單元 14 · 清晰度、動態範圍與調校工作流

14.1 清晰度與對比

• Sharpen：強化邊緣；過度 → 光暈（halo）+ 放大雜訊。
• Contrast / Gamma：對比曲線（tone mapping）。
• 調校陷阱：NR 與 Sharpen 要成對調適——先定 NR 再調 Sharpen。

14.2 動態範圍與 HDR

• RPi5 支援 HDR 相機模式（多幀合成擴展動態範圍）。
• 啟用：dtoverlay=...hdr 系列設定 + libcamera HDR 模式。
• tone mapping：把高動態範圍壓回輸出範圍，決定亮部/暗部細節去留。

14.3 libcamera tuning 檔完整解析

{ "version": 1,
  "algorithms": [
    { "Awb":        { "mode": "auto" } },
    { "BlackLevel": { "r": 4096, "gr": 4096, "gb": 4096, "b": 4096 } },
    { "ColourMatrix": { "ccm": [ ... ] } },
    { "Denoise":   { "strength": 0.3 } },
    { "LensShading": { "meshes": [ ... ] } },
    { "Contrast":  { "strength": 1.0 } }
  ] }

改檔後重啟程式生效。修改前備份原檔；改壞可還原。

14.4 完整調校工作流（照做）

1. 準備：灰卡、色卡、均勻光源、固定曝光。記錄測試條件。
2. 校正順序：黑位 → LSC → AWB/CCM → 曝光基準。
3. 動態：AE/AWB convergence 與範圍、banding。
4. 美化：NR ↔ Sharpen 平衡、色彩喜好。
5. 回歸：室內/日光/逆光各拍一輪，確認沒改壞其他場景。

14.5 回歸測試清單（工程級）

14.6 RPi5 HDR 模式詳解

RPi5 的 HDR 是多幀合成：快速連續拍不同曝光（如短/中/長），合成高動態範圍。

14.7 每次改動的記錄範本

日期: 2026-08-16
場景: 室內日光燈 4000K
改動: Denoise strength 0.3 → 0.5
原因: 低光平坦區雜訊過明顯
結果: 平坦區 σ 下降 20%；細節區對比仍可接受
回歸: 日光場景未見明顯副作用 ✓
附圖: tuning_20260816_v3.jpg

14.8 深入：Sharpen 與 NR 的互動

兩者是「翹翹板」：NR 抹掉細節 → Sharpen 拉回邊緣 → 但 Sharpen 同時放大 NR 殘留的雜訊。正確順序：

1. 先定 NR（壓雜訊到可接受）。
2. 再調 Sharpen（只補邊緣）。
3. 反覆微調兩者，每次對比「平坦區」與「紋理區」。

14.9 Worked Example：tuning 檔的版本管理

tuning/             # 放進 git
  base.json          # 原始
  v1-black.json      # 黑位校正後
  v2-lsc.json        # LSC 後
  v3-awb-ccm.json    # 色彩後
  v4-final.json      # NR/Sharpen 後

每個版本對應一次驗收，出問題可以二分法回退。

14.10 練習

1. 建立你的 tuning 版本管理資料夾。
2. 完成一次「黑位→LSC→色彩→NR」的完整流程並各留一個版本。

進階真實情境 Worked Example：用 Python 從 tuning JSON 畫出 NR vs Sharpen 的效果曲線

場景：你要量化「NR strength 從 0 到 1 時，平坦區 σ 和紋理區對比的變化」，找出最佳平衡點。

#!/bin/bash
# 用不同 NR strength 拍攝同一場景
for NR in 0 0.2 0.4 0.6 0.8 1.0; do
  # 建立臨時 tuning 檔（修改 Denoise strength）
  cp base.json tuning_nr${NR}.json
  python3 -c "
import json
with open('tuning_nr${NR}.json','r') as f: d=json.load(f)
for a in d['algorithms']:
    if 'Denoise' in a: a['Denoise']['strength']=$NR
with open('tuning_nr${NR}.json','w') as f: json.dump(d,f,indent=2)
"
  rpicam-still --raw --tuning-file tuning_nr${NR}.json \
    --shutter 20000 --gain 4 --awb off --awbgains 1,1 \
    -o nr_test_${NR}.jpg
done

echo "拍攝完成，用 Python 分析各張圖的 σ 和邊緣對比"

深入原理擴充：RPi5 HDR 的多幀合成與 motion compensation

RPi5 的 HDR 模式是「多幀合成」——快速連續拍攝不同曝光的幀，再合成高動態範圍影像：

• 三幀合成：短曝光（保留亮部細節）+ 中曝光（正常）+ 長曝光（保留暗部細節）。三幀在 ISP 內合成。
• Motion compensation：若三幀之間有運動，合成後會出現 ghosting（重影）。RPi5 的 ISP 有基礎的 motion detection，但效果有限——運動場景建議用單幀 + tone mapping。
• 幀率代價：HDR 模式需要拍三幀才能輸出一幀，幀率降為 1/3。30fps 的場景在 HDR 下只有 10fps。
• Dynamic Range 擴展：理論上三幀可擴展 ~18dB（3 EV），實際因 motion 和合成演算法限制，約 12-15dB。

