4、RAW图统计信息：直方图分析、最大最小值统计、均值与标准差、坏点统计方法
各位同学，咱们接着聊RAW图调试。上一章讲了怎么把RAW图抓出来、怎么看格式。但光看图像本身，很多时候是看不出门道的。你得学会看数据，看统计信息。
我刚开始做ISP调试那会儿，就盯着图像看，觉得「嗯，这张图挺亮，那张图有点暗」。结果被老工程师一句话点醒了：「你眼睛会骗你，但直方图不会。」从那以后，我养成了一个习惯——拿到一张RAW图，先跑一遍统计信息。
今天咱们就聊聊，RAW图里那些最基础的统计量，到底怎么看、怎么用。
4.1 直方图分析：图像的「体检报告」
直方图是什么？说白了，就是统计每个灰度级别上有多少个像素。横轴是像素值（0到1023，对于10bit RAW来说），纵轴是像素个数。
我习惯把直方图比作一张图像的「体检报告」。你一看直方图的形状，就能大概知道这张图的曝光情况、对比度、动态范围有没有被充分利用。
直方图的三种典型形态：
- 左偏峰：像素集中在低值区域，图像偏暗，可能欠曝
- 右偏峰：像素集中在高值区域，图像偏亮，可能过曝
- 中间集中：像素集中在中间区域，对比度偏低，图像发灰
你想想看，一张正常的室外场景RAW图，直方图应该是什么样？理想情况下，它应该覆盖整个动态范围，从暗部到亮部都有分布，没有明显的「断崖」或「尖峰」。
我在项目中遇到过一件事：某款传感器在低光照下，直方图总是在低值区域出现一个「小鼓包」。一开始以为是噪声，后来仔细分析才发现是暗电流不均匀导致的固定模式噪声。嗯，这个案例后面讲坏点检测时还会提到。
4.1.1 直方图的计算方法
计算直方图其实很简单。对于一张M×N的RAW图，每个像素值范围是0到2^B-1（B是bit数）。我们创建一个长度为2^B的数组，遍历每个像素，对应位置的计数加1。
// 伪代码：计算10bit RAW图的直方图
uint32_t histogram[1024] = {0};
for (int y = 0; y < height; y++) {
for (int x = 0; x < width; x++) {
uint16_t pixel = raw_image[y][x];
histogram[pixel]++;
}
}代码很简单，但实际调试时要注意：直方图的bin数量不要太多。10bit数据有1024个bin，看起来精细，但统计意义不大。我一般会合并成64个或128个bin，这样看起来更清晰，也更容易发现趋势。
小技巧：调试时可以把直方图叠加显示在图像旁边。我习惯用Python的matplotlib快速画一下，看看分布是否合理。如果发现直方图在0值或最大值处有「堆积」，那就要小心了——可能是饱和或者裁切了。
4.2 最大最小值统计：快速判断动态范围利用情况
最大最小值，听起来简单吧？就是找图像里最亮的像素和最暗的像素。但这里有个坑——RAW图里的最大值不一定是真实的场景亮度。
为什么？因为传感器有饱和电平。当光照超过一定强度，像素的电荷就满了，再亮也是最大值。所以，如果你看到一张图的RAW最大值是1023（10bit），那不一定说明场景里有那么亮的东西，更可能是传感器饱和了。
我个人习惯的做法是：先看最大值是否接近饱和值。如果接近，说明高光部分可能已经裁切了，需要降低增益或曝光时间。再看最小值是否接近0。如果接近0，说明暗部可能被噪声淹没了，或者有黑电平偏移的问题。
注意：不要只看单个像素的最大最小值。传感器本身有噪声，个别像素可能异常高或异常低。我一般会统计前0.1%的最大值和后0.1%的最小值，这样更鲁棒。
4.3 均值与标准差：衡量整体亮度和对比度
均值和标准差，这两个统计量是「黄金搭档」。均值告诉你图像整体有多亮，标准差告诉你图像的对比度有多大。
举个例子：一张灰卡的RAW图，均值应该在中间灰度附近（比如10bit下是512左右），标准差应该很小，因为整张图亮度均匀。而一张风景图，均值可能偏暗或偏亮，标准差会比较大，因为场景里有亮有暗。
我曾经调试过一款安防摄像头，客户反馈夜间图像「一片漆黑」。我一看RAW图的均值，只有30多（10bit），标准差也只有20多。这说明什么？说明图像不仅暗，而且几乎没有对比度，细节全丢了。后来调整了增益策略和黑电平，均值提升到200左右，标准差也上来了，图像才「活」过来。
4.3.1 均值和标准差的计算
// 计算均值和标准差
uint64_t sum = 0;
