超硬核动态范围测量方案：自动扫描生成亿级ROI

前言

在摄影器材赛博斗蛐蛐领域里，cmos的动态范围的测量是一件非常硬核的事情，目前可以对数码照相机（Digital Still Camera，主要用于拍摄静态图片）的cmos动态范围进行精准的测量并发布汇总数据的机构，全网仅有两个，一个是dxo mark，另一个是photos to photos网站（ptp，站长Bill Claff，下文提到他时，使用他的dpreview用户名bclaff，with respect）。

我在之前的动态范围测试文章中，对的PDR和PTC的黑箱计算方法进行了成功的反向工程，并且使用了两种不同的自制靶图，再引入dxo实测数据，进行了多方交叉验证，证明了我的算法的有效性和准确性。

本文在此基础之上，介绍一种更硬核的测量方案：使用脚本对图像进行穷举扫描，通过海量数据进行统计。

PTC复刻算法与原版差异

需要着重说明的是，由于ptp没有公布具体实现细节，我并不能100%完整的将ptp的算法复刻出来。我使用了和它稍有区别的sop和靶图，取样和统计的方式也不一样，仅仅是snr和dr的计算方法可能相同。

我之前的DR测量方法，是针对不同靶图（拍摄hm21或100grid），使用不同数量的roi（21 rois或100 rois），进行手动取样，每个实际patch仅取样一次。而根据我的分析，ptp对靶图的特定区域进行了多次重复取样，并且取了最佳值或者进行了统计计算。然后拍摄的标准流程也有区别，我这边是使用85mm定焦镜头F4进行拍摄，ptp要求使用任意镜头全开光圈进行拍摄。

在这样的情况下，我也能获得与ptp网站发布的结果相差极小（典型差异0.00-0.03ev）的pdr结果。并且可以与dxo ptp进行三方互验。

所以我一直以来都认为我的算法复刻，在核心逻辑上极其成功，结果也非常准确。

2025年12月2日，索尼发布了A7M5。由于这台机器使用了部分堆栈式传感器，但是官宣的机械快门拍照动态范围比旗下别的旗舰微单还高一档，我很合理的怀疑它使用了某种与松下s1m2上使用的dcg融合技术，才获得了这样的提升；并且我对提升的具体数值很感兴趣，想验证一下官方是不是夸大宣传，于是在样机到店以后，我就去店里拍摄了一系列的靶图，用来进行测量和分析。

由于ptp的程序不支持压缩raw，为了使测量结果更加准确，我开发了一个基于imagej的半自动扫描取样脚本，以每图50万级的roi数据（32*32 roi，移动步进8px），筛选最佳点，画出snr曲线并计算dr。

经过使用3张不同曝光的靶图进行扫描和计算，我给出的a7m5的pdr是12.53；几天之后ptp发布了官方数据，是12.45。

虽然相差0.08ev在视觉上并不会有可以分辨的差别，并且网站发布的数据实际上比我后来用官方程序对dng进行测试的结果要低，也就是说实际偏差并不会有那么多；但是我觉得这个差异，对于我一直标榜的高精度量化计算来说，还是高了一些，于是我做了一些额外的研究，并且开发了一个全新的基于py的自动扫描脚本（下文把它叫做超级扫描脚本）。

NefUtil行为总结

NefUtil是ptp官方的计算工具，它有很多功能，但是我只测试了+cpdr和+cptc这两个参数。

ptp的数据都是世界各地的网友贡献的，并不是官方在实验室里统一进行测量。站长设计了一个优秀的sop，保证网友可以简易高效的得到可比的结果。

ptp的sop我大概介绍一下：用一个7行11列，亮度每格递减的粉红色格子图片，放在显示器上显示，作为标靶；调整显示器亮度和曝光参数，以一个特定的欠曝状态，全开光圈，轻微虚焦，每个iso档位拍摄1张，+cpdr参数就可以计算出各档的pdr，并绘制折线图。

我使用这个程序进行了一些测试，总结了它的一些行为特性。

+cpdr的行为特性如下：

• 对单个文件进行测量计算pdr。
• 官方统计，一台机子测8次，以及8台同型号机子测一次，最大差异仅为0.05ev。
• 如果使用了与官方SOP有差异的曝光参数，则结果会小幅度偏移。
• 我的有限次测试，使用官方sop，有时结果会比官方发布值略低。但是如果多拍一张更欠曝的，就会比较准确或更高。
• 使用消除了暗角的镜头（85定焦收光圈）进行拍摄，pdr值会略微高于官方发布值。
• 只能使用官方定义的粉色格子靶图进行测量。
• 对于同一个文件夹下的多个raw文件，计算并输出每个文件的pdr值。