診斷式疑難排解表

進階挑戰題

1. 用 Python 建立一個「NR/Sharpen 效果評分器」：輸入兩張圖（NR=0 和 NR=X），自動計算平坦區 σ 降低比例和紋理區 Laplacian 降低比例，輸出綜合評分。
2. 分析 libcamera tuning JSON 中所有 algorithm 區塊的完整結構，畫出「參數 → 效果」對照圖。
3. 設計一個「回歸測試自動化」腳本：依序在室內/日光/逆光/低光四個場景各拍一張，與基線圖比較 ΔE 和 σ，自動判斷是否有回歸。

延伸閱讀

• 下一篇：單元 15 · 四平台比較。
• RPi Camera Tuning 指南
• 學習路線：複習全站

專案級端到端 Worked Example：tuning 版本管理與回歸自動化專案

場景：你開始正式調校產品，需要一套「可回退、可歸因、可驗收」的 tuning 管理系統。本專案整合單元 14（工作流/回歸）、5（標準拍攝）、8（RAW 報告）、11/12/13（各區塊驗收）知識。

# 1. tuning 納入 git，每階段一個版本
mkdir -p tuning
cp /usr/share/libcamera/ipa/rpi/pisp/ov5647.json tuning/base.json
git init tuning 2>/dev/null; cd tuning
git add base.json && git commit -m "base: 出廠預設"

# 2. 每階段修改後 commit（可二分回退）
# v1 黑位 → v2 LSC → v3 AWB/CCM → v4 NR/Sharpen

# 3. 回歸腳本：四場景各拍一張，與基準比對
#!/bin/bash
for SCENE in indoor daylight backlight lowlight; do
  rpicam-still --raw --tuning-file tuning/v4_final.json \
    --shutter 20000 --gain 1 -o reg_${SCENE}.dng
done
# → 每張跑 raw_report.py + ΔE + 暗角比 + σ，與基準比較
# → 任一指標劣化超過閾值 = 回歸，git 回退到上一版

# 輸出範例
場景        ΔE  暗角比  σ      狀態
indoor     2.1  0.93   1.8    PASS
daylight   2.4  0.94   1.6    PASS
backlight  3.0  0.92   2.1    WARN (ΔE>2.5)
lowlight   2.8  0.90   3.5    FAIL (σ>3.0)
# → 檢視 lowlight 是否可接受；不可 → 調整 NR 並 commit v5

量測/驗證 SOP：調校回歸測試

1. 建立基準組：校正前的標準場景 RAW + 指標。
2. 每次改動後，用同一管線重拍四場景（室內/日光/逆光/低光）。
3. 逐場景計算 ΔE、暗角比、σ、RAW 健康報告。
4. 與基準比較：任何指標劣化超閾值 = 回歸。
5. git commit 每次改動，寫明日期/場景/原因/結果。
6. 回歸通過才可釋出該 tuning 版本。

平台間對照：調校工作流工具

互動式檢核清單

• - [ ] 能依序說出五步調校工作流（準備→校正→動態→美化→回歸）。
• - [ ] 已把 tuning 納入 git 並建立版本結構。
• - [ ] 已建立並驗證回歸腳本。
• - [ ] 能說明 Sharpen 與 NR 成對調適的原因。
• - [ ] 能說出 HDR 的適用場景與限制。
• - [ ] 已完成一次「改動→回歸→commit」完整循環。

第 3 輪深度加深

① Register 位元級完整工作流：RPi5 ISP 銳利度控制

② 多層疑難排解決策樹

決策樹 A：影像模糊（銳利度不足）

影像模糊
├─ 檢查 A：對焦是否正確
│  ├─ 手動對焦 → 調整 lens position
│  ├─ 自動對焦 → AF 算法收斂問題
│  └─ 固定焦距 → 繼續
├─ 檢查 B：sharpening 設定
│  ├─ 過低 → 增加 sharpening strength
│  ├─ 過高 → 出現 ringing → 降低 strength
│  └─ 適中 → 繼續
├─ 檢查 C：denoise 是否過強
│  ├─ 是 → 降低 denoise strength
│  └─ 否 → 繼續
└─ 檢查 D：解析度 / downscaling 是否造成
   ├─ 是 → 增加輸出解析度或優化 downscale 演算法
   └─ 否 → lens 品質或 sensor 限制

③ 量測驗證完整 SOP：MTF/銳利度量測

1. 工具：ISO 12233 resolution chart + rawpy + scipy
2. 步驟：
   a. 拍攝 ISO 12233 chart（均勻照明、三腳架）
   b. 裁切 SFR (Slanted Edge) 區域
   c. 計算 MTF curve：edge spread → line spread → Fourier → MTF
   d. 記錄 MTF10（10% contrast 對應的空間頻率）
3. 判讀：MTF10 >0.5 LP/pixel = 優良；0.3-0.5 = 中等；<0.3 = 模糊
4. 重複：三種 sharpening 設定各量一次，找最佳平衡
5. 常見偏差：拍攝角度不對 → edge slant angle 偏差；照明不均 → baseline error

④ 四平台終極對照

⑤ 完整 Bring-up 專案 Checklist

• - [ ] 拍攝 ISO 12233 chart 並計算 baseline MTF
• - [ ] 調整 sharpening 並記錄 MTF 變化
• - [ ] 找到 denoise-sharpen 最佳平衡點
• - [ ] 測試不同光照條件下的清晰度
• - [ ] 測試 HDR 場景的動態範圍
• - [ ] 建立調校工作流 SOP（先 AE → AWB → LSC → NR → Sharpen）
• - [ ] 整理所有 tuning 參數到統一表格
• - [ ] 建立自動化 tuning script（如適用）