RAW显影流程：从传感器到屏幕

前面的章节介绍了光学成像、曝光控制与传感器。这一节继续追问：传感器记录的数字，怎样变成屏幕上的颜色？

本文以 ARW 数字图像处理教程为线索。rawpy 负责解码文件，NumPy 用来展示像素运算的原理。代码片段按处理环节组织，重点是说明各个数组代表什么、为什么要进行下一步，而不是复刻相机厂商的完整显影算法。

本文配图来自实际 ARW 运算

所有场景图均由 DSC00178.ARW 实际处理生成。原始画幅为 7168×5120，有效区域为 7008×4672；白平衡、去马赛克和颜色变换在完整有效区域上计算，配图才缩小。

全套 13 张 WebP 合计约 748 KB，单张约 29～80 KB，最长边不超过 1440 像素。图片与本文位于同一目录，均带有 sRGB 配置；图片内用英文标注，中文说明放在图下。

中间数据不一定可以直接显示：图注会注明显示增益、开平方拉伸或 sRGB 编码。去马赛克小图是局部放大示意，其他场景图保留完整原始画幅或完整有效画幅。

先分清四种“RGB”

同样写成三个数字，并不意味着它们表示相同的颜色。

数据	含义	能否直接当普通图片显示
Bayer RAW	每个位置只有一种滤光通道的传感器读数	可以看采样强度，尚无完整彩色像素
相机 RGB	去马赛克得到的三个相机响应通道	不应直接当作标准 sRGB
线性 sRGB	已转换到 sRGB 原色定义下、尚未编码的线性值	直接交给普通图片显示接口通常显得偏暗
编码后的 sRGB	经 sRGB 传递函数编码、用于保存与交换的数值	可以按 sRGB 图片解释

白平衡、颜色空间转换、色调映射、显示编码是不同的操作。 它们虽然都能改变最终画面的观感，却不能互相替代。

本文的教学流程为：

实际显影器可能调整部分步骤的顺序，还会加入坏点处理、降噪、镜头校正、锐化和高光重建。

传感器记录的不是“颜色名称”

光谱经过滤光片，变成通道响应

设物体到达相机的光谱为 $L(\lambda )$，某个通道的综合光谱响应为 $S_k(\lambda )$，则其信号可以近似写成：

$$C_k\propto t\int L(\lambda )S_k(\lambda )\mathrm{d}\lambda ,$$

其中 $t$ 表示曝光时间。对反射物体，在简化条件下可把入射光谱写为光源光谱与物体反射率的乘积：

$$L(\lambda )\propto E(\lambda )\rho (\lambda ).$$

因此，同一个物体在不同光源下会产生不同的通道读数。不同相机使用不同的响应函数，也不一定记录出相同的 RGB 数值。

R、G、B 滤光片的响应范围有重叠，它们不是只接收某一个波长的三个“理想开关”。单个像素的读数可以简化为：

$$p=B+g{C}_k+n,$$

其中 $B$ 是黑电平，$g$ 包含增益与数字尺度，$n$ 表示噪声。RAW 中的整数通常称为数字量值，单位记作 DN。

为什么需要 XYZ

人眼的颜色感知也依赖对光谱的积分。CIE XYZ 用标准观察者的配色函数表示三刺激值：

$$\begin{array}{rl}X& =k\int L(\lambda )\bar{x}(\lambda )\mathrm{d}\lambda ,\\ Y& =k\int L(\lambda )\bar{y}(\lambda )\mathrm{d}\lambda ,\\ Z& =k\int L(\lambda )\bar{z}(\lambda )\mathrm{d}\lambda .\end{array}$$

相机响应与标准观察者的配色函数并不相同，所以相机 RGB 需要经过标定和变换，才能与显示颜色建立联系。一个 $3\times 3$ 矩阵是实用近似，但不能保证对所有光源、所有物体光谱都完全准确。