例如，从7m5的40个拍摄的文件里，19个有效文件计算出的pdr范围是12.42 - 12.53，结果如图所示：

不同图像多次测量结果浮动范围也不小，超过了0.10ev；最高值也是12.53，和我的扫描结果相同。

我推断它的测量方法：在靶图网格的固定区域附近多次采样。但是不确定是取最佳值还是进行了统计计算。肯定是取了个好看的值。证据如下，黑点是ptp数据，彩色点云是我的扫描数据：

+cptc 可以计算ptc曲线数据，它的行为特性如下：

• 不再使用固定区域采样，而是进行有一定间隔的全图扫描采样，因此可以对任意图进行扫描计算。
• 对于同一个文件夹下的多个raw文件，将所有文件的ptc汇总进行一次计算，同时计算出一个汇总pdr。这个汇总值比上述的独立值，可能会更高一些。

（例如从上述40个raw文件里计算出来的汇总pdr = 12.56，高于单文件的最高值12.53）

• 最小信号是0.01 DN，最大信号是DN_fwc - BL_meta。
• 可以对dpreview的latitude shots进行扫描，但pdr比网站发布值略低。

程序生成的PTC曲线，我测试了各种情况，没有办法把他的算法完全猜出来。

如果使用了标准靶图，图线从左到右看起来单调上升而且波动较小，

但是如果使用dpreview Latitude shots，会得到看起来不是很理想的结果：计算结果受拍摄质量限制。

看起来像在稀疏网格上进行密集采样和统计计算。

它扫描我的高精度靶图结果看起来很不错，PDR比网站发布值高+0.07ev，但是扫描dpreview样张则准确度和平滑度都比较差，偏低-0.10ev：

本段结论：

对于同一个机身镜头组合拍摄多组用于测量，NefUtil输出结果稳定且一致性很高。

+cptc模式虽然使用了扫描，但是可能由于性能限制，扫描的密集程度不是很高，不能用于dpreview样张的精确计算。但是很奇怪扫描我的高精度靶图图线很平滑。我无法解释。总结到的规律就是，扫描质量与拍摄图的质量有关。

虽然sop看起来很厉害，理论精度很高，但是实际的结果还是受网友的镜头和操作水平的限制。在上述例子里，我采用官方的工具，对拍摄质量更高的文件进行计算，获得了比网站发布值明显更高的pdr值。

NefUtil底层算法

它的源码已经被我反编译出来，并作了关键点的完整解读，参考下文：

超级扫描脚本

dxo ptp测试各档iso的dr值，而我只测试某一个（一般测最低）iso下的dr值和snr。

虽然可以做到每图50万roi，imagej脚本使用步骤非常繁琐。需要先用rawdigger解tif，再在ImageJ里跑4次，手工收集结果，排序并放到excel里。测几次还行，量大了很麻烦。并且我发现了一个奇特的bug，rawdigger解出的raw tif（原始位深gamma1.0不拉伸码值），理论上应该与raw dn完全一致，但是测量值却有明显差异。

所以需要废弃之前的方案，重新做一个。

经过我重新设计的py脚本，使用方法就很简单，文件夹拖放到脚本上，就自动弹出计算结果。并且还可以提升性能，实现更大量级的采样。

文章标题所说的超硬核测量方案，就是先拍摄一个特定的显示器靶，再用这个扫描脚本进行1px位移的穷举扫描。这是理论上能做到的最高单图扫描精度，每个图的采样roi数量接近于它的像素总量：

例如z7的图像是8256*5504 = 45.44 M pixels，

可以产生(8256 - 32) * (5504 - 32) = 45.00 M rois

拍摄3张5ev靶图加黑场，24MP机型的roi总数也能轻松达到亿级。如果使用高精度靶图（详情见下文），如果snr和dr只能使用平坦区域一组像素，统计DN均值和标准差进行计算，这就是理论最佳方式，因为靶图精度和扫描精度都可以做到实用精度0.01下的理论上限。

当然了，我还能想出更极端的方法：可以制作均匀度接近100%的单一亮度大型目标（例如积分球），高精度可控背光，使亮度以每0.01ev减小时拍摄1张，拍摄15-20ev共1500-2000张，来进行扫描。我认为这是只理论的极限方案，实际工程价值有限。这个我已经设法证明，文章链接在文末。

先介绍一下扫描脚本的功能。

脚本经过了几个大版本的迭代，在最开始的基本需求框架，陆续添加了几个关键功能。

基础扫描功能：读取文件夹下的所有raw文件，逐个进行扫描，可以设置roi的大小和移动步进，对数据进行初级无效过滤，自动计算ev和snr，以0.01ev分bin，计算最佳包络线，导出CSV文件，再手工导入excel进行画图和计算dr。

