即是通过DemosaicNode，将Raw域的数据直接转化为RGB数据，再RGB一些颜色和白平衡和白平衡矫正。
一、去马赛克：
产生拜耳滤镜Raw插入数据，恢复每个像素的原始RGB信息。
处理原理：当我们插入像素颜色时，假设当前像素颜色与其附近的相同颜色点相似。颜色还原通过插入值进行。
马赛克处理方法：
?双线性插值
?立体插值
?邻近插值
?三次采样
引入的图像问题：
?方向性噪声
?色散
?摩尔纹
仿真算法：openCV
二、白平衡： 由于白色物体反射不同颜色的光源，传感器对白色呈现不同的颜色。为了在后期矫正为原始白色，需要按照一定的算法矫正成像颜色。这一过程通常可以在成像过程中自动完成，我们称之为自动白平衡。要了解白平衡，需要量化不同光源光在不同波段光中的比例。因此，我们定义了一个理想的模型：绝对黑体的色温。 黑体: 在发光体中，有一种物体可以吸收投射到其表面的所有可见光，既不反射也不透射。具有这种性质的物体称为绝对黑体。(CCT)：绝对黑体(-273℃)开始持续加温所呈现出来的颜色。
形成白平衡： 1.由于光源发射的光的波段在不同的色温光源下组成不同，白色物体反射的光也呈现出不同的颜色。传感器上的不同表现。 二、白光源，经bayerfilter后传感器上的光敏度不同，导致颜色偏差。
白平衡矫正： 1.灰度世界算法假设对于一像有很多颜色变化， R、G、B 三个分量的平均值倾向于相同的灰度K。适用于色彩分布均匀的场景。 2.完美反射算法假设图像上的亮点是白点，以白点为参考，将图像定义为自动白平衡R G B的最大值。
(1)计算每个像素R\G\B并将其保存时内存块中。
（2）按R G B计算前10%或其他白色参考点的阈值T。
(3)计算遍历图像中的每个点R G B值大于T的所有点R\G\B重量的积累和平均值。
（4）将每个点的像素量化到[0，255]之间。该算法的缺点是，如果图像中没有白点，算法效果将非常不理想。由于不同颜色温度下白点的值差异很大，白平衡结果不令人满意 3.动态阈值算法自动检测 可参考白点矫正http://files.cnblogs.com/Imageshop/ANovelAutomaticWhiteBalanceMethodforDigital.pdf 4.深度学习算法
三、色彩矫正矩阵： 什么是color currection？ 将Camera 输出的camera RGB色彩空间转化为sRGB色彩空间。 为什么要这样做？Correction？ 由于相机的颜色匹配特性通常不满足卢瑟条件（也就是说sensor的RGB响应通常不是线性的)，即相机的颜色匹配特性和CIE标准观察者之间没有线性关系。因此，我们需要一些方法来校正相机的特性，使其接近标准观察者。在实际的ISP这种方法通常是3x以3矩阵的形式出现，称为色彩校正矩阵（colourcorrection matrix）。 主要作用： 1. 完成了sensor_RGB色彩空间到sRGB色彩空间的转换； 2. 使相机的颜色匹配特性满足卢瑟条件
Camera linear RGB--》CCM-->sRGB
四、Gamma曲线: 数字图像中的每个像素都有一定的亮度，从黑色(0)到白色(255)。这些像素值是输入计算机显示器的信息。但由于技术限制，它是纯的（CRT）显示器只能以非线性方式输出这些值，即输出=输入/伽马。 Gamma当Gamma当值等于1时，曲线与坐标轴成45°此时，输入和输出密度相同。Gamma值会导致输出暗化，低于1Gamma值会导致输出亮化。 RGB值与功率不是简单的线性关系，而是功率函数关系，称为函数指数Gamma值，一般为2.2.这个转换过程叫做Gamma校正。 灰色功率为50%，人眼实际感知亮度为: 2.20.5×100%=72.97% 人眼认为灰色的50%，实际功率为: 0.52.2×100%=21.76%