想要一个色彩还原真实到极致的相机，可以舍弃细节，有这种类型小相机推荐吗？

用 Adobe DNG Color Matrix 反推数码相机的原生色彩基底：从代理指标到 Colorimetric Camera

摘要

数码相机厂商通常不会公开完整的 R/G/B spectral sensitivity，因此想直接比较不同相机 CFA、IR-cut stack 与传感器组成的光谱响应，非常困难。

我最初尝试绕开这个问题：

从 LibRaw colordata.cpp 中主要源自 Adobe DNG Converter 的相机颜色矩阵出发，构造两个代理指标：

• Mix：矩阵非对角元素相对于对角元素的规模；
• κ（Condition Number）：矩阵的数值条件。

再将两者合成为一个 Score，用于大规模筛选可能具有特殊 camera-native RGB basis 的相机。

但继续加入真实 Spectral Sensitivity、Vora Value、DXOMark CIE-D50 SMI、Imaging Resource Delta-C、Popular Photography RAW ΔE，以及我自己多年实拍经验后，一个更重要的结论逐渐清晰：

RGB 分得开，不等于颜色准。

真正应该寻找的，不是“RGB CFA 最纯”的相机，而是：

在目标光源下，Camera RGB 对真实世界颜色的响应最接近理想 Colorimetric Camera 的相机。

如果进一步把使用场景限定为：

ISO 100 附近 + 日光 + 专业氙气电子闪光灯 + 产品/静物/棚拍

那么问题最终变成：

哪些廉价、高像素数码相机，在 D50 和氙气闪光灯下具有最低的 Metameric Error？

这篇文章记录的，就是从 Adobe Matrix Proxy 一路走到这个问题的过程。

一、第一层：Adobe DNG Color Matrix 能不能用来筛相机？

1. 数据来源

主要数据来自 LibRaw：

src/tables/colordata.cpp

LibRaw 源码注明：除特别标记外，大量矩阵来自 Adobe DNG Converter。

分析中排除：

• DJC
• CHDK
• LibRaw
• PyDNG
• 特殊多通道传感器
• 无法直接作为普通 3×3 RGB matrix 处理的 Foveon 等条目

因此第一阶段研究的本质不是直接测 CFA，而是分析：

Adobe 为不同 Camera RGB 建立 colorimetric mapping 时留下的矩阵结构。

二、两个 Matrix Proxy：Mix 与 κ

对于 3×3 矩阵：

a11  a12  a13
a21  a22  a23
a31  a32  a33

定义：

Mix =
(|a12|+|a13|+|a21|+|a23|+|a31|+|a32|)
/
(|a11|+|a22|+|a33|)

Mix 越低，代表矩阵中的非对角项相对于对角项越小。

更谨慎地说，它衡量的是：

Adobe Color Matrix 的 cross-channel mixing 程度。

它不是 CFA spectral overlap 的直接测量。

第二个指标是矩阵条件数：

κ = σmax / σmin

其中 σ 为矩阵奇异值。

κ 越接近 1，矩阵数值条件越健康；κ 越高，则某些颜色方向越容易出现数值敏感性。

所以第一阶段可以粗略理解为：

低 Mix → Adobe Matrix mixing 较低
低 κ   → Matrix RGB geometry 较健康

两者必须一起看。

三、Adobe Matrix 排名

Mix Top 30

这张表马上暴露了一个问题：

Mix 不能单独排名。

Canon G12：

Mix = 0.420
κ   = 3.97

Canon 7D：

Mix = 0.423
κ   = 2.45

两者 Mix 几乎相同，但矩阵条件完全不是一个水平。

四、κ 排名

五、综合 Matrix Score

为了避免 Mix 单指标产生假冠军，我把 Mix 与 κ 转换成数据库百分位：

P_M = Mix percentile
P_K = κ percentile

其中：

0 = 最好
1 = 最差

定义：

Score =
100 × [1 − √(0.7 × P_M² + 0.3 × P_K²)]