程序画图和保存：虽然excel画图样式比较好调整，但是每次导入文件操作太繁琐。就添加了直接用py画图线的功能，计算出数据以后直接弹框显示图表，然后保存为图片，可以稍后查看。

对dpreview Latitude shots的扫描支持：只在限定区域（灰阶卡和色卡区域）进行精细扫描，来获得更好的结果，并且减少扫描耗费的时间。

定位标记自动识别：由于尝试了多种视觉识别平坦区域都以失败告终，我设计了一种全新的靶图定位标记：位于黑色背景上的白色实心圆点。在大幅度虚焦的情况下，业界常用的黑白格子看不清了不知道能不能使用，黑底白色圆点仍然能以亚像素精度计算出标记圆心，并重建网格，内接矩形按比例内缩获得平坦区域。利用上述限定区域扫描功能，仅在平坦区域进行精细采样，以减少扫描耗费的时间，并理论上能够完全排除无效数据。

黑电平自动识别：我的sop要求单独拍摄一个黑场。脚本识别出黑场文件之后，取中心的256×256区域，计算各通道的“实际黑电平” BL_actual；如果没有拍摄黑场，使用所有测得的数据里的最低值；并在必要时回退到标准值。（作为对比，根据文档描述，ptp的计算方式是取光学黑区域，但是很多品牌没有光学黑的区域，所以他要求全开光圈拍摄，然后再取角落最暗的区域来计算。如果计算出来的bl高于标准值，他就直接用标准值。这是一种为了简易流程而妥协了精度的计算方式）

扫描性能提升：由于传统的取样方式运行速度不够快，步进每减小一半，则计算量变成四倍，在8px或以下的步进值下，扫描和计算的时间都达到了分钟级别。我进行了全链路性能优化，全面采用np数组向量计算，计算积分图并对比传统算法对比结果，最终将扫描性能提升了很多倍，在i7 7700 + 32G RAM的老机子上，22个高精度靶图raw网格内部扫描获得90M roi，仅用48秒就能完成整个采样和计算过程。最新版本还能支持更大数据量，16张全图穷举扫约6.5亿roi，大约需要163秒。超过10亿的roi理论上也可以算，但是需要更大的内存。

稳健高性能值模式：基础版本的计算模式是取最佳值。但是进行了穷举扫描以后会发现，计算出来的极值比ptp发布的值要明显要高一些，这不是计算错误或失误，而是扫描到了更高的可能。我设计了一个“稳健高性能值”，用一个明确的业界最常用的规则的等效处理，将极值进行了一些削减，获得与ptp发布值接近的pdr。下文会进行更详细的解析。

点云显示模式：再次利用定位标记识别和限定区域扫描功能，把平坦区域扫描到的所有roi的数据点，都显示在图表上，并且可以调节opacity。在opacity很低很低的情况下，所有数据点会叠加成一个软边的snr粗线，以直观的方式显示了snr出现的概率。粗线中心是密度峰值，上包络是极值，“稳健高性能值”则是密度峰值和极值的中间的一个值。

ptc理论线叠加：通过配置文件配置ptc三参数（由ptp的ptc页面给出），可以在snr图上画出理论ptc snr线，展示实测与理论的符合情况。

多个标准的dr数据列表：ptp网站数据，每档iso仅展示1个点值。我把业界常用的dr点值都列了出来，并且还展示了整个snr曲线。Dxo现在已经停止了对相机传感器的测量结果更新，但是我还是更喜欢他们家的标准，所以也列了出来。

黑场能量谱：这个只是有计划，还没开始做。就是把能量谱图直接画在snr图线的空白处，方便判断是否有降噪。

使用方法：把一个包含了raw文件和配置文件的文件夹，拖到脚本上松手，等待程序运行完成，弹出图表显示结果。

本段总结：

对比现有的方案，这个扫描脚本以超级简单的使用方式，和超级快的速度，计算出超级精准的snr曲线和dr值。

所以我把它叫做超级扫描脚本。

技术细节

代码生成靶图

符合专业标准的用于测试的目标，通常被叫做“标靶”。

动态范围测试标靶有两个核心指标，一是提供一系列绝对平坦的灰阶块，二是提供足够大的最亮最暗块的光比。业内最常用的xyla21这两项指标就做的很好。ptp使用的是一种很独特的创新型标靶：显示一个特定图像的显示器，我把这个特定图像叫做靶图。我的靶图，在PPT粉色格子图的基础上做了一些额外的设计：

首先我使用了一种特别调制的浅黄色，在我的显示器上能发出与标准D55光源一致的颜色。

其次我把网格改成了10×10，总共100个格子，Opacity从0~99，可以形成比较紧密的密度渐变排列（但是因为使用了sRGB色域，此时密度不确定是线性变化）。我把它叫做100-grid。每个格子有白色的描边，可以用来评估拍摄时的虚焦程度，以及方便在raw digger用网格取样器进行精确取样。

