这将从传感器输出的模拟拼接图像转换为原始的数字拼接图像。首先，模拟电压通过一个放大器，其增益由相机的ISO设置调制。由于渐晕效应，对于距离图像中心更远的像素，增益更大，这会使图像的末端变暗。之后，模数(ADC)转换器产生一个数字信号，通常的大小为10-16位。最后，该传感器在其测量范围的末端（非常明亮或非常暗的像素）存在非线性问题，这可以通过使用查找表进行校正。查找表只是将输出值映射到任何可能的输入值，这是处理数字信号的一种非常快速的技术。格鲁耶夫和艾蒂安-卡明斯（2002）实现了一种伪神经图像处理器芯片，可以在焦平面上实现可操纵的空间和时间滤波器。模拟前端的输出图像称为原始图像。许多消费级相机允许使用这种格式，因为许多应用程序，如基于物理的计算机视觉，在原始图像上比处理图像要好得多。然而，由于高噪音和不合适的颜色平衡，使得这些图像看起来并不很吸引人。 下一处理阶段是调整原始数字图像的白平衡。这是必要的，因为一个人看到的白人与对场景的感知有很大关系。因此，通过对图像的颜色施加一个假设来调整白平衡。一种方法是假设一个图像的平均颜色是灰色的，这被称为灰色世界假设。另一种方法称为白色世界假设，假设场景中最亮的物体是白色的。然而，现代相机使用基于直方图的算法，假设不同颜色的特定比例。在这个阶段，图像仍然是一个颜色的马赛克，这意味着每个像素都存储了特定的颜色信息。我们需要把这张马赛克图像转换成三张图像，分别对应于红色、绿色和蓝色。然而，红色和绿色的信息在蓝色像素的位置丢失。那么，如何才能恢复这些信息呢？这可以通过插值来实现，即使是简单的算法来平均最近的邻居也可以取得很好的结果。这一阶段的三幅图像仍然受到噪声的强烈影响。因此通常采用去噪阶段，如平均或计算相邻像素的中值。 人类心理上感知的颜色通过颜色空间映射到光的波长上。它们允许一个可重复的颜色表示。这些映射在图中被表示为颜色转换。经过所有这些步骤之后，图像看起来仍然不自然。这是因为人类视网膜中的光检测作为亮度的函数是非线性的，对暗色调更敏感，而对于相机来说，这种关系是线性的。为了解决这个问题，我们使用了后续的后处理步骤。因为在人眼的情况下，非线性函数类似于数学函数伽马，所以补偿这种影响的过程被称为伽马校正。经过这一步之后，人眼的图像外观得到了明显的改善，但仍然需要很大的空间。这激发了最后一步，称为压缩，它将图像大小减少三分之一。最终的结果是压缩格式的一个吸引人的图像，例如jpeg或png。