ARW 解码与 Bayer 排列

解码不等于显影

ARW 是文件容器与编码格式。解码后得到的马赛克数组，并不是已经具有正常色彩和对比度的照片。

from pathlib import Path
import numpy as np
import rawpy

path = Path("data/DSC00178.ARW")

with rawpy.imread(str(path)) as raw:
    mosaic = raw.raw_image_visible.copy()
    channel_id = raw.raw_colors_visible.copy()
    pattern = raw.raw_pattern.copy()
    colors = raw.color_desc.decode("ascii", errors="replace")
    blacks = np.asarray(raw.black_level_per_channel, dtype=np.float32)
    white = float(raw.white_level)
    wb = np.asarray(raw.camera_whitebalance, dtype=np.float32)
    cam_xyz_coefficients = raw.rgb_xyz_matrix.copy()
    sizes = raw.sizes

这里保留 channel_id，让每个像素都能对应到其黑电平和白平衡通道。数组在关闭 RAW 对象后仍要使用，因此先复制；raw_image_visible 已经去掉一层边缘，但不应据此认定它等于最终输出的全部有效画幅。rawpy：RawPy 接口

图 1｜解码后的 RAW。 左图按白电平归一化后直接灰度显示；右图对同一数据开平方，仅便于看清结构。两侧仍保留外围边缘，并未做彩色显影。

一个像素位置通常只有一个通道

教程中这张 Bayer 图像的索引与颜色关系为：

$$\left[\begin{array}{cc}0& 1\\ 3& 2\end{array}\right]⟶\left[\begin{array}{cc}R& G_0\\ G_1& B\end{array}\right].$$

两个 G 是不同的采样位置，在元数据中可能有独立的校正参数。四个 CFA 索引并不意味着最终图片有四个显示颜色通道。

用字符 R/G/B 做可视化很直观；执行黑电平、白平衡等校正时，保留数值索引更可靠。

为什么原始图会显示成彩色，或者 CFA 图全红

二维数组传给 imshow 时，默认颜色映射可能产生伪彩色。观察强度应显式指定：

plt.imshow(mosaic, cmap="gray", vmin=0, vmax=white)

另一个陷阱是直接显示：

mosaic[::4, ::4]

因为 CFA 周期是 $2\times 2$，步长 4 会一直采到同一种相位。它不是原图所有通道的均衡缩小，而可能只是红色采样点组成的图。

需要区分两种预览目的：

• 观察 CFA 结构：显示一个小区域，明确画出每个滤光位置。奇数间隔虽能保留交替相位，但缩到屏幕上仍可能产生混叠。
• 观察整张 RAW 的强度结构：先对区域求平均再缩小，避免固定抽取某一种 CFA 相位。

下面只生成预览，不改变处理用的全分辨率数据：

def block_mean_preview(a, factor=4):
    h, w = a.shape
    hh, ww = h // factor * factor, w // factor * factor
    blocks = a[:hh, :ww].astype(np.float32)
    return blocks.reshape(hh // factor, factor,
                          ww // factor, factor).mean(axis=(1, 3))

plt.imshow(block_mean_preview(mosaic), cmap="gray")

这种平均只是采样强度示意，并不是经过标定的亮度，也不等于去马赛克。

图 2｜CFA 与抽样混叠。 左边是文件的实际 RGGB 相位；中间每隔 4 个像素只取到 R；右边每隔 5 个像素保留交替相位。这是滤光位置示意，不是场景本身的颜色。

黑电平、白电平与有效区域

黑电平是数值基线

对位于通道 $k$ 的像素，先减去黑电平：

$$p_{\mathrm{linear}}=p-B_k.$$

原教程用 maximum(..., 0) 把负值截为零，便于学习与显示。更精细的统计处理可能先保留这些负值，因为噪声会让测量值落在基线两侧，过早截零会改变暗部统计。

一定先转浮点数，否则无符号整数相减可能发生下溢。

black_map = blacks[channel_id]
linear = mosaic.astype(np.float32) - black_map
linear = np.maximum(linear, 0.0)  # Teaching simplification

