上图是本专栏第一篇文章中的ISP的框图，本来是打算一口气把这些模块全写完的，结果发现只是介绍基础知识就花了不少篇幅。而且ISP中的模块有难有易，又互相影响，如果能从简单的模块入手先搭建一个基础版，总好过起步没两天就累死在半道上，所以楼主另辟蹊径了。
第一章 写在前面的话
这篇是ISP综述，本来应该第一篇就写它，但是当时手里没有足够的文章建立起知识网，所以拖到现在才写，建立知识网是我的学习方法之一，另外两个是战略性放弃和亲自动手。我习惯用matlab，可能有些同学更习惯用C++或者python，我觉得学习算法用什么工具无所谓，用得顺手就行。
1.1. 它适合用于什么样的人
适合具有基本的数字图像处理基础，理工科专业，数学较好且具有一定的编程基础，目前想要入行做ISP或者是对图像处理感兴趣的初学者，这里默认大家只有一台电脑，没有专业设备，专业设备是指灯箱、色卡、调试专用显示器等。
一个标准的ISP调试流程至少需要一个灯箱和一个标准的24色卡（X-Rite Color Checker），以CCM为例，把色卡摆到灯箱里面，调一种光源，假设是D65光源（国际标准人工日光），那么色温就要调到6500K，拿摄像头对着色卡拍照，假设调到sRGB就是目标，此时需要借助专业的软件Imatest或者是其他的软件对色卡做色差计算，当色差达到最小值时记录CCM，你以为这就是结束？还没完呢，换个色温，继续拍，继续记，直到不同色温下的CCM都标定出来，才算是获得了这个摄像头的CCM参数。当然这不是结束，这只是一个例子，正常情况下获取CCM还要先把白平衡调试正确，很多时候也没有绝对的正确。镜头中还有畸变，也是用类似的方法一点一点的标定出来，模块间也有先后顺序，最后获得一堆数据，再配合ISP做效果调试。
大家想想看，这个过程对于初学者来说，会有多迷糊？如果要调试颜色需要专业的显示器，京东上最便宜的2000起步，用之前还要校准，又有多少人有预算买回来校准再把它用起来？
本ISP放弃了依赖设备的这些需求，只理解ISP刚需模块的原理，但这不是ISP的全部。ISP是一个很专业的IP，如果要集成进芯片里面，开发它至少涉及3个团队，ISP算法团队、数字IC团队和ISP Tuning团队，每个团队里面按照工作职责不同又可以继续细分下去。具体每个团队的岗位和发展前景网上都能搜到，个人认为没有孰优孰劣，任何一个方向都值得沉淀下去，这方面的知识书本上太学术，网上教程太零散，楼主希望能够给初学者一些较为系统的入门级指南。
对于ISP算法工程师来说，目前的内容非常基础，只是一个起步，除此之外，还需要补充Camera Sensor的相关内容，如果想从事这方面的工作，需要挑选ISP中的某一个重量级模块深入下去，比如颜色、降噪、3A、Demosaic、锐化、HDR等，任意一个都可以，做到能说出这个模块用了哪些算法及难点，并且自己动手设计调试过。
对于数字IC工程师（ISP方向）来说，这些差不多够了，需要补充的是IC设计相关的内容，面积、功耗、性能之类的。
对于ISP Tuning工程师来说，也需要补充Camera Sensor的相关内容，还需要了解模块间的相互影响，调试是一个需要手感的工作，最好是拥有一个ISP，自己调一下试试。
以上只是个人对ISP工作岗位的看法，不构成建议，不同的公司实际情况可能千差万别。
1.2. 这个ISP不完美
ISP是个很大的东西，从Camera Sensor开始到最后输出，它可以包含20多个模块，要是想设计一个能用的ISP，一个初学者，在了解Camera Sensor原理的时候就有可能被劝退。所以本节的目标是先做一个ISP的雏形出来，获得一个刚需ISP，然后再逐步把它做大，下图的这个ISP就是本节的目标，它拥有一个ISP必须要有的所有模块。
虽然它不完美，但是为了能顺利起步，我不得不暂时放弃一些模块。
首先，楼主放弃了Camera Sensor部分，这部分涉及到镜头、NIR滤光片和CFA这些东西，对于一个想学ISP的新人来说，学这些需要一定的设备支持，但是如果只考虑ISP里面的具体算法，这部分内容可以暂时弱化。
其次，楼主的不完美ISP放弃了Temporal Denoise、HDR、3DLUT等这样的进阶模块，这些模块有的是难度大，比如Temporal Denoise和HDR，有些厂家会把Temporal Denoise做到RAW域，那么学完BLC和去坏点就会被Temporal Denoise迎面暴揍。而3DLUT这样的模块是对图像颜色调优的，它不是那么刚需，不是所有的ISP都会装备它，因此暂时的战略性放弃是可行的。
