2. 传统ISP Pipeline详解：从RAW图到YUV的经典流程

大家好，我是老高。这一章咱们聊聊传统ISP的经典流程。说白了，就是手机或者相机里的感光元件（Sensor）拍出来的RAW图，怎么一步步变成我们肉眼看着舒服的YUV图像。

很多人觉得这玩意儿过时了，AI ISP才是未来。但我不这么看。你想想看，AI ISP再怎么厉害，它也得知道传统ISP在干什么，才能去替代或者增强某个模块。我当年刚入行的时候，就是靠啃透这条Pipeline，才在后续的AI算法落地中少走了很多弯路。

2.1 黑电平校正（Black Level Correction）

先说说黑电平。Sensor在完全无光的情况下，理论上应该输出0。但实际不是，它会有一个底噪偏移，比如64或者128。这个偏移就是黑电平。

为什么要校正？很简单。如果不减掉这个偏移，你拍出来的黑色就不是纯黑，而是发灰的。而且这个偏移会吃掉你暗部的动态范围。

校正公式很简单：

// 伪代码示例
pixel_out = pixel_raw - black_level;
if (pixel_out < 0) pixel_out = 0;

嗯，这里要注意。有些Sensor的Bayer通道（R, Gr, Gb, B）的黑电平是不一样的。你不能用一个值去减所有通道，否则会出现色偏。

2.2 去噪（Denoise）

去噪是ISP里最头疼的模块之一。为什么？因为去噪和细节是死对头。去噪狠了，细节没了；去噪轻了，噪点还在。

传统ISP里，去噪主要分两步：

• 空域去噪： 比如双边滤波、非局部均值。我早期做项目时，特别喜欢用双边滤波，因为它能保边。但问题是，它在高ISO下容易产生“油画感”。
• 时域去噪： 利用前后帧的信息做融合。这个对静态场景效果极好，但运动场景容易拖影。

去噪的位置也很讲究。有些架构把去噪放在黑电平校正之后、去马赛克之前。因为RAW域的噪声模型相对简单，是高斯+泊松分布。但也有一些架构把去噪放在去马赛克之后，因为RGB域的噪声更容易被人眼感知。

2.3 去马赛克（Demosaic）

Sensor的每个像素只能感知一种颜色（R, G, B之一），这就是Bayer阵列。去马赛克就是通过插值，把每个像素缺失的另外两种颜色算出来。

最简单的办法是双线性插值。但效果嘛……边缘全是锯齿和伪色。我建议至少用基于边缘导向的插值算法。

// 边缘导向插值思路（简化版）
if (水平梯度 < 垂直梯度) {
    // 沿水平方向插值
    G = (G_left + G_right) / 2;
} else {
    // 沿垂直方向插值
    G = (G_top + G_bottom) / 2;
}

去马赛克做得好不好，直接决定了后面白平衡和色彩校正的难度。如果去马赛克产生了大量伪色，白平衡再怎么调也救不回来。

2.4 白平衡（White Balance, AWB）

白平衡的目标很简单：让白色物体在任何光源下都看起来是白的。但实现起来很复杂。

传统AWB算法一般分两步：

1. 色温估计： 通过统计图像中的“灰点”来估计当前光源色温。
2. 增益调整： 对R和B通道施加不同的增益，让灰点回归中性。

我个人习惯在去马赛克之后、Gamma校正之前做白平衡。这样既能保证色彩准确性，又能利用到完整的RGB信息。

2.5 Gamma校正（Gamma Correction）

Gamma校正有两个目的：

• 适配显示设备： CRT显示器有天然的Gamma特性，LCD显示器为了兼容也保留了。
• 量化优化： 人眼对暗部变化更敏感。Gamma校正相当于把更多的码字分配给暗部，减少暗部量化噪声。

标准Gamma曲线是：

V_out = V_in ^ (1/2.2)

但实际工程中，我们很少直接用纯幂函数。因为它在暗部斜率太大，会放大暗部噪声。我常用的做法是加一个线性段：

// 带线性段的Gamma校正
if (V_in < threshold) {
    V_out = V_in * slope;
} else {
    V_out = a * V_in ^ (1/2.2) + b;
}

2.6 其他关键模块

除了上面这几个核心模块，传统ISP Pipeline里还有几个“配角”，但同样重要：

好了，这一章的内容就到这里。传统ISP Pipeline虽然看起来模块很多，但每个模块都有它存在的物理意义。你只有理解了这些“为什么”，才能在后续的AI ISP混合架构中，知道哪些模块可以用AI替代，哪些模块必须保留传统算法。