图 3｜黑电平校正。 两侧使用相同的开平方显示曲线。减去 512 DN 后，暗部基线下降，但边缘不会因此消失；左右分别使用校正前后的归一化分母。

白电平定义可用的数值尺度

归一化应使用与通道一致的分母：

$$x=\frac{max(p-B_k,0)}{W_k-B_k}.$$

如果文件只采用一个共同白电平 $W$，则：

denominator = np.maximum(white - black_map, 1.0)
raw01 = linear / denominator

原代码使用 white - black_tile.max()。当所有黑电平相同，例如都为 512 时，这个简化没有差别；若各通道黑电平不同，应改为逐位置分母。若有可靠的逐通道白电平，也应按相同索引匹配。

例如 $p=1200$、$B=512$、$W=16383$：

$$x=\frac{1200-512}{16383-512}\approx 0.04335.$$

这表示相对于当前归一化尺度的线性信号，不是“屏幕亮度 4.3%”，也不直接等于物体反射率。

减黑电平不会移除黑边

黑电平校正改变的是数值；裁切改变的是坐标和数组范围。

文件中的 RAW 边缘、可见区域、建议裁切区域不一定完全相同，边缘也不一定全部是光学黑像素。教程里的 crop_top_margin 等字段只能在明确坐标原点后使用，不能把同一组偏移无条件套到所有处理阶段。

裁切时，应让以下数组使用同一组切片：

# row_slice and col_slice must be expressed in the current array coordinates.
mosaic = mosaic[row_slice, col_slice]
linear = linear[row_slice, col_slice]
channel_id = channel_id[row_slice, col_slice]

如果还单独维护周期图案，新的相位为：

$$P^{\prime }(i,j)=P((i+y_0)mod2,(j+x_0)mod2).$$

奇数偏移会改变 RGGB 等排列的相位。直接同步裁切逐像素 channel_id，可以减少相位错位和布尔掩码尺寸不一致的问题。

图 4｜保留有效成像区域。 左图用粉色框标出有效区；右图保留其完整范围。此次裁切原点为左侧 12、顶部 8，输出尺寸 7008×4672，没有为构图任意截取局部。

白平衡：先让中性物体保持中性

白平衡是通道增益

白平衡可以写成对角矩阵：

$$\left[\begin{array}{c}{R}_w\\ G_w\\ B_w\end{array}\right]=\left[\begin{array}{ccc}{g}_R& 0& 0\\ 0& g_G& 0\\ 0& 0& g_B\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right].$$

它调整的是通道之间的相对比例，并不是把整张照片变成灰色。

若这张文件的白平衡系数为 $[2213,1024,1761,1024]$，以绿色为参考，可得到：

$$g_R\approx 2.1611,g_G=1,g_B\approx 1.7197.$$

对当前 RGBG 通道定义，可以保留两个绿色索引的独立系数：

green_ids = [i for i, label in enumerate(colors) if label == "G"]
green_ref = np.mean(wb[green_ids])
gains_by_id = wb / green_ref
balanced = raw01 * gains_by_id[channel_id]

这段假定所需白平衡系数均有效且为正。换相机、换文件时，应先检查通道定义与元数据，不能永远写死 [R,G0,B,G1]。

图 5｜白平衡的作用。 左图未加白平衡，右图使用文件系数。为观察颜色，每个 2×2 CFA 单元先组合成一个 RGB 预览点，两侧统一使用 2 倍显示增益和 sRGB 编码。这只是降采样示意，尚未应用相机颜色矩阵。

除以最大值，为什么不是偏色的根源

把所有增益都除以同一个正数，只会改变整体尺度：

$$\frac{\mathit{g}}{max(\mathit{g})}=\frac{g_G}{max(\mathit{g})}\frac{\mathit{g}}{g_G}.$$