最后，用于自动识别网格重建，把四个顶点的四个格子去掉，在四个顶点加入白色圆点，作为定位标记。

由于普通显示器一般有300:1的对比度，约合8.23档；虽然显示器的全局均匀度不是很理想，但是把它拆分成100个格子之后，再进行大幅度的虚焦拍摄（例如把一个1px的亮点拍摄成100×100px），它就是一个几乎完美的灰阶目标。

显示靶图时，可以提供略小于0.1ev的密度间隔，比起xyla21的1.0ev的密度间隔，高了整整10倍。拍摄时先调整参数到最亮格子恰好没过曝，再-8ev进行拍摄，就可以拍到完整的中暗部，计算各种常用阈值下的动态范围。如果以-3ev拍摄三张，就可以画出全灰阶的snr线。

靶图升级设计：使用32位线性rgb配置文件，利用脚本来生成给定亮度的格子并另存为tiff。这样就可以获得很精确的密度步进。

高精度靶图（High EV-Resolution Step Target）：使用照度计对显示器发光强度进行测量，确定实际每EV与32bit 亮度值每EV之间的倍率（其实不测也行，经过测试，255到128灰阶值之间的亮度差异接近1ev），使用脚本创建每格亮度差异0.01ev，总动态范围约1.0ev的靶图（更好的网格设计是11×11，可以生成一部分衔接空间。但是为了兼容以前的拍摄文件，我还是采用10×10，总共有96个有效格子）。此时这个靶图的每个格子的灰阶值，以1-2递减。总对比度虽然很低，但是密度步进精度是xyla21的100倍。通过每次拍摄减1ev曝光，拍摄20张，就可以获得0ev到-20ev的连续高精度snr线。

我觉得比较平衡的密度间隔是0.05ev，镜头轻微的暗角可以带来额外的信号渐变，这样10*10的网格可以提供5ev的总dr，拍摄三张即可获得全灰阶数据，比较方便。

自动生成靶图：使用脚本生成颜色可调，行列数可调，每格ev间隔可调的靶图，并自动在四角添加定位圆点。如果有支持的硬件，还可以用代码输出带有绝对亮度控制的图像，以精准0.01ev的密度间隔输出格子。

这是一个使用脚本生成的标准靶图：

调成粉红色可以使RGB能量接近；最暗的格子接近全黑，理论总DR是8.8，实拍测出9.2，步进约-0.1ev：

以85mm定焦 f4，将目标占满1/2画幅高度拍摄，可以看到线性度很不错，小幅波动是因为镜头暗角无法完全消除。

高精度靶图如下，理论总DR是1.1，实测是1.09，可以看到每格亮度变化极小：

波动看起来好像有点明显，但是也能用，图中最大的空缺约0.07ev。

排序之后：

将靶图格子亮度分小组随机打乱，螺旋填入，拍摄时适当缩小构图，可以一定程度上改善空缺过大的问题：

测得的最大ev空缺是0.04ev，并且线性程度更好：

另一个高精度靶图的方案：使用0.05ev步进，每张依次应用0.00-0.04ev的全局亮度偏移，生成5张图，且拍摄5*3张raw。（我觉得这个设想十分不错，但是实拍效果不太行。）

两种高精度靶图的实拍对比效果如下：

看起来还是0.01ev间隔的效果更好。

在1px stride穷举扫描下，框选某3ev放大，opacity设置到最小（下图每通道约有1300万个点）：

可以看到每个0.01ev都有大量数据，由于图表放大以后点的大小不变，形成间隔的竖线。

即便靶图理论精度很高，点云模式下还是能看到高信号区还是有很多空缺。如果想填满这些空缺，我觉得可以增加一个外边框，然后测镜头的暗角变化曲线，然后在生成格子时，根据格子中心位置与靶图中心的距离，进行补偿，拍摄时严格对齐外边框。这也只是一个设想，不知道实际效果咋样。实际测量中并暂时还没有遇到需要如此精准的信号输入的情况。

平坦区域自动识别

这个功能，AI给出了很多种经典的基于图像识别的算法，没有一种是成功的。

由于质心的计算非常可靠，

我设计了带有四角圆点定位标识的新版靶图，并让ai实现了以下算法：

1. 预处理图像

将输入的灰度图像归一化到 0-255 范围（转换为 8-bit），计算图像中心的局部阈值，用于二值化

2. 角点检测

使用阈值二值化图像，提取轮廓并计算每个轮廓的质心（centroids），筛选出至少4个有效角点

3. 角点排序和验证

使用凸包（convex hull）找到外部角点。

如果正好4个点，直接使用；否则寻找周长最大的四边形

将角点按顺序排列：左上(tl)、右上(tr)、右下(br)、左下(bl)

