黑电平校正原理及长曝光校正方案浅析

黑电平校正原理及长曝光校正方案浅析 易木雨 2024-07-02 16:06:43 848

黑电平产生的原因

传感器受到材质、热量和外部干扰等因素的影响,即使没有光照射,像素单元也会产生电荷,形成暗电流。暗电流很难与光照产生的电荷区分开来。

黑电平是指图像数据为“0”时对应的信号电平。由于暗电流的影响,传感器实际输出的原始数据并不是我们想要的黑平衡(数据不为“0”)。

黑电平校正原理

为了减少暗电流对图像信号的影响,可以采用一种有效的方法,即从已获得的图像信号中减去参考暗电流信号。通常情况下,在传感器中,实际像素比有效像素多,像素区的前几行被用作不感光区(实际上,这部分区域也使用了RGB的彩色滤波器),用于自动黑电平校正。校正值的平均值被用作参考值,然后下面区域的像素都减去这个校正值,从而实现黑电平校正。

没有进行黑电平校正的图像通常整体或局部会偏紫色(品红),过度校正的图像整体或局部会偏绿色。黑电平校正的缺失也会影响图像的对比度。

易百纳社区

关于黑电平(Black Level)的概念

Black Level Subtraction(BLS)黑电平减法

Black Level Clamping(BLC)黑电平箝位

Linearization(LZ)线性化

Off Bit(OB)在数字电子系统中,通常使用二进制编码来表示数据,其中"1"表示高电平或开启状态,而"0"表示低电平或关闭状态。因此,当电信号处于低电平时,人们也称之为"OB"或"黑电平"。

以上概念所代表的含义和处理流程不完全相同,一般提到时都属于黑电平校正的概念和范畴。

黑电平校正方法

以高通平台为例,在ISP流程中,sensor output后,进行黑电平校正,工具根据导入的raw图,分别将R,Gr,Gb,B 四个通道减去计算出的校正值(4个通道的校正值可能略有不同,总体比较接近),然后再进行AWB校正。

易百纳社区

通常,经过这样的校正后,会得到比较理想的效果。如图:
易百纳社区

在特定条件下,以上方案存在缺陷。例如:

1) 当需要较大的gain值(如512x gain以上)时,A gain和D gain不能满足,需要叠加ISP gain,高gain区间校正值敏感度过高,可调性变差,很难平衡正常光和全黑环境的效果。

易百纳社区

如图,正常光效果趋于平衡,但全黑偏紫;此时如果再增加扣除黑电平强度,全黑效果会更好,但正常光环境暗区会偏绿。

2) 当需要长曝光时,此时由于长曝光期间由暗电流累积引起的暗电压(OB)上升没有被OB箝位补偿,并且OB没有被足够地扣除,导致整体偏紫,品红色浮动。

易百纳社区

长曝光方案浅析

上面我们简析了高通平台黑电平校正的机制,即在AWB校正前,先进行黑电平的校正,将R,Gr,Gb,B 四个通道减去校正值。这样的方案不能满足长曝光时黑电平的校正需求。我们不妨再来分析一下信号处理流程。

易百纳社区

通过流程的组合和拆解可以看出,在WB校正的前或后,可以获取动态的OB钳制值,将其写入处理的流程中,这样即便是长曝光,既可以保留部分暗信号,理论上又可以实现正常的颜色和白平衡效果。

动态调整方案的实现

易百纳社区

在开篇的时候我们提到,黑电平校正使用到了非有效像素的区域,即Optical Black,我们将这个控制分成3个步骤:

任务(1):计算传感器Optical Black区域(8行)中R、Gr、Gb和B的平均值

1) 获取图像数据:从传感器读取原始图像数据(RAW数据)。

2) 定义OB区域:确定传感器图像中光学黑区域的位置和大小。通常,光学黑区域位于图像的顶部或底部。例如,假设OB区域是图像顶部的8行。

3) 提取OB区域数据:从图像数据中提取前8行的OB区域数据。

4) 分离颜色通道:根据Bayer阵列将OB区域的数据按颜色通道(R、Gr、Gb、B)分离。Bayer阵列中颜色通道排列如下:

                           R Gr

                        Gb B

每4个像素组成一个Bayer单元,依次提取每个颜色通道的数据。

5) 计算平均值:分别计算R、Gr、Gb和B通道的平均值。

python代码示例:

import numpy as np

def calculate_ob_averages(image, ob_lines=8):

ob_region = image[:ob_lines, :] # 提取前8行的OB区域

height, width = ob_region.shape

# 分离颜色通道

R_channel = ob_region[0:height:2, 0:width:2]

Gr_channel = ob_region[0:height:2, 1:width:2]

Gb_channel = ob_region[1:height:2, 0:width:2]

B_channel = ob_region[1:height:2, 1:width:2]

# 计算各通道的平均值

R_avg = np.mean(R_channel)

Gr_avg = np.mean(Gr_channel)

Gb_avg = np.mean(Gb_channel)