最后，楼主放弃了需要标定的模块，比如Lens Shading Correction，这类模块和镜头畸变有关，需要做一些标定类的工作，我已经放弃了Camera Sensor，就不得不暂时放弃它们。
为了能轻装上路，这是起步阶段战略上的调整，他日还是要把这些模块再一个一个装备进来的。
1.3. 搭建它的思路是什么
从底层算法开始，先掌握ISP中最简单常用的一些算法，再结合每个模块的原理，就可以初步掌握图2中的模块。可能有一些理论背景不够严谨（毕竟放弃了那么多），楼主会在后期逐步修改补充，也欢迎大家来提问或者是指正，希望大家能够一起提升。
为了方便理解本专栏中具体算法的应用，楼主画了一张知识导图，如果有网友仅关注某个模块的具体算法，可以按图寻路。
第二章 ISP各模块原理介绍
2.1. Black Level Correct
黑电平（Black Level）这个概念其实在不同的位置有不同的叫法，对于sensor厂家来说，黑电平指的是OB（Optical Black），就是光学上的绝对暗区，处于绝对暗区的像素是不曝光的，OB在sensor中的排列顺序如下图4所示。
图4中彩色的部分就是sensor的曝光数据，黑色的部分就是预留的未曝光的部分，也就是Optical Black，由于sensor本身存在暗电流，所以即使没有外部的光线输入，也有一定的输出电压。sensor中未曝光的部分也是可以读取的，通过读取这些暗区像素的大小，可以实时得到optical black level，大多数sensor厂家都会通过设计自己的算法把它给处理掉，这部分不用ISP操心，sensor输出的RAW为：
RAW=sensor input - optical black level
但是下面这个pedestal就需要ISP来做了。
在sensor端，AD芯片（模数转换芯片）的精度无法将很小的电压值转换出来，因此，sensor厂家一般会在AD的输入之前加上一个固定的pedestal（基底），此时sensor的输出就变成了：
RAW=sensor input - optical black level + pedestal
这样做的好处是完全保留了暗部的细节，坏处是加了pedestal之后高光信号会有溢出现象，会损失一部分亮部的细节，考虑到人眼对画面暗处更敏感，亮区的一点点损失是可以接受的。而ISP拿到的就是加了这个pedestal的数据，所以ISP的第一个模块就是要把pedestal减掉，在ISP中用于减去pedestal的模块被称为BLC（Black Level Correct），即黑电平校正。
2.2. Defect Correct
图像坏点（Image Hot Pixel 或 Dead Pixel）是指数字图像中不能正常响应的像素或者表现异常的像素点。坏点可以是固定模式噪声（Fixed Pattern Noise, FPN）的一部分，也可以是随机出现的。
考虑到Demosaic的插值过程，一般ISP的去坏点都是在Demosaic前做的，也就是说在RAW域去坏点，在去除坏点前需要设计一个坏点检测算法，然后用中值滤波结果替换被检测出的像素点，效果如下图5所示：
具体算法分析详见：坏点检测。
2.3. Demosaic
组成彩色图像的三原色是RGB，所以Sensor（传感器）在采集图像的时候，需要R、G、B三个颜色的滤镜，然后再把三个分量的信息合成彩色图像，为了保证每一个像素点都对齐，要求三块滤镜必须对齐，这样的设备着实不太好制造，此外这种设计还会增加Sensor的体积，放在数码相机上不太合适。
于是柯达公司的科学家Bryce Bayer发明了Bayer模式，在彩色图像传感器表面覆盖一层彩色滤波阵列（Color Filter Arrays, CFA）对输入光进行采样，每个像素只要一个颜色的分量，这样原来的三块滤镜就缩减成了一块滤镜，解决了上面的那些问题。一个RGGB格式的CFA如下图6（a）所示，经过它采样的图像是一个灰度图，如图6（b）所示，如果把颜色标记出来则如图6（c）所示，就是每一个pixel只采样了一个颜色，其排列模式和CFA相同。
所以Bayer模式是以发明它的科学家的名字命名的，它还有一个常用的名字叫做Demosaic，中文名为“去马赛克”，倒不是采集的图像中真的有马赛克，而是采集出的图像有类似马赛克的效果，比如图6（b）所示，因此得名“demosaic”。
bayer的四种模式：
就4种模式，RGGB、BGGR、GBRG和GRBG，如果一幅图像是bayer模式，通常会被称为“raw”图，意思为原始图像，凡是在bayer模式上进行处理的图像都被划到了图像的RAW域。
demosaic做了什么：