两组增益之间只差一个共同倍率，不会单独改变 R/G、B/G 的比值。在后续都保持线性、没有裁剪的前提下，它影响整体明暗，不会凭空导致偏绿。

真正需要排查的是通道顺序、重复白平衡、提前裁剪和颜色矩阵。

白平衡后为什么允许超过 1

若线性红色值为 0.7，乘以 2.16 后约为 1.51。它仍是合法的中间计算结果；此时立即截为 1，会破坏高光的通道比例。

因此，教程在白平衡后保留大于 1 的值是合理的。最终怎样压缩或裁剪，应留到曝光、色调映射和输出阶段处理。

去马赛克：估计缺少的颜色

去马赛克要把每个位置的单通道采样，重建为三个通道：

$$(H,W)⟶(H,W,3).$$

设 $M_c$ 是颜色 $c$ 的采样掩码，$K$ 是局部插值核。教程中的核心操作是归一化卷积：

$${\hat{I}}_c=\frac{K\ast (I{M}_c)}{K\ast M_c}.$$

分子汇总邻域内同色采样值，分母统计实际参与的权重，避免把“缺失”当成数值零来平均。最后将原本已有的采样位置恢复为原始值。

numerator = conv2(balanced * mask, kernel)
denominator = conv2(mask.astype(np.float32), kernel)
plane = np.divide(
    numerator, denominator,
    out=np.zeros_like(numerator),
    where=denominator > 0,
)
plane[mask] = balanced[mask]

对规则 Bayer 排列，$3\times 3$ 均匀邻域平均在内部像素上对应常见双线性插值的基本关系；边界结果还取决于填充方式。

例如，在红色像素位置估计绿色：

$$\hat{G}(i,j)=\frac{G(i-1,j)+G(i+1,j)+G(i,j-1)+G(i,j+1)}{4}.$$

估计蓝色时则使用四个对角方向的蓝色采样。算法容易理解，但在细线、纹理和高反差边缘可能产生伪色、锯齿与拉链状边缘。

去马赛克后看起来有颜色，不代表已经处在正确的显示颜色空间。 此时仍然是相机 RGB。

图 6｜缺失通道的重建。 左图把未采到的颜色通道置零，右图填入双线性估计。这里选取同一处 32×32 边缘细节，用相同显示倍率放大；实际去马赛克运算覆盖整张有效图像。

颜色矩阵：给 RGB 数值一个明确的意义

标准 RGB 空间需要定义原色与白点

RGB 数值只有配合原色、白点和传递函数，才能明确表示什么颜色。线性 sRGB 使用以下常见的 D65 RGB 到 XYZ 矩阵：

$$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\underset{M_{s\to XYZ}}{\underbrace{\left[\begin{array}{ccc}0.4124564& 0.3575761& 0.1804375\\ 0.2126729& 0.7151522& 0.0721750\\ 0.0193339& 0.1191920& 0.9503041\end{array}\right]}}\left[\begin{array}{c}{R}_s\\ G_s\\ B_s\end{array}\right].$$

反方向使用其逆矩阵。矩阵系数与向量约定必须一起看。 若列向量形式为 $\mathit{y}=M\mathit{x}$，而 NumPy 图片把 RGB 放在最后一维，则对应：

y = x @ M.T

这只是行列向量的换写，不能据此猜测任何一个库返回的矩阵是否已经转置、是否需要先求逆。

教程中的 rgb_xyz_matrix 到底怎样使用

原教程第 8 节的文字描述是“直接把相机 RGB 乘矩阵得到 XYZ”，但实际代码采用了组合、逐行归一化、求伪逆的另一条路径，两者不能混为一谈。

rawpy 给出的矩阵形状为 $4\times 3$；其文档说明普通 RGB 相机最后一行为零。读取这个属性，也不等于证明系数全部直接存储在当前 ARW 中；LibRaw 还包含按相机型号匹配的系数表。rawpy 矩阵说明、LibRaw 颜色系数表

针对本教程的三通道情况，按 LibRaw cam_xyz_coeff 的基础构造过程理解：组合系数后归一化各相机通道，再反求输出变换，而不是把原始系数直接当成最终相机 RGB → XYZ 矩阵。LibRaw：cam_xyz_coeff 实现