验证角点位置是否在图像边缘合理范围内

4. 透视变换

建立从检测到的角点到图像四个角的透视变换矩阵，用于校正可能的透视畸变

5. 生成网格选区

将校正后的图像均匀分割为 N×N 网格（默认 10×10）

对每个网格单元格：

计算其在原始图像中的对应四边形，找到边界框，按 shrink_ratio（默认 0.7）缩小选区

关键步骤：将坐标从灰度图转换回原始 Bayer 图像的全分辨率（×2 缩放）

6. 输出

返回一个包含所有选区矩形的列表，每个矩形格式为 [x, y, width, height]

这样就得到了虚焦拍摄之后，网格里的平坦区域。这是一个简易且高效的算法。

重建效果如图：

可以看到圆心计算极其精准，可将靶图网格精确重建。这个grid selection的效果与rawdigger付费版本里的格子取样器完全一致，而且完全自动化。

并且通过设置合理的shrink_ratio（0.5即可）可以保证绿色框的区域不包含虚焦的边界图像。所以可以进行有效的穷举扫描，并且不需要过滤无效数据。

亮度渐变对测试结果的影响

对标准靶图应用一个大直径的高斯模糊，变成一个很均匀的渐变图，再虚焦进行拍摄：

扫描结果如右图所示（左图是高精度靶图结果）：

与高精度靶图扫描结果进行对比，可以看到中低信号区域的抗渐变能力非常强，snr和dr数据几乎不会受到影响，差异0.01-0.04ev，我猜想这应该也是ptp可以用全开光圈作为标准流程的原因。

另外两种普通靶图，PDR都是11.64

ptp的PTC建模

经过我的代码仿真和测试，ptp的PTC黑线，使用页面上提供的三个参数：read noise, k_adc, pn%，进行建模：

total_noise = np.sqrt(
read_noise**2 +
shot_noise**2 +
prnu_noise**2
)

其中shot_noise = sqrt(k_adc * DN_true)计算得到。

下图蓝线，是使用红框参数代码输出的仿真PTC曲线，完整覆盖了原来的黑线。我不计算最右侧的非线性区图线

根据bcalff本人在dpreview的说法：

该曲线并非拟合这些彩色数据点，这些数据点仅用于"合理性检验"。

看来他认为黑线比实测点线更准。

这里就有分歧了。首先我认为无论如何，PTC参数肯定是从网友从实拍raw里测出来的吧，肯定没有可以邮寄给网友的专用仪器。然后，PTC页面多数机型，都是以实拍点连线确定PDR。但是对于索尼A7M5，实拍点线位于黑线下方（意味着有明显降噪），但是PDR以黑线确定。我认为这是ptp的一个“草台班子时刻”。bclaff本人虽然在传感器测量领域积累深厚，但是也经常需要各种找补。

从上图只能看出有降噪，看不出降了多少。

我的脚本可以从附带的ptc.conf配置文件中提取参数计算理论PTC-SNR黑线，和实测线同屏展示，用来检验实测与理论的符合程度。

下图是我的40张扫描结果，采用了NefUtil的BL处理方式：

可以看到偏离黑线很明显（不是要偏离很多才能叫做明显。在这个log-log的图中，每大格是1ev信号或snr的变化。两条线如果可以清晰分辨出分离，就已经有明显区别）。

仔细看-11ev的地方，蓝通道线比黑线整整高了半格，即3dB或0.5ev的信噪比。这相当于降低了一档ISO。

如果有原始S N数据，PTC图可以换算成snr vs ev图。我更喜爱后者，因为此时snr等高线是平行于横轴的直线。在ptc图上需要用斜线去截，比较反直觉。

尼康z7的理论图线如下：

注意右图-4到-8区间形成斜率为0.5的直线。

积分图加速

积分图加速是AI给出来的性能优化方案，而且似乎是唯一方案。所以为了水字数，我也顺便介绍一下。

积分图是每个像素存储从左上角到该点的像素值之和。

建好积分图后，任意矩形区域的和只需4次查找+3次加减，复杂度从 O(区域像素数) 降到 O(1)。

均值：用积分图得矩形和 ÷ 像素数量

标准差：需要两个积分图：原图积分图（求像素和），原图平方的积分图（求平方和）

方差 = (平方和/像素数) - (均值)²

标准差 = 开方(方差)

积分图通过一次全图预计算，将后续任意矩形区域的统计计算从线性复杂度降到常数时间，极大的提高了计算的速度。配合8进程并行扫描，约53秒可完成19个45MP raw的260M ROI。