把bayer模式的图像插值成RGB图像，所以有些厂家也会把demosaic模块称为插值模块。demosaic也是RAW域和RGB域的分界点，只要经过demosaic插值，后续的图像就是RGB域了，还是以Lena图为例，demosaic前的图像如下图7所示，demosaic后的图像如下图8所示。
Demosaic算法的插值原理请参考：demosaic（一）和demosaic（二）
2.4. White Balance
图像白平衡（White Balance）是数字摄影和图像处理中的一个重要概念，它涉及到调整图像的色彩，以确保在不同光照条件下，白色物体能够正确地呈现为白色。白平衡的目的是消除或减少由于光源颜色变化引起的图像色彩偏差，使得图像的颜色看起来更自然和准确。
白平衡的本质是一个对角矩阵，实际测量白平衡系数的时候的需要灯箱，就是下图9的这种设备，准备一张色卡，放进灯箱里面，拍摄色卡的图像，然后用白平衡算法计算出白平衡系数。
不同的Sensor在不同的光照下计算出的白平衡系数不一样，下图10列出了Nikon D7000、Canon 1D和Sony A57K在不同光照下的白平衡系数。
从这三个厂家的白平衡系数来看，一般都是G分量的系数为1，调整另外两个分量，白平衡的效果图如图11所示：
白平衡
2.5. Color Correction Matrix
CCM的原理非常简单，就一个3x3的矩阵，官方对CCM的定义是用来矫正传感器捕获的原始颜色，使结果更接近于人眼所感知的真实颜色。考虑到大部分人都是用电脑显示器看颜色的，而显示器都工作在sRGB颜色空间，所以本ISP指定CCM往sRGB域调试，这样可以排除掉显示器带来的颜色误差。
需要说明的是，CCM可以做的事情很多，比如理想的bayer阵列滤光片是每个像素只采集一个颜色，如图12左边所示，但是现实中光并不会只通过自己颜色的那个通道，光的能量还会溢出到旁边的通道上面去，这就造成实际采集到的如图12右所示，对这个问题的描述有个词叫做Crosstalk，中文名“交叉应答”。
这种现象反映到图像上就是RGB三分量颜色失真，因此这个时候CCM的物理意义就是从一种颜色中减去另外两种颜色的成分，以增加该颜色的饱和度，使变换的结果接近人的视觉感受，或者更符合人的主观审美。
另外光源的光谱分布也会影响颜色的捕捉，因此有些ISP会用CCM做白平衡，此外还有镜头光学特性引入的颜色偏差，比如色差和透射率不均匀等，都可以用CCM做色彩矫正。
2.6. Gamma Correction
Gamma可以调试图像的整体亮度，gamma是一个指数曲线，一般gamma和CCM的调试会互相配合，另外有些ISP里面不止一个gamma，在RAW域也有可能会有gamma模块，这个不同的厂家会有不同的考虑，要看具体需求。Gamma的效果如图14所示：
CCM和GAMMA
2.7. RGB2YUV
RGB转YUV是有固定标准的，此外YUV也会被称为YCbCr，这个模块是RGB域到YUV域的分界点，转换公式有如下三种：
（1）BT.601标准：标清数字电视（SDTV）
(1)
（2）BT.709标准：高清数字电视（HDTV）
(2)
（3）BT.2020标准：超高清数字电视（UHDTV）
(3)
套用上面的公式，把RGB图转成YUV后获得的图像如下图15所示，图像中的细节和亮度都在Y上面，UV就只有色度。
转成YUV之后，为了节省存储空间，UV会被采样掉，因此就有了YUV422和YUV420两个常用模式，如下图16所示。
YUV422中相邻的Y共用其相邻的两个U和V，也就是U和V的列数据被丢掉了，YUV420就更省了，即4个Y分量共用一组UV，连行也会再丢掉一半。
2.8. Spatial Denoise
如果看过很多厂家的ISP框图，就会发现降噪要么在raw域，要么在yuv域，或者raw和yuv域各有一个降噪，但是降噪基本上不会出现在rgb域，这是为什么呢？因为浪费资源，raw域只用存一幅图像的数据量，yuv域要存两幅图像的数据量，而rgb域需要存三幅图像的数据量，所以降噪一般不会在RGB域，太浪费存储资源了。
降噪分y和uv两部分的降噪，UV分量没什么纹理，如果直接对UV降噪容易产生color bleeding，就是一种颜色晕开的感觉，所以通常UV降噪都会和Y结合在一起做。
降噪
2.9. Sharpen
图像锐化旨在增强图像中的边缘、细节和纹理，使图像看起来更清晰和鲜明，从而帮助提高图像的视觉质量。一般锐化都会放在YUV域做，并且固定在降噪之后，这是因为锐化会放大高频信息，而噪声恰好在高频，所以先降噪再做锐化更能获得一个比较满意的效果。锐化的具体效果如下图18所示：
sharp