硬件如何影响 RAW 数字化与 RAW→RGB
线 1：光 → 电子 → 码值（RAW）
这条线决定：RAW 数值长什么样、噪声什么样、范围多大。
1. 光子与电子：为什么是 Poisson、shot noise 是什么
固定曝光时间内，光子到达像素是近似独立的”计数事件”，常用 泊松 建模：
泊松的关键性质：
直觉：亮处电子多，绝对噪声更大但相对噪声更小（SNR ~ √λ）。
硬件影响点
- 像素面积 / QE（量子效率）/ 微透镜 / CFA 透过率 → 改变 λ（同曝光下电子数大小）
- 低照 SNR 差距就从这里拉开。
2. 电子 → 电压：Conversion Gain
你关心的”尺子刻度”本质是 电子变化映射到 DN 的尺度。链路拆开：
- conversion gain（物理意义）：μV / e⁻（1 个电子引起多少电压变化）
- ADC LSB（量化步进）：μV / DN（电压每增加多少就跳 1 DN）
合起来得到系统尺度（你最关心的”1 DN 对应多少电子”）：
DN per electron = (μV / e-) / (μV / DN)
electrons per DN = (μV / DN) / (μV / e-)刻度均匀吗？
- 线性 RAW、同一读出模式内：近似均匀（electrons per DN 近似常数）
- 现实常见：分段切换（dual conversion gain / dual native ISO）
- 段内均匀、段间跳（相当于”换了一把尺子”）
3. 读出噪声：为什么常建模为 Gaussian
读出链路（放大器、采样保持、ADC 等）叠加多种小扰动，工程上常用：
它通常是”弱信号相关”或”近似常数项”。
硬件影响点
- 读出结构、放大器设计、ADC、温度、读出速度
- 决定 σ_r 大小，并可能引入 banding/FPN（行列条纹、固定图样） 等结构噪声
4. Poisson–Gaussian：把两类噪声串起来
典型”物理 → 数字”的模型可以写成：
1) shot（电子计数）
2) 映射到 DN 并加读出噪声
算法/工程更常用的等价形式（做了 black 校正并换到线性尺度后）：
：shot（随亮度变）
：read（近似常数）
硬件怎么影响 a、b？
| 因素 | 影响 |
|---|---|
| QE/像素面积/曝光 | 改变信号电子数的整体尺度（shot 项） |
| 增益链路（conversion + analog + digital） | 改变”电子噪声映射到 DN 的幅度” |
| 读出噪声、模式切换 | 改变 b（并可能随 ISO 分段跳变） |
| FPN/banding | 让噪声不再 i.i.d.（归一化也不会消失） |
5. black / white / bit-depth：各自扮演什么角色
它们不是”数字化的三步”，但它们是你解释 RAW 的三把尺：
| 参数 | 角色 |
|---|---|
| bit-depth（量化级数） | ADC 把连续电压离散成 DN（量化本体） |
| black level（offset） | 零光时基线偏置（不减会暗部发灰、噪声拟合错） |
| white level（saturation） | 饱和上限（顶格不可逆，决定有效动态范围） |
“都会归一化吗？”
- 归一化（减 black、除以 white-black）确实把尺度统一到 [0, 1]
- 但 a、b、FPN 结构、颜色响应 仍不同 → 并不会把所有机型变成同一分布
线 2：码值 → 颜色/细节/观感（RGB）
这条线决定：怎么把码值解释成颜色与亮度，以及最终风格/伪影。
1. CFA/阵列为什么存在、怎么表示”像素”
- 传感器单像素通常只测一个通道（R/G/B 之一），用 CFA（最常见 Bayer）完成”颜色采样”
- Bayer 2×2 单元：
R G
G B- RAW 存的是每个位置一个值；demosaic 重建缺失两色 → 得到每位置 (R, G, B)
硬件影响点
- CFA 类型（Bayer / Quad Bayer / RGBW / X-Trans）→ 去马赛克难度、彩边/拉链/摩尔纹等伪影形态
- 镜头 MTF / OLPF（低通滤波） → 高频纹理是否更容易出摩尔纹，ISP 需更强抑制或更强锐化补偿
2. 颜色：光谱响应 + WB + CCM（为什么不同机型颜色差很多）
RAW 的”R/G/B”不是标准 sRGB 的 R/G/B，而是由以下共同决定：
- CFA 光谱透过率
- 传感器光谱响应
- IR-cut
因此需要：
- 白平衡（AsShotNeutral / AWB 估计）：校正光源色温
- 颜色校正矩阵 CCM（ColorMatrix / ForwardMatrix 等）：把 camera RGB 映射到 XYZ/sRGB
硬件影响点
- CFA/传感器光谱曲线不同 → CCM 不同
- 某些光源（LED、荧光、混光）下偏色程度差异显著
3. “尺子刻度不均匀”通常发生在这里：tone/gamma
RAW 多数是线性的；但显示与人眼更适合非线性，所以输出 RGB 往往包含：
- gamma（如 sRGB）
- tone mapping（曲线/局部映射）
- HDR 编码（PQ/HLG 等）
它们会让亮度刻度在暗部/亮部不均匀：暗部分配更多码值、亮部压缩。
硬件影响点
- 动态范围（FWC vs read noise）不同 → tone mapping 策略不同：
- 大动态范围：可更自然
- 小动态范围：需要更激进压缩 + 更强去噪
4. 细节与噪声：同样 ISP 在不同硬件上观感不同
- 低 read noise / 高 SNR：ISP 可更弱去噪、更轻锐化 → 细节更自然
- 高噪声：ISP 必须更强去噪 → 更容易”蜡感/涂抹”
- FPN/banding：RGB 暗部条纹/色块，单帧很难救 → 多帧更关键
这些参数能不能拿到、能不能用？
按可获得性分三类：
A) 通常 metadata 里就有（直接用）
- black level / white level
- CFA pattern
- bit-depth（或可从格式推断）
- Exif：ISO、曝光时间、光圈等
- WB/颜色矩阵（DNG 常见）
B) 通常没有，但可标定/估计（一样能用）
- 噪声参数 a、b（或噪声曲线）、等效 read noise
- FPN/banding 模型
- lens shading（若无 gain map，可平场标定）
C) 厂商不一定公开（但你多数不需要”原始物理值”）
- 真实 QE 曲线、μV/e⁻ conversion gain、FWC 等
- （可通过实验间接估计”等效参数”，足够支撑去噪/融合/建模）
–
编辑于 2026-03-04 · 著作权归作者所有