第三章 拜耳阵列模式详解
好，咱们进入第三章。这一章我打算好好聊聊拜耳阵列——这个在RAW图像里最基础、也最容易让人搞混的东西。
说实话，我刚开始接触RAW数据时，就被这四种模式绕晕过。RGGB、BGGR、GRBG、GBRG，看着都差不多，但一旦搞错，整张图颜色就全乱了。后来我在一个项目中吃过亏，从那以后，我对拜耳模式的检测就格外上心。
3.1 四种常见拜耳模式
先说说拜耳阵列到底是什么。说白了，就是CMOS传感器上每个像素只感光一种颜色——红、绿、蓝中的一种。然后按照2x2的单元重复排列。因为人眼对绿色最敏感，所以绿色像素占了总数的一半，红蓝各占四分之一。
这四种模式的区别，就在于2x2单元里，四个像素的颜色排布顺序不同：
| 模式 | 第一行 | 第二行 | 说明 |
|---|---|---|---|
| RGGB | R G | G B | 左上角为红色 |
| BGGR | B G | G R | 左上角为蓝色 |
| GRBG | G R | B G | 左上角为绿色（R在右上） |
| GBRG | G B | R G | 左上角为绿色（B在右上） |
你仔细看，其实RGGB和BGGR是对称的，GRBG和GBRG也是对称的。但千万别以为它们可以互换——我见过有人把RGGB的RAW当成BGGR去解，结果出来的图像红蓝通道完全颠倒，像用了滤镜似的。
3.2 模式检测算法
那么问题来了：拿到一张RAW图，我怎么知道它是哪种模式？
嗯，这里有个小技巧。大多数相机厂商会在RAW文件的元数据里写明拜耳模式。但有些时候——比如你从老相机或者某些特殊设备里导出的RAW——元数据可能丢失或不准确。这时候就需要我们自己检测。
我常用的检测思路是这样的：
- 提取一个平坦区域——比如天空、白墙。这个区域的颜色应该是均匀的。
- 分别计算四个通道的均值——把图像按2x2窗口拆开，分别统计R、G1、G2、B四个位置的平均值。
- 比较G1和G2的差异——如果两个绿色通道的均值接近，说明模式可能是对的。如果差异很大，说明你猜错了。
- 用R和B的比值做最终确认——在平坦区域，R和B的比值应该接近1（如果是中性色）。
下面是我写的一个简单检测函数，用Python实现的：
import numpy as np
def detect_bayer_pattern(raw_data):
"""
检测拜耳模式
raw_data: 原始RAW数据，numpy数组
返回: 'RGGB', 'BGGR', 'GRBG', 'GBRG' 之一
"""
h, w = raw_data.shape
# 取中心区域，避免边缘效应
center = raw_data[h//4:3*h//4, w//4:3*w//4]
# 提取四个通道
r_pos = center[0::2, 0::2] # 左上
g1_pos = center[0::2, 1::2] # 右上
g2_pos = center[1::2, 0::2] # 左下
b_pos = center[1::2, 1::2] # 右下
r_mean = np.mean(r_pos)
g1_mean = np.mean(g1_pos)
g2_mean = np.mean(g2_pos)
b_mean = np.mean(b_pos)
# 计算绿色通道差异
g_diff = abs(g1_mean - g2_mean)
# 根据绿色差异最小的原则判断
patterns = {
'RGGB': (r_mean, g1_mean, g2_mean, b_mean),
'BGGR': (b_mean, g2_mean, g1_mean, r_mean),
'GRBG': (g1_mean, r_mean, b_mean, g2_mean),
'GBRG': (g2_mean, b_mean, r_mean, g1_mean)
}
best_pattern = None
best_score = float('inf')
for pattern, (c0, c1, c2, c3) in patterns.items():
# 理想情况下，两个绿色通道应该接近
score = abs(c1 - c2)
if score < best_score:
best_score = score
best_pattern = pattern
return best_pattern3.3 像素排列对图像质量的影响
你可能会问：四种模式到底有什么区别？对最终图像质量有影响吗？
答案是：有，但没那么大。真正影响图像质量的，是传感器本身的物理特性，而不是拜耳模式本身。但模式选错了，影响就大了——颜色全乱套。
不过，从信号处理的角度看，不同模式对去马赛克算法（demosaicing）的难度有细微差别：
- RGGB和BGGR：红色和蓝色通道在空间上是对角对称的。这种模式对大多数去马赛克算法比较友好，因为红蓝通道的插值方向比较明确。
- GRBG和GBRG：绿色通道在左上角，红色和蓝色分别位于右上和左下。这种模式在某些边缘方向上可能会有轻微的伪色（color artifact）。
我记得有一次，我在调试一个安防摄像头的ISP流水线。客户反馈说画面边缘有彩色条纹。我查了半天，最后发现是拜耳模式写错了——传感器是GBRG，但ISP配置成了RGGB。改过来之后，问题立刻消失。
3.4 实际项目中的避坑指南
最后，分享几个我在项目中踩过的坑：
- 坑一：有些传感器输出的RAW数据，第一行第一列不一定是拜耳单元的起始位置。可能有偏移。我遇到过一种传感器，它的有效数据从第2行第2列开始。如果你直接按标准模式去解，颜色会偏移半个像素。
- 坑二：不同厂商对拜耳模式的命名可能不同。比如索尼叫"RGGB"，但有些厂商叫"Bayer_R"。一定要看数据手册确认。
- 坑三：有些RAW格式（比如DNG）会在元数据里写CFA Pattern，但那个值可能是0-based的索引，不是直接的模式名称。需要查规范才能对应上。
我曾经在一个项目中，因为没注意传感器数据有偏移，导致整个去马赛克结果都是错的。调试了整整两天，最后用示波器量了传感器输出时序才发现问题。嗯，从那以后，我拿到新传感器第一件事就是——拍一张均匀光照的灰卡，然后手动验证拜耳模式。
好了，这一章就到这里。下一章我们聊聊RAW数据的存储格式和位深度的那些事儿。