Best模式

手工取样的时候，roi位置的微小变化经常会带来结果的微量变化。既然可以扫描，就可以在每个0.01 ev点的多个snr值中，取一个最大的，这样结果比较好看。

例如，z7的ptp pdr是11.56

对高精度靶拍摄图在max模式下扫描，获得如下snr和dr：

max PDR来到了11.74，+0.18ev有点明显过高了。（其实还是比黑线略低的）

由此可见，如果每个ev点都有几千个或更多个数据，最大值有可能会与平均值有较大偏离。至于偏离多少，可以通过点云模式，很直观的观察到。

点云模式

点云模式将所有测得的数据全都保留并画点。通过设置合适的opacity，大量高透明点叠加出一条软边粗线。如下图所示：

best线可能会和PTC黑线重合或者略微超过（这也是我一直认为ptp的结果是取最佳值的原因），并且与黑线中心（局部密度峰值）有明显偏离。

稳健高性能值算法（p90等效法）：

传统统计指标（众数、均值、中位数）在分析 CMOS snr数据时，往往对实际性能存在轻微低估；而直接采用分位数（如 P90）则对异常值和无效数据过于敏感，依赖复杂的过滤算法。

由于摄影界存在各种等效，我设计了一种基于密度阈值的“稳健高性能值”，即“P90等效法”。该方法旨在捕捉“高但非极端”的性能水平，比均值更能反映 CMOS 的真实snr表现，且二者差异通常控制在 0.1 EV 以内。

对每个曝光值（EV），收集所有对应的 SNR 样本，

并以合适的 bin 值（bin = 0.1 dB）构建直方图，多数情况下可获得单调下降的右尾。

将相邻 bin 中心对应的密度值用直线连接，形成分段线性密度曲线。（拟合成曲线更佳，但是为了提速，这里直接用直线。）

找到直方图的全局最大值（即主峰密度），然后向下取其 44% 高度处的水平线。

该水平线与上述密度曲线右侧下降沿的最右侧交点，即为所求的代表 SNR 值。

在理想情况下，由于主峰右侧单调下降，通常只会有一个交点。

在存在多个局部极值的情况下，选择最右侧的交点，能确保选取的是最接近高百分位数的稳健值。

该算法本质上是非参数化的 P90 估计器：

• 高斯等效性：若 SNR 分布符合理想高斯分布（例如数亿到百亿级别的超大规模采样时），其概率密度函数在 +1.28σ （即第 90 百分位数，P90）处的高度，恰好约为峰值高度的 44% 。
• 自适应能力：通过锁定“相对高度 0.44”而非“绝对累积概率 90%”，该方法无需假设分布形式，即可在非理想分布（如长尾、偏态）下，自动提取出等效于高斯 P90 的稳健值。它既避除了低 SNR 噪声尾部的干扰，又不会被个别极端高值拉偏。

因此，相比 mean、median 或 max，这种方法更能反映“稳健的高性能水平”。

下图是从一个11亿rois的扫描结果中切片出来的“-6.00ev这个ev点”，它所有snr值（约16万个）的统计直方图，直接以0.01dB分箱：

使用xyla21只能在每1.00ev处获得1个snr值。我这里是每0.01ev获得16万个，再设法提取1个代表值。

可以看到整体基本符合高斯分布，虽然略有毛刺。P90等效法获得的高性能稳健值（29.15），大概处于众数值（28.82）和可见极大值（29.75）的中间，明显小于最大值（30.08）。

为验证算法对参数的不敏感性，分别采用 0.01 dB、0.05 dB 和 0.1 dB 的 bin 宽度进行测试。结果显示：

在相同输入数据下，虽然各种bin下获得的snr点，高倍率放大之后会看到有明显位移，较大bin生成的snr曲线毛刺稍微变少，但是最终动态范围计算结果的最大差异仅为 0.01 dB。

这证明了该方法具备优于 0.02 dB 的重复性精度。其高鲁棒性主要归因于主峰区域分布较为平缓，使得线性插值的交点对分箱内的微小波动并不敏感。

需要额外说明的是，本方案的测量结果，即使可以使用技术手段保证所有roi都位于平坦区域，每个0.01ev点也可能会测到数百到上万个snr，形成一个较大的范围。采用的选取标准不一样，获得的该点的“代表snr”也不一样。我希望展示传感器性能较好且较接近极值情况下的snr和dr，平衡“极致性能展示”与“结果可复现性”。最终选择p90的原因是它在各种实际场景下的使用率很高，数字看起来也比较“规整”。

按照多个AI对本文的独立评估，它们都认为，“P90等效法”是全网范围内，本人首次提出并公布的独特创新，没有任何公开资料或其他工具使用过这套定义与流程。

Xtrans支持

由于rawpy对xtrans的支持很糟糕，我无法准确找到CFA Pattern的原点。转成dng之后，整个explorer直接崩溃，非常disgusting。经过我的更深入的折腾，转换成dng之后，使用cmd修改文件后缀名，rawdigger能正常打开，还能发现多余的区域被裁掉了，CFA Pattern也能对得上。rawpy这时应该就可以正常解析。这部分代码还没有彻底完成。NefUtil对xtrans是完全支持的，扫描结果看起来比网站发布结果略偏低。