Mix 权重 70%，κ 权重 30%。

这个 Score 不是“色彩准确度”，而是：

Adobe Matrix Proxy 的候选筛选分数。

目前候选池结果：

其中最有意思的两个极端是：

Samsung NX1 / NX500

Mix = 0.358
κ   = 2.764

Mix 极端优秀，但 κ 只是中上，因此没有成为综合冠军。

而 Hasselblad L1D-20c：

Mix = 0.392
κ   = 2.403

两项同时优秀。

Canon M5/M6 family 则是另一种：

Mix = 0.426
κ   = 2.361

Mix 不极端，但 κ 几乎是整个数据库最漂亮的一组。

六、但这里出现了第一个重大问题：Matrix 好 ≠ CFA 好

Adobe Color Matrix 并不是 CFA spectral sensitivity 本身。

它受到：

• CFA
• silicon QE
• IR-cut
• cover glass
• microlens
• illuminant assumptions
• Adobe profiling
• matrix normalization

等因素共同影响。

因此：

Adobe Matrix 可以找异常值，但不能直接把异常值解释成 CFA spectral separation。

ICCP 2023 的研究《Spectral Sensitivity Estimation Without a Camera》进一步说明了这一点：

Adobe DNG colorimetric matrices 的确包含足够的 camera-specific spectral information，可以作为预测相机 spectral sensitivity 的约束。

所以 Matrix Proxy 并不是纯数字游戏。

但它仍然只是：

Level 1 evidence。

七、第二个重大修正：RGB 分得开，也不等于颜色准

继续加入真实 measured spectral sensitivity 后，问题变得更明显。

例如 Nikon D80。

它的真实 R/G/B spectral sensitivity 看起来具有相当漂亮的通道分离。

如果只看：

• RGB overlap
• Spectral Gram matrix
• channel independence

D80 很容易给人“颜色底子很好”的印象。

但真正计算 Camera RGB 与人眼 CIE XYZ 空间接近程度的 Vora Value：

D80 反而明显低于平均。

原因非常关键：

RGB 三个通道彼此分得远，不代表它们分在正确的位置。

可以把它理解成：

三根坐标轴互相独立，不代表整个坐标系方向正确。

所以 RGB overlap / spectral Gram κ 更准确的名字应该是：

Spectral Channel Independence

而不是 Color Accuracy。

八、真正应该看的：Luther-Ives Condition

理想 Colorimetric Camera 的核心条件，并不是 CFA 越窄、越纯、越互不重叠越好。

真正要求的是：

Camera spectral sensitivities 所张成的三维空间，可以通过线性变换逼近 CIE XYZ Color Matching Functions。

