代码：code
本文采取sony拍摄的arw格式图像测试，测试图像在论文中下载：
bayer图像格式
由于人眼对GREEN颜色的感知更为强烈，所以一般raw 格式的图像每个2*2矩阵中，都有两个G分量，一个R以及一个B分量，G分量的排列方式可以有所不同，如下图：
对于转换为RGB格式，一般采取插值的方法，将原始图像中的R/G/B三个分量，插值到附近，分别产生新的三个矩阵，分别为R,G,B。
以下为代码，对于两个G分量采用均值方法优化插值：
1-自己写的函数最终得到图像结果：
放大：
原图：
2-使用sony插件直接查看arw图像的结果：
放大：
原图：
3-使用python rawpy库函数的postprocess 方法默认参数处理：
放大：
原图：
4-使用learning to see in dark 中的postprocess 方法所设置的参数处理：
rgb = raw.postprocess(use_camera_wb=True, half_size=False, no_auto_bright=True, output_bps=16)
放大：
原图：
最终分析结果：
再亮度上：
2>3>4>1
在视觉效果上：
4>2>3>1
在清晰度上：
4=3>2=1
在还原RGB方面，使用参数调节后的rawpy.postprocess方法（use_camera_wb）更好。
造成以上差异的主要因素还是插值方法的不同：
在文章HIGH-QUALITY LINEAR INTERPOLATION FOR DEMOSAICING OF BAYER-PATTERNED COLOR IMAGES 中介绍了更好的插值方法：
引用：
https://letmaik.github.io/rawpy/api/rawpy.Params.html
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/Demosaicing_ICASSP04.pdf
http://www.imatest.com/docs/raw/
http://blog.sina.com.cn/s/blog_ebbe6d790101e56e.html
https://blog.csdn.net/peng864534630/article/details/78177211
https://www.cnblogs.com/zhongguo135/p/7755287.html
Learning-to-see-in-draking