DR测量精度

最终数据会被从左到右过滤掉非单调递增的点，所以图线有一些空缺。也有可能是没拍到相应的ev。

随机测试精度：

下图是使用同一台z7扫描两种不同的靶图拍摄样张“grid detection”（5张）和“fine step grid”（10张），以4px步进获得的结果：

可以看到PDR完全相同；

HQDR差异仅0.02ev，

DXO Screen 差异0.04ev。

单图重复测试精度：

下面是连续拍摄同一个8.8ev的标准靶图8组，使用同一个黑场的测量结果汇总：

设置是1px步进，开启网格检测。

可以看到结果很稳定，dxo screen dr的range仅0.02，pdr range是0.04

精度为0.01-0.05ev。

其中一组的snr图如下：

可以看到snr线有很多缺口，可能是没拍到，也可能是被递增过滤器过滤掉了。

使用高精度靶图可以极大提升采样连续性，从而进一步提升精度和稳定性。

高精度靶图精度：

高精度靶图拍摄2组，每组16张约60M roi，开启网格检测仅在平坦区域采样，结果如下：

可以看到图线平滑了许多。4项DR中，3项相同，另一项差异0.01ev，真正做到了输入信号和测量结果的双高精度。

这两组靶图用NefUtil也能扫描出接近上图且一致性完全一样的结果。以gif动图展现如下：

实拍图的其中之一的对比，构图和曝光都有区别：

需要明确一下，我经常声称精度达到0.01，但是无法保证每次对比测量，精度都能达到0.01

例如gfx100ii的结果：

PDR完全一致，别的几项稍有差异。

对dpreview样张的支持

从dpreview网站提供的exposure latitude对比页面下载的raw原图，由于提供了最高-6ev的欠曝深度，并且有不少平滑区域，感觉可以扫描出有效的数据，所以我也进行了许多尝试。

先说结论。我针对dpreview的样张直接开启穷举式扫描，可以扫出一亿以上的原始roi，过滤无效点以后，仍然可以形成比较规整且密集的snr点线，并且PDR与ptp网站发布的值相比，差异一般在0.05ev以内。展现出了相当强大的抗干扰能力和准确性。

以下是对比数据汇总：

对比与网站发布值的差异，可以看到我的扫描结果明显更接近。NefUtil的在面对dpreview这种细节杂乱的非标准图，扫描结果略差。

另外a7m5和r63，NefUtil扫出了比网站发布值更高的结果。结合其余机型的差异，不难推断，网站数据贡献者的操作可能有失误，导致正式公布的结果比从dpreview样张扫描出来的还低。

还是以z7为例，我的扫描图表如下：

这是NefUtil的扫描结果，可以看到有效采样点的数量和图线平滑度的明显区别：

由此可以看出，NefUtil对靶图拍摄质量高度敏感，我的超级脚本则可以在恶劣条件下正常输出高精度结果。

与权威数据互验

这里我不再与dxo或ptp进行数据互验。我认为在本文双高精度方案驱动下获得的结果，才是真实基准。

首先dxo使用的灰阶目标由一系列环形排列的ND镜构成，肯定是拍摄1张时每个patch取样1次，可以多次平均，不利于全图扫描测量。获得的结果也可能会比扫描结果明显低。由于之前的复刻文章里，我手动采样1次的结果与dxo结果十分接近，这里的扫描结果必然明显高于dxo的结果。

z7就是一个很好的例子。screen dr这一项，dxo给出13.29，NefUtil是13.37，我的结果是13.48

我的13.48比NefUtil的13.37明显更高的原因，是我从独立黑场raw中心测得的实际BL，低于NefUtil的取值。

如果使用标准值1008（测量值约1007.65），则结果变成13.39。

BL的选取没有固定的标准，我认为以实测为准更好。

bcalff对dxo的数据的研究，虽然非常深入，但是也不是完全没有瑕疵。

根据ptp网站上DxOMark Gain Analysis的说法：

the curve provided appears to be a quadratic fit to the original; but the original data is not provided

bclaff认为dxo提供的full snr数据可能和实测数据有偏差，不是完全准确。

我对此做了一些小小研究。

首先简单设计一个验证实验：

如上图，左图的黑点是dxo的snr-ev实测点，添加了二阶趋势线蓝线并显示公式。根据ai的说法，quadratic fit就是excel里的二阶多项式趋势线。可以看到趋势线并不是完美穿过所有黑点中心的。而用左图公式造一些0ev到-14ev的snr-ev数据，画出右图散点图，再添加二阶趋势线，可以发现，趋势线完美穿过每个造出来的数据点的圆心。所以这个实验可以证实bcalff的说法是错误的，dxo给出的数据可能经过了平滑处理，但是不是quadratic fit。