令读出的前三行系数为 $A$，定义：

$$C=A{M}_{s\to XYZ},d_i=\sum _j{C}_{ij},{\tilde{C}}_{ij}=\frac{C_{ij}}{d_i}.$$

在这个构造约定中，$\tilde{C}$ 表示从输出线性 RGB 到已作相应尺度归一化的相机通道的关系。求其伪逆得到反向变换：

$$\mathit{c}\approx \tilde{C}\mathit{s},\mathit{s}\approx {\tilde{C}}^{+}\mathit{c}.$$

因此，对图像最后一维为 RGB 的 NumPy 数组：

A = cam_xyz_coefficients[:3, :].astype(np.float64)
M_srgb_to_xyz = np.array([
    [0.4124564, 0.3575761, 0.1804375],
    [0.2126729, 0.7151522, 0.0721750],
    [0.0193339, 0.1191920, 0.9503041],
])

C = A @ M_srgb_to_xyz
row_sum = C.sum(axis=1, keepdims=True)
if np.any(row_sum <= 1e-8):
    raise ValueError("Invalid camera matrix normalization")
C_normalized = C / row_sum

M_camera_to_srgb = np.linalg.pinv(C_normalized)
linear_srgb = rgb @ M_camera_to_srgb.T

这里的 rgb 是完成白平衡和去马赛克的相机 RGB。这个命名比原代码中的 srgb_to_camera = pinv(...) 更清楚：求逆之后，方向已经变成相机通道到输出通道。

本段只解释教程所采用的三通道基础近似，并不等价于完整 LibRaw 显影。白平衡尺度、相机标定、不同光源下的配置与其他校正仍可能造成差异。第四行不为零、通道模型不同或矩阵缺失时，不能直接照搬前三行处理。

图 7｜颜色变换。 两侧统一使用 2 倍显示增益和 sRGB 编码，只比较相机颜色变换前后。左图把相机通道暂当显示 RGB，右图已经完成目标颜色变换；中性区域接近，但彩色区域的饱和度与色相会改变。

白平衡与白点适应也不相同

白平衡在相机通道上调增益；色度适应则是在明确源白点、目标白点和颜色空间后进行的转换。通道已经中性，并不足以证明某个未知矩阵已经满足目标白点条件。

同样，画面偏绿也不能直接推出“缺少 Bradford 适应”。应先核对矩阵方向、白平衡是否重复、通道索引与输入尺度，再决定是否需要白点适应。

为什么矩阵输出会有负数

颜色变换后的负值可能来自噪声、标定误差或颜色超出目标 RGB 空间可表示的范围，不一定说明代码立即出错。

原教程在变换后直接截掉负数，是一种显示简化。做分析时可先保留浮点结果；进入教学用色调映射之前再显式处理负值，并知道这不等于完整的色域映射。

曝光和色调映射

计算中的曝光倍率

线性曝光调整为：

$${\mathit{x}}^{\prime }=2^{\mathrm{\Delta }EV}\mathit{x}.$$

所以教程中的 exposure=4.0 相当于对已取得的数据增加两档线性倍率。它不等同于拍摄时真正多收集两档光子，也不能恢复已饱和的细节。

图 8｜线性曝光倍率。 右图为左图的 4 倍线性信号，即 +2 EV。两侧都编码为 sRGB，但尚未色调映射；超出显示范围的高光会被直接裁白。

Reinhard 曲线压缩高亮

教程使用：

$$T(x)=\frac{x}{1+x},x\ge 0.$$

当 $x$ 变大时，输出逐渐接近 1。但它不是相机厂商的完整风格曲线，也不是显示编码。

对 RGB 三个通道分别应用这条非线性曲线，会改变颜色比例。 例如：

$$(2,1,0.5)⟶(\frac{2}{3},\frac{1}{2},\frac{1}{3}).$$

R/G 的比例从 2 变成 $4/3$。因此，不能说逐通道 Reinhard 完全不影响色彩。

一种教学上的替代做法，是先压缩线性 sRGB 的亮度，再对三个通道使用同一个倍率：

$$Y=0.2126729R+0.7151522G+0.0721750B,$$$${\mathit{C}}_{\mathrm{tone}}=\mathit{C}\frac{T(Y)}{max(Y,\epsilon )}.$$