B_avg = np.mean(B_channel)

return R_avg, Gr_avg, Gb_avg, B_avg

# 示例用法

# 假设 raw_image 是从传感器获取的RAW图像数据

# R_avg, Gr_avg, Gb_avg, B_avg = calculate_ob_averages(raw_image)

任务(2):为(1)中的值计算多个帧的平均值(例如,32帧、LiveView、Movie only)

1) 初始化存储器:创建一个存储器来保存每个帧的OB平均值。

2) 累积帧数据:循环处理每一帧,计算并存储每一帧的OB平均值。

3) 计算多帧平均值:在累积了一定数量(例如32帧)的数据后,计算每个通道的多帧平均值。

python代码示例:

def calculate_multi_frame_averages(frames, num_frames=32):

R_avgs = []

Gr_avgs = []

Gb_avgs = []

B_avgs = []

for frame in frames[:num_frames]:

R_avg, Gr_avg, Gb_avg, B_avg = calculate_ob_averages(frame)

R_avgs.append(R_avg)

Gr_avgs.append(Gr_avg)

Gb_avgs.append(Gb_avg)

B_avgs.append(B_avg)

# 计算多个帧的平均值

R_multi_avg = np.mean(R_avgs)

Gr_multi_avg = np.mean(Gr_avgs)

Gb_multi_avg = np.mean(Gb_avgs)

B_multi_avg = np.mean(B_avgs)

return R_multi_avg, Gr_multi_avg, Gb_multi_avg, B_multi_avg

# 示例用法

# 假设 frames是一个包含32帧RAW图像数据的列表

#R_multi_avg,Gr_multi_avg,Gb_multi_avg,B_multi_avg=calculate_multi_frame_averages(frames)

任务(3):实时校正传感器钳制值与(2)的差值

1) 获取实时帧数据:从传感器获取实时帧。

2) 计算当前帧的OB平均值:使用(1)中的方法计算当前帧的R、Gr、Gb和B通道的OB平均值。

3) 计算差值:将当前帧的OB平均值与(2)中计算的多帧平均值进行比较,计算差值。

4) 应用校正:根据差值调整当前帧的钳制值。

python代码示例:

def correct_frame_with_ob_diff(current_frame, multi_frame_avgs):

R_avg, Gr_avg, Gb_avg, B_avg = calculate_ob_averages(current_frame)

R_multi_avg, Gr_multi_avg, Gb_multi_avg, B_multi_avg = multi_frame_avgs

# 计算差值

R_diff = R_avg - R_multi_avg

Gr_diff = Gr_avg - Gr_multi_avg

Gb_diff = Gb_avg - Gb_multi_avg

B_diff = B_avg - B_multi_avg

# 钳制值校正(根据实际需要调整校正公式)

corrected_frame = current_frame.copy()

corrected_frame[:, :] -= (R_diff + Gr_diff + Gb_diff + B_diff) / 4

return corrected_frame

# 示例用法

# 假设 current_frame 是当前实时帧,multi_frame_avgs 是多帧平均值

# corrected_frame = correct_frame_with_ob_diff(current_frame, (R_multi_avg, Gr_multi_avg, Gb_multi_avg, B_multi_avg))

以上步骤完成了计算OB区域平均值、多帧平均值和实时校正传感器钳制值的过程。具体的实现可能需要根据传感器和系统的具体情况进行调整和优化。

声明:本文内容由易百纳平台入驻作者撰写,文章观点仅代表作者本人,不代表易百纳立场。如有内容侵权或者其他问题,请联系本站进行删除。
红包 1 收藏 评论 打赏
评论
0个
内容存在敏感词
手气红包
    易百纳技术社区暂无数据
相关专栏
置顶时间设置
结束时间
删除原因
  • 广告/SPAM
  • 恶意灌水
  • 违规内容
  • 文不对题
  • 重复发帖
打赏作者
易百纳技术社区
易木雨
您的支持将鼓励我继续创作!
打赏金额:
¥1易百纳技术社区
¥5易百纳技术社区
¥10易百纳技术社区
¥50易百纳技术社区
¥100易百纳技术社区
支付方式:
微信支付
支付宝支付
易百纳技术社区微信支付
易百纳技术社区
打赏成功!

感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~

举报反馈

举报类型

  • 内容涉黄/赌/毒
  • 内容侵权/抄袭
  • 政治相关
  • 涉嫌广告
  • 侮辱谩骂
  • 其他

详细说明

审核成功

发布时间设置
发布时间:
是否关联周任务-专栏模块

审核失败

失败原因
备注
拼手气红包 红包规则
祝福语
恭喜发财,大吉大利!
红包金额
红包最小金额不能低于5元
红包数量
红包数量范围10~50个
余额支付
当前余额:
可前往问答、专栏板块获取收益 去获取
取 消 确 定

小包子的红包

恭喜发财,大吉大利

已领取20/40,共1.6元 红包规则

    易百纳技术社区