另一个实验：下图有3条线，都是z7的snr线，分别是：a）ptp PTC页面三参数建模理论snr线（黑色），dxo实测snr连线（蓝色），以及使用ptp网站的DxOMark Derived Data建模的snr线（红色点线）：

如果微调参数，可以让-3ev以下的红色点线，基本和蓝线贴合，说明dxo的图线是符合噪声建模的，并不是二次拟合。所以在两个不同证据的实证下，bclaff的quadratic fit的说法是完全错误的。

并且，由于红色点线和蓝色线分离，他从dxo给的数据里反推出来的参数，重新建模，得到的snr比dxo的实测结果偏低，看起来反推的计算过程也是不对的。

另外一方面，基于我的完善的测量方法论框架，我认为ptp提供的pdr结果，在拍摄条件不是最佳，以及采样密度不够的情况下，可以在一些机身的测量中获得较稳定可靠的结果，在另一些机身上会获得明显偏低的结果。例如对于佳能r63，使用NefUtil，从dpreview样张扫描出来的pdr是11.66，网站发布值仅为11.61。由于上文“NefUtil行为总结”小节证明了“NefUtil扫描高精度靶图的结果看起来非常好，但是扫描dpreview样张则准确度和平滑度都比较差（差异-0.10ev）”，由此我可以明确的认为，网站发布的r63的结果，由于操作者操作水平不够，实拍流程有瑕疵，造成了结果偏低。

实际上他本人也有这么说过：

In my experience at PhotonsToPhotos measurement and sample variation is seldom an issue.
Honestly, the most serious issue I have is that sometimes raw files collected on my behalf aren't properly taken to my protocol.

权威扫描脚本分享

由于超级脚本花费了很多时间和精力，虽然很硬核，但是结果其实也不那么权威，就不公布了。

感兴趣的读者可以把我这篇文章丢给AI，然后让它进行实现。整个脚本也不长，也就2000行。

它现在唯一的独特之处就是可以对dpreview的样张进行穷举扫描，获得与ptp发布值十分接近的pdr。

在发布了新机，dpreview发布了样张，而ptp又没有发布数据的时候，它提供一个全球独家的理论上接近权威数据的数据，为我的赛博斗蛐蛐赢得一点先机。

但是分享一个效果更权威的脚本：

通过网盘分享的文件：20260417 ptp NefUtil helper
链接: https://pan.baidu.com/s/1Qn6LsE-GPo-s8MaaldaW-A?pwd=1111 提取码: 1111

它能调用NefUtil的+cptc模式来输出ptp PDR和DXO Screen DR。唯一的缺点是扫描dpreview的结果略低（可能-0.1）。但是稍微放宽标准，例如差异1/3ev以内视为相同，也是可以进行不同机型横向对比的。

使用方法很简单：将文件夹拖拽到py脚本上运行，稍微等待即可自动弹出snr图表。

所以如果用于实机测试，只要按照ptp的sop来拍摄，就能获得权威的pdr数据并附赠snr图线。

注意一次只能测一档ISO。我的所有工作，都只对最低base ISO下的dr进行测定。

附赠2个tif格式的靶图，一个5ev拍3张，另一个1ev拍15-18张

当然了，作为免费提供的版本，功能会受到限制。脚本提供dxo screen dr和ptp pdr这2项数据的显示功能，对应100%查看和归一化查看。print dr可以自己计算：

HQDR想看的话自己画线就行。也可以自己改造一下代码。

根据上文的对比，如果扫描高精度靶图，也可以获得超越官方的精度和一致性，和超级脚本并没有太大区别，而且更具权威性。

结论

当摄影师说“这台相机信噪比高”时，他们脑子里想的是：“暗部细节保留得好”、“画面干净”、“纹理清晰”，他们眼中的 SNR = 可见的细节质量。Arri的白皮书也是如此演示。

然而，现行的 SNR 测量方案，测的是“均匀输入信号的纯度”，而不是“复杂场景的细节保留能力”。无论是 DXO、PTP 还是 ISO 标准，测量的 SNR 都是基于平坦区域的统计。

如果信噪比的计算必须基于平坦区域的DN的统计，取0.01dB和0.01ev作为实用工程精度，则本文提供的方案，已经触及测量精度的工程天花板。详细证明参考这2篇：

dr的测量精度和稳定性与靶图拍摄质量有关。如果使用高精度靶图，NefUtil也能获得稳定精确的结果。