4. RAW图质量分析：坏点检测、动态范围评估与信噪比计算

RAW图是ISP处理流程的起点，其质量直接决定最终YUV图像的上限。在RK平台ISP调试中，对RAW图进行系统化的质量分析是参数校准的前提。本章聚焦三项核心指标：坏点、动态范围与信噪比(SNR)，分别阐述检测原理、评估方法与计算流程。

4.1 RAW图坏点检测

坏点（Defect Pixel）是指传感器阵列中响应异常的光电二极管，表现为固定高亮（白点）、固定暗点（黑点）或响应不一致。坏点检测是ISP坏点校正（DPC）模块的输入依据。

4.1.1 坏点分类与特征

4.1.2 检测流程

1. 暗场采集：关闭镜头盖，设置最短曝光时间与最低增益，采集至少10帧RAW图并取均值，消除随机噪声。
2. 亮场采集：均匀光照灰卡（18%反射率），曝光至中间灰度（约最大DN的40%~60%），采集单帧RAW图。
3. 阈值判定：
   • 暗场：像素DN值 > 暗场均值 + K1 × 暗场标准差 → 标记为热像素。
   • 亮场：像素DN值与周围3×3邻域均值之差 > K2 × 邻域标准差 → 标记为响应不一致像素。
4. 坏点表生成：记录所有坏点的坐标(x, y)与类型，输出为DPC模块可加载的静态坏点表。

4.1.3 坏点检测流程SVG图

4.2 RAW图动态范围评估

动态范围（Dynamic Range, DR）定义为传感器最大不饱和信号与噪声本底之比，以dB为单位。它表征RAW图能同时记录亮部与暗部细节的能力。

4.2.1 动态范围定义

对于RAW图，动态范围的计算公式为：

DR = 20 × log10( I_max / I_noise_floor )

其中：

• I_max：传感器最大不饱和输出（通常为ADC满量程DN值，如4095 for 12-bit RAW）。
• I_noise_floor：噪声本底，即暗场RAW图的均方根噪声（RMS Noise），单位为DN。

4.2.2 评估步骤

1. 采集暗场数据：最短曝光、最小增益，采集多帧求平均，计算像素DN值的标准差σ_dark。
2. 采集饱和数据：逐渐增加曝光时间或光照强度，直至RAW图出现饱和像素（DN值接近ADC最大值），记录饱和时的曝光条件。
3. 计算噪声本底：噪声本底 = σ_dark（若考虑读出噪声与暗电流散粒噪声的合成）。
4. 计算动态范围：代入公式，得到DR值。

4.2.3 动态范围评估示意SVG图

4.3 RAW图信噪比(SNR)计算

信噪比（Signal-to-Noise Ratio, SNR）是衡量RAW图质量的核心量化指标，直接影响后续ISP模块（如去噪、锐化）的参数设定。

4.3.1 SNR定义与公式

对于RAW图，SNR通常定义为信号均值与噪声均方根之比：

SNR = 20 × log10( μ_signal / σ_noise )

其中：

• μ_signal：均匀亮场区域像素DN值的均值。
• σ_noise：同一区域像素DN值的标准差（包含散粒噪声、读出噪声、固定模式噪声等）。

4.3.2 分区域SNR计算

为全面评估RAW图质量，建议在以下典型亮度区域分别计算SNR：

4.3.3 计算流程

1. 选取ROI：在RAW图中选取N个均匀区域（如64×64像素块），避开坏点与边缘。
2. 计算均值与标准差：对每个ROI计算μ与σ。
3. 计算SNR：代入公式，得到每个ROI的SNR值（单位dB）。
4. 汇总分析：绘制SNR vs. 信号强度曲线，评估传感器在不同光照下的噪声表现。

4.3.4 SNR计算流程SVG图

4.4 三项指标的综合分析

在实际调试中，坏点、动态范围与SNR三者相互关联：

• 坏点影响SNR计算：若ROI内包含未校正的坏点，σ_noise会被高估，导致SNR偏低。因此SNR计算前必须先执行坏点校正或剔除坏点像素。
• 动态范围与SNR的关系：高动态范围通常意味着低噪声本底，但若传感器增益设置过高，暗部SNR会恶化，动态范围反而受限。
• 调试优先级：建议先完成坏点检测与校正，再进行动态范围评估，最后基于校正后的RAW图计算SNR，以此指导去噪与色调映射参数。