曲。暗部弯曲是因为噪声和阈值，亮部弯曲是因为接近饱和。

做HDR时，如果你假设相机是完全线性的，融合结果在暗部和亮部会出现明显的接缝。我曾经因为这个被测试团队怼了好几次。

怎么得到响应函数？两种方法：

标定响应函数时，有一个坑：别忘了去马赛克。如果你直接在Bayer RAW上做标定，每个像素只对应一个颜色通道，响应函数会混入颜色信息。我建议先做简单的去马赛克，或者对每个颜色通道分别标定。

很多人以为相机直接拍出彩色照片。其实不是。传感器本身是“色盲”的，它只能感知光的强度，分不清颜色。

那颜色怎么来的？靠的是Bayer阵列——一块贴在传感器前面的彩色滤色片。

典型的Bayer阵列长这样：

每个像素只记录一种颜色。所以RAW文件本质上是一张灰度图，每个像素的值代表该位置滤色片对应的颜色强度。

RAW格式的好处：

注意：RAW文件不是“原始”到极致。它已经经过了模拟增益（ISO）和ADC量化。所以不同ISO下的RAW，噪声水平不同。

做HDR多帧融合时，我强烈建议用同一ISO拍摄不同曝光时间。改变ISO会改变增益，相当于改变了响应函数，融合时容易出问题。

说到Bayer阵列，还有一个常见变种：X-Trans（富士）和Quad Bayer（手机）。它们的排列方式不同，但核心思想一样——用滤色片让色盲传感器看到颜色。

我个人习惯，拿到一台新相机，第一件事就是拍一张RAW，然后用工具查看它的Bayer排列。因为不同排列的去马赛克算法不一样，做HDR时如果搞错了排列，颜色会完全乱掉。我曾经因为搞混了RGGB和BGGR，浪费了一整天调试。

这一章我们走完了从光子到RAW的完整路径。你知道了光怎么变成电信号，电信号怎么变成数字，数字又怎么排列成RAW文件。

这些知识不是理论空谈。做HDR多帧融合时，你会反复用到：