为什么“没有光”仍然不是零#

一个简化的 RAW 读数可以写成：

其中 signal 才是希望保留的光生电荷响应，offset 是黑电平，noise 是读出噪声、暗电流散粒噪声等随机波动。offset 常见来源包括：

• 模拟前端为了避免零点附近信号被截断而加入的偏置；
• ADC 自身的零点误差与列放大器偏差；
• 暗电流在曝光期间积累的电子；
• 模拟增益、温度、曝光时间和读出模式变化；
• 不同颜色、行、列或读出通道之间的固定模式差异。

偏置并不全是坏事。假如电子噪声围绕物理零点上下波动，而数字编码不能表达负数，那么直接把物理零映射到 DN 0，会把所有负向波动截掉，留下一个不对称分布。把零信号抬到 512，ADC 就能完整记录零点两侧的随机变化，后续软件再减掉 512。

因此，RAW 的数字零与“没有光”是两个概念。BLC 不是给图片加一个审美上的黑场，而是在恢复线性信号坐标系的原点。

组件中固定数据的真实黑位是 512 DN。把估计滑到 500，暗场平均会残留约 12 DN，黑色被抬起；滑到 530，则一部分微弱但真实的信号也变成负数。最终 clip(0) 只会把它们压成同一个黑色，无法还原差异。

从 DN 到归一化线性值#

如果 RAW 的黑电平是 $B$、白电平是 $W$，把有效信号归一化到近似 $[0,1]$ 的常见公式是：

分母不是简单的 $W$，而是从黑位到饱和白位之间真正可用的码值范围。以 12-bit 数据为例，若 $B=512$、$W=4095$，有效范围只有 $3583$ DN。

一个读数 2304 的归一化值为：

直接除以 4095 会得到约 0.563，相当于既没有正确去掉底座，也错误解释了曝光比例。这种误差会继续传给白平衡、CCM、降噪阈值和 Tone Mapping。

固定、逐通道和逐行黑电平#

最简单的 BLC 对所有位置减同一个常量：

当传感器各读出路径足够一致时，它速度快、元数据少，也便于硬件实现。但 Bayer 阵列的 R、G₁、G₂、B 位置可能拥有不同偏置。此时更合理的模型是：

$c(i,j)$ 表示该坐标的 CFA 通道。RGGB 的一个 $2\times2$ 单元可写为：

1
R  G₁
2
G₂ B

两个绿色位置虽然使用相同颜色滤光片，却可能经由不同的行列读出路径，因此标定中有时会分别提供 G₁ 与 G₂ 黑位。若把四个黑位都强行平均，亮部的十几个 DN 几乎看不出来，接近黑色时却会直接表现为色偏或棋盘纹。

组件中的中性暗部给四个 CFA 位置添加了相同的真实光信号。选择统一黑位后，残余偏置改变了 R、G、B 比例；切换逐通道校正，四路重新对齐。请注意：这仍然不是白平衡。BLC 负责让“零光照等于零”，WB 负责调整零点以上的通道比例。

Optical Black：藏在图像边缘的参考零点#

很多传感器在有效成像区周围保留一圈被金属遮住、不接收入射光的像素，常称 Optical Black、optically black pixels 或 masked pixels。它们和有效像素经历相似的曝光时间、温度与读出链路，却理论上没有场景光信号，因此可用于在线观察黑位。

最朴素的估计是取均值：

如果噪声近似对称、样本没有异常值，均值能高效地利用所有观测。但 Optical Black 区也可能有热像素、坏点、瞬时干扰或靠近边界的光泄漏。一个极高样本就能明显拖动均值。

另一种选择是中位数：排序后取中间位置。它对少量极端值不敏感，却没有利用“偏离中心多远”的信息。在干净的高斯噪声下，中位数通常比均值有更高方差。

更实用的流程通常介于两者之间：先按通道、行或读出组划分 Optical Black 样本；再用中位数和 MAD、sigma clipping 或明确坏点表排除异常值；最后对剩余样本求均值，并在空间或时间上做适度平滑。

Optical Black 也不是真实图像区的万能真值，两者仍可能有布局差异或边缘光泄漏。裁切 RAW 时还要区分完整尺寸与 Active Area；不能把有效图像里最暗的像素当成遮光参考，因为场景未必存在纯黑区域。

为什么 BLC 必须在白平衡之前#

设 RAW 读数为 $x$，黑位为 $B$，白平衡增益为 $g$。正确顺序是：

如果先乘增益，再减去原来的黑位：

两者的差为：

这个残留和场景信号无关。蓝通道若需要 2.0× WB，512 DN 的偏置就会额外留下 512 DN；红、绿、蓝增益不同，电子学偏置会被染成颜色。即使之后再做 CCM，也只是把错误混到其他通道，不会让零点自动恢复。

正确的教学主线是：

1
RAW → BLC → 坏点/LSC/降噪等 RAW 处理 → Bayer WB → Debayer → CCM

不同 ISP 会调整坏点、LSC、降噪和 WB 的具体相对位置，但 BLC 通常必须足够靠前，因为许多后续算法都假定输入已经围绕物理零点。

负值要不要立刻 clamp#

减掉黑位后出现小负值是正常的。暗场有随机噪声，既然均值被移到零附近，样本自然应该分布在零点两侧。立即执行：

1
linear = np.maximum(raw - black, 0)