同一像素的 RGB 比例可在后续裁剪之前保留，但结果仍可能超出输出范围，也不代表完成了感知均匀的色域映射。

图 9｜色调映射。 曝光均为 4 倍；左边直接裁剪显示，右边先执行逐通道 Reinhard，再编码为 sRGB。高光得到压缩，但这条逐通道曲线也会影响颜色比例。

sRGB 编码：为什么线性图直接显示很暗

普通图片查看流程通常按编码后的数值解释图像。如果把线性值 0.18 直接作为编码值显示，它不会表达预期的线性强度。

sRGB 的正向编码是分段函数：

$$S(L)=\{\begin{array}{ll}12.92L,& L\le 0.0031308,\\ 1.055L^{1/2.4}-0.055,& L>0.0031308.\end{array}$$

它不是简单的 $L^{1/2.2}$；sRGB 的标准白点为 D65。ICC：sRGB 编码定义

def linear_to_srgb(x):
    x = np.clip(x, 0.0, 1.0)
    return np.where(
        x <= 0.0031308,
        12.92 * x,
        1.055 * np.power(x, 1 / 2.4) - 0.055,
    )

例如：

$$S(0.18)\approx 0.461.$$

显示端按相应传递关系还原后，才对应目标线性强度。它不是通过“伽马”额外创造曝光。

如果把已经编码过的 sRGB 再编码一次，会产生另一种错误。反过来，需要在线性域进行运算时，可使用逆函数：

$$L(S)=\{\begin{array}{ll}S/12.92,& S\le 0.04045,\\ {\left({\displaystyle \frac{S+0.055}{1.055}}\right)}^{2.4},& S>0.04045.\end{array}$$

图 10｜显示编码。 左边把色调映射后的线性数值直接交给普通图像显示；右边先做标准 sRGB 编码。两侧曝光、白平衡与色调映射相同，仅输出编码不同。

一段完整的教学输出过程

# linear_srgb: floating-point result of the camera color transform
x = np.maximum(linear_srgb, 0.0) * 4.0
tone = x / (1.0 + x)  # Per-channel teaching curve; may change color ratios
encoded_srgb = linear_to_srgb(tone)

原教程按 99.5 百分位缩放中间预览，是为了便于观察，并不是标准曝光标定。若每一步都分别自动缩放，跨阶段比较明暗时要格外注意：显示倍率已经变化了。

图 11｜两种曲线负责不同的工作。 左边压缩高动态范围，右边规定线性强度怎样编码。右侧虚线是恒等映射，用于说明“线性值直接显示”与正确编码的差别。

保存图片：数值与颜色描述要配套

8 位量化可以写成：

$$q=\mathrm{round}(255\mathrm{clip}(S,0,1)).$$

from PIL import Image

pixels = np.uint8(np.clip(encoded_srgb, 0, 1) * 255 + 0.5)
Image.fromarray(pixels).save("arw_preview.png")

但数组写成 PNG，并不自动意味着文件已经携带正确的 ICC 配置。生产输出应同时明确颜色空间标记；屏幕显示还取决于查看软件、系统颜色管理和显示器配置。

因此，比较两张照片时至少要确认：它们采用了相同的颜色解释、曝光与显示条件。

图 12｜手写流程结果。 完整有效画幅经过白平衡、双线性去马赛克、颜色变换、4 倍曝光、Reinhard 和 sRGB 编码。这里使用压缩 WebP 展示；并不是把原始 ARW 改成了低分辨率。