这就是 Luther-Ives Condition。

因此一台相机完全可能：

RGB overlap 很低
RGB separation 很漂亮

但同时：

Vora 很差
Metameric Error 很大

这一步实际上改变了整个研究目标。

我们真正要找的已经不是：

哪台相机 RGB 分离最高？

而是：

哪台相机最接近真正的 Colorimetric Camera？

九、DXOMark CIE-D50 SMI：目前最有价值的大规模历史数据之一

DXOMark 早年的 Color Response 数据里存在一个现在很少被讨论的指标：

Sensitivity Metamerism Index，SMI

来源于 ISO 17321。

理论最高：

100

越高，表示指定 illuminant 下，相机 spectral sensitivities 越接近理想 colorimetric response。

DXO 当时分别提供：

• CIE-D50
• CIE-A

如果目标是：

日光 + 棚拍 + ISO100 附近

那么 D50 比 CIE-A 更值得关注。

目前恢复出的部分历史数据：

这里最大的冷门不是旗舰，而是：

Canon EOS 1000D：D50 SMI = 88

一台 2008 年、10MP、最低端 APS-C DSLR，反而成为目前恢复数据里的顶级样本。

十、1000D 是一个非常重要的“盲验证”样本

我以前长期使用 Canon 1000D。

当时完全不知道 SMI，也没有看过这些数据库。

我的长期主观评价一直是：

1000D 颜色准得发癫，只是整体略微发黄。

后来才发现：

D50 SMI = 88

更有意思的是：

Sony A900        = 87
Canon 1Ds III    = 86

我当年也直接横向拍过：

A900
1Ds III
5D II

长期判断一直是：

A900 / 1Ds III > 5D II

这与 D50 SMI 的方向高度一致。

所以目前来看：

DXO D50 SMI 是我找到的指标中，与长期日光/棚拍实拍经验吻合度最高的一条。

十一、Imaging Resource Delta-C：测的是另一件事

Imaging Resource 长期利用 Imatest 测试相机颜色，其中一个指标是：

Saturation-corrected Mean Delta-C

越低越好。

目前恢复出的部分数据：

问题马上出现：

Canon 几乎屠榜。

如果把 Delta-C 直接当成 Sensor Colorimetry，就会得到类似：

M6 > 600D > 7D II > 5DS > M5 > 1Ds III

这显然不能直接成立。

十二、5D II vs 1Ds III：为什么 Delta-C 不能当 Sensor 指标

Imaging Resource：

5D II   = 3.94
1Ds III = 4.37

只看 Delta-C：

5D II 胜

但 D50 SMI：

1Ds III = 86

同时我的长期直接横向实拍也是：

1Ds III > 5D II

因此 Imaging Resource Delta-C 更合理的解释是：

整个相机处理链把标准色块映射得有多准确。

其中可能包含：

• WB
• Color Matrix
• JPEG rendering
• Picture Style
• LUT
• Hue mapping
• Saturation mapping

所以它非常有价值，但回答的是：

最终输出有没有被校得很准？

而不是：

Sensor 本身是不是接近 Colorimetric Camera？

十三、Canon 7D II 是另一个漂亮反例

7D II：

Delta-C = 3.45

几乎属于 Imaging Resource 历史顶级。

但我的长期实拍评价只是：

中上。稳定，没有明显错误，但没有“封顶感”。

而在 Adobe Matrix、Spectral、Vora 等底层路线里，它也没有出现统治级优势。

因此 7D II 很可能属于：

Sensor 底子不错，同时厂商把输出校得非常好。

这正好说明：

Output Color Accuracy ≠ Sensor Colorimetry

十四、Popular Photography RAW ΔE：再加入一条现实工作流证据

Popular Photography 的很多后期测试采用：

RAW
→ 厂商软件
→ TIFF
→ Color Accuracy

得到 Average ΔE。

它与 Imaging Resource Delta-C 不是同一个指标，数值不能直接横向比较。

但它非常适合作为独立验证。

目前恢复的一批结果：

这里很值得注意的是 Nikon 旗舰：

D4  = 7.0
D4S = 5.4
D5  = 5.3

同一品牌、同一旗舰系列，仅仅换代就可以出现明显不同的 Color Reproduction。

我实际长期使用 D5 时，也一直认为它的颜色明显优秀。

所以所谓：

“尼康色”“佳能色”“索尼色”

只能算非常粗糙的描述。

真正应该研究的是：

Sensor
+ CFA
+ IR-cut stack
+ Camera Matrix
+ Processing generation

十五、现在可以重新定义所有指标

这些指标彼此有关。

但：

它们绝对不是同一个东西。

十六、证据等级应该重新排序

如果研究目标明确限定为：

ISO100 附近、日光/专业电子闪光灯、追求真实颜色而不是讨喜颜色

我现在会这样排序。

第一档：Measured Spectral Sensitivity

直接获得：

R(λ)
G(λ)
B(λ)