会把负半边全部堆到零上，改变暗部均值和噪声分布。是否接受这种偏差，取决于后续管线：

• 若马上进入只接受非负值的硬件模块，clamp 可能是明确且必要的接口约束；
• 若接下来要做降噪、统计标定或暗部分析，保留有符号浮点通常更自然；
• 若最终要显示，负光当然不能直接输出，但可以在更晚阶段统一处理；
• 若为了“画面不报错”而在每一步都 clip，真正的黑位错误会被隐藏。

无符号整数下溢：最安静也最危险的错误#

假设 uint16 RAW 是 505，黑位是 512。数学结果应为 -7，但如果库执行无符号原地减法，可能得到：

1
505 - 512 → 65529

后面即使只乘 1.2，这个像素也会立刻冲向最大值。最终 clip 会把本应接近黑色的噪声点变成亮点。

稳健策略是先转换数据类型：

1
raw_f = raw.astype(np.float32)
2
signal = raw_f - black_level

若硬件必须使用定点数，也要明确位宽、有无符号、舍入与饱和规则。使用更宽的有符号中间寄存器，再在定义好的节点做饱和，不能依赖语言或 SIMD 指令的默认回绕行为。

Python / NumPy：从单一黑位到 RGGB 四通道#

先实现最基础的标量版本：

1
import numpy as np
2

3

4
def subtract_black(raw, black_level, white_level, clamp_negative=False):
5
    if white_level <= black_level:
6
        raise ValueError("white_level 必须大于 black_level")
7

8
    raw = np.asarray(raw, dtype=np.float32)
9
    linear = (raw - float(black_level)) / (white_level - black_level)
10

11
    if clamp_negative:
12
        linear = np.maximum(linear, 0.0)
13
    return linear

函数不在上界执行 clip(1)。高于 white level 的值可以留给调用方决定；真正的传感器饱和像素通常仍需单独生成 mask，供高光重建或后续算法使用。

RGGB 四通道参数可按坐标奇偶应用：

1
def subtract_black_rggb(raw, levels, white_level):
2
    """levels 顺序为 R、G1、G2、B。"""
3
    raw = np.asarray(raw, dtype=np.float32)
4
    if raw.ndim != 2:
5
        raise ValueError("Bayer RAW 必须是二维数组")
6

7
    r, g1, g2, b = map(float, levels)
8
    black_map = np.empty_like(raw, dtype=np.float32)
9
    black_map[0::2, 0::2] = r
10
    black_map[0::2, 1::2] = g1
11
    black_map[1::2, 0::2] = g2
12
    black_map[1::2, 1::2] = b
13

14
    denominator = white_level - black_map
15
    if np.any(denominator <= 0):
16
        raise ValueError("每个通道的 white level 都必须高于 black level")
17
    return (raw - black_map) / denominator

注意裁剪一行或一列会改变有效区域左上角的 Bayer Pattern。原图是 RGGB，去掉第一行后就不再能按原坐标直接套 RGGB mask。最安全的做法是同时携带 CFA pattern 和 crop offset，而不是在函数里硬编码。

1
def estimate_row_black(raw, ob_columns=16):
2
    raw = np.asarray(raw, dtype=np.float32)
3
    optical_black = raw[:, :ob_columns]
4

5
    center = np.median(optical_black, axis=1, keepdims=True)
6
    deviation = np.abs(optical_black - center)
7
    mad = np.median(deviation, axis=1, keepdims=True)
8

9
    threshold = np.maximum(6.0 * mad, 1.0)
10
    valid = deviation <= threshold
11
    counts = np.maximum(valid.sum(axis=1), 1)
12
    row_black = (optical_black * valid).sum(axis=1) / counts
13
    return row_black.astype(np.float32)

BLC 与其他 RAW 算法的关系#

常见故障怎样从画面反推#

一份可执行的调试清单#

不要只凭“一张照片看起来黑得够不够”判断。至少做这些测试：

1. 用镜头盖暗帧或有效 Optical Black，检查校正后各通道均值是否接近零。
2. 同时保留校正前后的直方图，确认分布是平移，而不是大面积被提前截断。
3. 分别统计 R、G₁、G₂、B，以及每行、每列或每个读出组的残差。
4. 给函数输入恰好等于、略低于、略高于 black level 的合成值。
5. 记录每一步的数据类型、最小值与最大值，专门测试无符号下溢和乘法溢出。
6. 用单位 WB 验证 BLC 输出不受影响，再用不同通道增益检查是否严格执行 BLC → WB。
7. 验证 (raw-black)/(white-black)，尤其不要把容器最大值误认为 white level。
8. 测试四种 Bayer Pattern，以及裁掉奇数行列后的 pattern 偏移。
9. 给 OB 样本注入热像素，确认异常值策略不会把整行黑位拖走。
10. 比较多个 ISO、曝光时间、温度与传感器模式，确认参数的适用范围。

回到原点#

黑电平不是画面风格中的“黑色有多黑”，而是传感器线性坐标系的原点。它可能是一个常数，也可能按 R、G₁、G₂、B、行、列和读出模式变化；Optical Black 为在线估计提供了参考，但仍需要异常值处理与标定验证。

真正稳健的 BLC 可以浓缩成四件事：确认参数对应当前模式；先转成安全的数据类型；先减黑位，再做 WB 与其他乘性处理；把 clamp 当成明确的管线决策，而不是遮错工具。

一旦原点正确，后面的白平衡、Debayer、CCM、降噪和 Tone Mapping 才是在处理光信号，而不是把电子学偏置一路放大到最终照片里。