uint64_t sum_sq = 0;
for (int y = 0; y < height; y++) {
for (int x = 0; x < width; x++) {
uint16_t pixel = raw_image[y][x];
sum += pixel;
sum_sq += pixel * pixel;
}
}
double mean = (double)sum / (width * height);
double variance = (double)sum_sq / (width * height) - mean * mean;
double stddev = sqrt(variance);这里要注意：计算方差时，sum_sq可能会溢出。对于一张1200万像素的12bit RAW图，sum_sq的最大值大约是(4095^2)×12M ≈ 2×10^14，已经超过32位整数的范围了。所以一定要用64位整数，或者用浮点数累加。
我的习惯：调试时我会把均值和标准差画成曲线，随着参数调整实时更新。这样能直观地看到参数变化对图像整体亮度的影响。比如调整黑电平，均值会跟着变；调整增益，均值和标准差都会变。
4.4 坏点统计方法：别让一颗老鼠屎坏了一锅粥
坏点，是传感器制造过程中不可避免的缺陷。有的像素永远亮（白点），有的永远暗（黑点），有的响应不正常（闪烁点）。这些坏点如果不处理，会在图像上形成固定的亮点或暗点，非常影响画质。
坏点检测的方法有很多，我挑几个最常用的讲讲。
4.4.1 基于邻域比较的坏点检测
这是最直观的方法。对于每个像素，比较它和周围8个邻域像素的差异。如果差异超过某个阈值，就认为它是坏点。
// 基于邻域比较的坏点检测（简化版）
bool is_bad_pixel(uint16_t pixel, uint16_t neighbors[8], uint16_t threshold) {
uint16_t min_val = min(neighbors, 8);
uint16_t max_val = max(neighbors, 8);
// 如果像素值远大于邻域最大值，可能是白点
// 如果像素值远小于邻域最小值，可能是黑点
if (pixel > max_val + threshold || pixel < min_val - threshold) {
return true;
}
return false;
}这个方法简单，但有个问题：阈值怎么设？设小了，会把正常像素误判为坏点；设大了，又会漏掉真正的坏点。
我一般会先拍一张均匀光照的灰卡图，然后统计每个像素和邻域均值的差异分布。正常情况下，差异应该服从高斯分布。那些偏离3σ以上的像素，基本可以判定为坏点。
4.4.2 基于多帧统计的坏点检测
单帧检测容易受噪声干扰。更可靠的方法是拍多帧图像，对每个像素计算均值和方差。
- 固定白点：多帧均值明显高于邻域均值，且方差很小
- 固定黑点：多帧均值明显低于邻域均值，且方差很小
- 闪烁点：方差明显大于邻域方差
实战经验：我曾经调试一款手机摄像头，发现暗光下总有固定的彩色亮点。用多帧统计一分析，发现这些像素的均值比邻域高了20%以上，但方差正常。确认是固定白点后，在ISP的坏点校正模块里做了替换处理，问题就解决了。
4.4.3 坏点统计的工程实现
在实际项目中，坏点检测通常分两步：
- 离线标定：在产线上拍多帧均匀图，生成坏点坐标列表
- 在线校正：ISP运行时，根据坏点列表对每个坏点进行插值替换
坏点列表一般保存在传感器的OTP（一次性可编程）存储器里，或者保存在系统的校准文件中。我见过有些方案把坏点列表存成BMP格式的掩膜图，白点标记为255，正常点标记为0，这样加载起来很方便。
注意：坏点检测不是一劳永逸的。传感器在使用过程中，可能会产生新的坏点。所以有些高端方案会做「在线坏点检测」，在ISP运行过程中实时检测并更新坏点列表。不过这会增加计算量，需要权衡。
小结
好了，今天的内容就到这里。咱们讲了直方图、最大最小值、均值标准差、坏点统计，这些都是RAW图调试中最基础的统计信息。你想想看，这些统计量就像医生的听诊器，能帮你快速判断一张RAW图的「健康状况」。
下一章，咱们会深入讲讲黑电平校正和增益控制，这两个是RAW图处理的第一步，也是最重要的一步。到时候我会分享一些我在项目中踩过的坑，保证让你少走弯路。
嗯，今天就先到这儿。有问题随时找我。