然后计算：

• Luther-Ives
• Vora
• D50 ΔE
• Flash ΔE
• Metameric Error

这是最底层、最干净的证据。

第一档：DXO CIE-D50 SMI

虽然不是完整 spectral curve，但它直接针对：

D50 Metameric Color Accuracy

在大规模历史相机数据库中价值极高。

第二档：Popular Photography RAW ΔE

已经包含 RAW 转换，但非常接近真实摄影工作流。

第三档：Imaging Resource Delta-C

适合评价厂商最终 Hue/Chroma Mapping。

不能单独评价 Sensor。

第四档：Adobe DNG Color Matrix

最适合：

大规模筛选异常机器。

第五档：ICCP Estimated Spectral Sensitivity

适合扩大候选池，但仍然属于模型预测。

辅助指标：RGB Overlap / Spectral Gram κ

它们只代表：

Spectral Channel Independence

不能直接代表 Color Accuracy。

十七、实拍盲验证：哪些数据真正和长期经验吻合？

在完全不知道上述数据库之前，我长期认为颜色明显优秀的机器包括：

Canon 1000D
Canon 1Ds Mark III
Sony A900
Hasselblad H3D-39
Nikon D3X
Nikon D5
Nikon D780

其中：

1000D
A900
1Ds III

后来都得到了较强的 D50 SMI 支持。

我认为属于“中上，但没有封顶感”的：

Canon 5DS / 5DS R
Canon 7D Mark II
Nikon D810

明显负样本：

Nikon D700
Sony A7R IV

这组经验真正有价值的地方不是“我觉得”。

而是：

这些判断形成于看到排行榜以前。

因此可以拿来反过来检验指标，而不是根据排行榜修改主观评价。

十八、现在最值得关注的几台机器

第一组：已经有较强证据

Canon EOS 1000D

10MP APS-C
D50 SMI = 88
Delta-C = 4.00
长期实拍验证：优秀

这是目前最干净的正样本之一。

唯一明显的问题：

只有 10MP。

Sony A900

24MP Full Frame
D50 SMI = 87
长期实拍验证：优秀

如果不要求现代 AF、高 ISO 和视频能力，它仍然是一台非常值得重新研究的机器。

Canon 1Ds Mark III

21MP Full Frame
D50 SMI = 86
Delta-C = 4.37
长期实拍验证：优秀

它的重要性在于：

Sensor-level
+
Output-level
+
长期实拍

三条证据方向一致。

十九、两台真正值得继续追的廉价黑马

Canon M5 / M6

24MP APS-C。

其中：

M6 Delta-C = 3.36
M5 Delta-C = 3.73

而 Adobe Matrix 又出现：

Mix = 0.426
κ   = 2.361

也就是说：

它不是只在一张榜上中奖。

如果用途是：

ISO100
手动曝光
固定棚灯
产品
静物
翻拍

那么现代旗舰机的大量性能实际上没有意义。

M5/M6 目前应该定义为：

廉价棚拍生产力工具的高优先级候选。

真正缺的是 measured spectral / SMI 级别验证。

Samsung NX500

28MP BSI APS-C。

目前已经同时出现：

Adobe Matrix：异常优秀
ICCP Estimated Spectral：异常
Imaging Resource Delta-C：4.04
DXO Color Sensitivity：24.8 bits

其中 24.8 bits 不是 SMI，不能拿来证明 Color Accuracy。

但多条独立证据同时出现后，NX500 已经很难简单解释成：

“数学模型偶然中奖。”

我实际使用 NX500 时也认为整体颜色关系很好，但 Blue-Cyan axis 存在明显倾向：

Blue 容易向 Cyan 移动。

这又说明一个重要问题：

平均误差低，不代表每一条 Hue Axis 都正确。

NX500 现在最缺的是：

• D50 SMI
• Measured Spectral Ground Truth

二十、Canon 2015–2017 的 24MP APS-C 可能是一个“色彩窗口”