怎样与 rawpy 参考结果比较

原教程的参考处理很适合做观感对照，但并不是严格控制了所有变量的实验。

尤其要注意：output_color=sRGB 和输出传递曲线不是同一个参数。rawpy 文档给出的默认 gamma 为 (2.222, 4.5)，标为 BT.709，而不是上面手写的标准 sRGB 分段编码。rawpy：处理参数

为了把“颜色空间”和“编码曲线”分开观察，可以请求线性参考输出，再手动应用相同的 sRGB 编码：

with rawpy.imread(str(path)) as raw:
    reference_u16 = raw.postprocess(
        use_camera_wb=True,
        output_color=rawpy.ColorSpace.sRGB,
        output_bps=16,
        gamma=(1, 1),
        no_auto_bright=True,
        user_flip=0,
    )

reference_linear = reference_u16.astype(np.float32) / 65535.0
reference_display = linear_to_srgb(reference_linear)

这仍然包含 LibRaw 的内部尺度、高光处理等步骤，且 16 位整数输出不能保留任意大的线性值；它不是无损的浮点相机原始数据。比较时应把双方的曝光和色调曲线进一步对齐。

还要避免两种常见误判：

1. 重复裁切：postprocess 的输出尺寸、方向或裁切可能与原始马赛克不同。不要不加判断地再套一次 RAW 阶段的偏移。
2. 把系统预览当作唯一真值：查看软件可能使用 RAW 内嵌 JPEG，也可能调用自己的显影引擎；相机风格曲线与色彩配置都会影响观感。

要尽量接近某个软件，必须先明确它实际显示的是哪一种结果，再对齐白平衡、曝光、曲线、颜色配置与输出编码。单靠一条“伽马校正”无法保证一致。

图 13｜与 LibRaw 对照。 参考分支关闭自动亮度、请求线性 16 位 sRGB 输出，并保持未旋转方向；根据实际输出尺寸对齐有效区域。两侧统一应用 4 倍倍率、Reinhard 和标准 sRGB 编码。LibRaw 内部尺度仍可能不同，因此这是可解释的观感对照，不是逐像素完全等价的验证。

现象与排查顺序

现象	优先检查
RAW 强度图带蓝绿色	是否用了默认伪彩色映射，而非 cmap="gray"
CFA 图全红或全绿	是否用偶数步长抽样，只保留一种 CFA 相位
裁切后布尔索引报错	马赛克、CFA 索引、黑电平图是否同步裁切
去马赛克后整体很暗	是否仍是线性相机 RGB；显示范围是否合理
颜色矩阵后突然偏绿、偏红	通道顺序、矩阵实际方向、求逆和转置、白平衡是否重复
白平衡后高光变色	是否过早把大于 1 的通道裁掉
减黑电平后仍有黑边	是否混淆数值基线与有效区域裁切
色调映射后颜色变淡	是否逐通道使用非线性曲线，改变了通道比例
导出图与参考图不同	曝光、自动亮度、色调曲线、传递函数和色彩管理是否一致

一个有用的调试习惯，是给中间数组明确命名：raw_dn、black_corrected、camera_rgb、linear_srgb、encoded_srgb。每一步都记录形状、数据类型、范围和通道定义，而不是只凭“看起来像照片”判断是否正确。

回顾

从传感器到屏幕，至少要回答五个不同的问题：

1. 采到了什么？ CFA 位置决定每个读数来自哪个通道。
2. 基线和尺度是什么？ 黑电平、白电平与有效区域使数据具备正确起点。
3. 光源和缺失采样怎样处理？ 白平衡调整中性关系，去马赛克重建完整通道。
4. 这些数值代表什么颜色？ 相机标定和颜色变换建立与标准颜色空间的联系。
5. 怎样输出到屏幕？ 曝光、色调映射、sRGB 编码、量化和颜色管理共同决定最终呈现。

理解这五层关系后，偏色、过暗、黑边和预览差异就能被拆成具体问题，而不必反复凭感觉调整矩阵和增益。