同一时期 Canon APS-C 的 Imaging Resource 数据非常值得注意：

这不能证明：

760D > M5

因为 760D 目前主要是 Output-level evidence。

但 M5/M6 同时在 Adobe Matrix 路线上表现异常。

所以目前更合理的判断是：

Canon 2015–2017 的 24MP APS-C 可能存在一个值得重新研究的色彩窗口，其中 M5/M6 的跨指标证据最完整。

二十一、为什么 5DS 仍然值得保留？

Canon 5DS：

50MP Full Frame
D50 SMI = 82
Delta-C = 3.67

实拍体感：

中上，但没有封顶。

因此它可能不是最纯粹的 Colorimetric 神机。

但是考虑：

50MP
EF 系统
ISO100 棚拍
极低二手价格
成熟 tethering

它仍然可能是整个榜单里最实际的生产力机器之一。

这也说明：

“色彩最接近理想”与“最值得拿来干活”是两个不同的问题。

二十二、最后一个缺口：D50 不是电子闪光灯

如果最终目标是棚拍，这一点不能回避。

D50 是标准日光 illuminant。

专业氙气电子闪光灯即使标称：

5500K

也不代表它的 Spectral Power Distribution 与 D50 相同。

最终相机记录的响应取决于：

Camera Spectral Sensitivity
×
Illuminant SPD
×
Object Reflectance Spectrum

因此真正针对棚拍应该计算的不是简单 D50 SMI，而是：

Flash-specific Colorimetric Error

也就是把专业电子闪光灯的真实 SPD 代入计算。

理论上完全可以分别计算：

D50
D65
Xenon Flash
Fluorescent
LED
Halogen
Incandescent

现在真正缺少的是：

大量真实 Camera Spectral Sensitivity × 专业氙气闪光灯 SPD 的统一数据库。

二十三、最终研究框架

现在整个问题可以整理成五层。

Level 1：Matrix Proxy

Adobe Mix
Adobe κ
Matrix Score

用途：

几千台机器里快速找异常值。

Level 2：Predicted Spectral

ICCP Estimated R(λ), G(λ), B(λ)

用途：

进一步缩小候选池。

Level 3：Measured Spectral

直接测：

R(λ)
G(λ)
B(λ)

这是 Sensor/CFA/IR-stack 物理层证据。

Level 4：Colorimetric Evaluation

利用 measured spectral sensitivity 计算：

Vora
Luther-Ives
SMI
Mean ΔE
95th percentile ΔE
Worst-case ΔE

并分别代入：

D50
D65
真实 Xenon Flash SPD

Level 5：Real-world Validation

最终仍然需要：

真实物体
真实光源
统一镜头
统一曝光
统一 WB
统一 RAW workflow

进行盲测。

只有五层证据方向一致，才有资格真正说：

这台相机的颜色底子异常优秀。

结论：真正该找的不是“RGB 最纯”，而是“最接近 Colorimetric Camera”

这次研究最大的变化，不是又找到了一张排行榜。

而是问题本身被重新定义了。

最开始问的是：

哪台相机 RGB 分离度最高？

现在看来，这个问题并不完整。

RGB 分得开，只代表：

RGB 分得开。

真正优秀的相机需要同时满足：

1. RGB spectral basis 具有足够的信息独立性；
2. Camera RGB span 接近 CIE XYZ；
3. 在目标 illuminant 下具有较低 Metameric Error；
4. RAW/Profile/Processing 没有把底层优势毁掉。

因此，如果目标限定为：

ISO100、日光/专业氙气闪光灯、产品/静物、真实颜色、廉价且有足够像素

目前最值得继续研究的已知正样本是：

Canon EOS 1000D
Sony A900
Canon 1Ds Mark III

而最值得进一步验证的两台廉价高像素黑马是：

Canon M5 / M6
Samsung NX500

Canon 5DS 则代表另一条路线：

它未必是最接近 Colorimetric Camera 的机器，但 50MP + EF + 低价格，使它可能成为更实际的棚拍生产力答案。

下一步真正有杀伤力的工作已经非常明确：

Measured Camera Spectral Sensitivity
×
D50 / D65 / 实测专业 Xenon Flash SPD
×
真实 Reflectance Spectra
↓
Vora / Luther-Ives
SMI
Mean ΔE
95th Percentile ΔE
Worst-case ΔE

到那一步，才能真正做出一张有物理意义的：

棚拍色准相机排行榜

在那之前，Adobe Matrix、ICCP Estimated Spectral、Delta-C、RAW ΔE 都应该被正确地放在自己的证据层级里。

它们可以筛选，可以交叉验证，但没有任何一项应该单独封神。