4. 坏点校正与动态缺陷检测

任务说明

本案例实现CMOS图像传感器坏点校正算法，核心思路为：静态坏点表校正（针对出厂标定的固定坏点）与动态坏点检测（针对使用中新增的坏点）相结合。最终输出校正后的图像，并给出坏点统计与图像质量评估指标。

算法原理

静态坏点表由传感器出厂标定或离线检测获得，记录坏点坐标与类型（亮点/暗点）。动态检测采用邻域中值比较法：对每个像素，计算其与周围8邻域中值的偏差，若超过自适应阈值且邻域本身方差较小（排除纹理区域），则判定为动态坏点。校正时，静态坏点直接查表替换，动态坏点用邻域中值替换。

完整实现代码

import numpy as np
from scipy import ndimage
import cv2

class BadPixelCorrector:
    def __init__(self, static_map=None, dyn_thresh_ratio=3.0, min_var=25.0):
        """
        static_map: dict {(row,col): 'hot'|'cold'} 静态坏点表
        dyn_thresh_ratio: 动态阈值 = ratio * 邻域标准差
        min_var: 邻域方差下限，低于此值视为平坦区才做动态检测
        """
        self.static_map = static_map or {}
        self.dyn_thresh_ratio = dyn_thresh_ratio
        self.min_var = min_var
        self.dynamic_bad_pixels = []  # 记录本次检测到的动态坏点

    def _neighbor_median(self, img, r, c, half_win=1):
        """提取邻域像素（排除中心点）并计算中值"""
        h, w = img.shape
        r0, r1 = max(0, r-half_win), min(h, r+half_win+1)
        c0, c1 = max(0, c-half_win), min(w, c+half_win+1)
        block = img[r0:r1, c0:c1].flatten()
        center_idx = (r - r0) * (c1 - c0) + (c - c0)
        neighbors = np.delete(block, center_idx)
        return np.median(neighbors)

    def detect_dynamic(self, img):
        """动态坏点检测：返回坏点坐标列表"""
        h, w = img.shape
        # 使用3x3中值滤波结果作为参考
        median_filtered = ndimage.median_filter(img, size=3)
        # 局部方差（3x3窗口）
        local_var = ndimage.generic_filter(img, lambda x: np.var(x), size=3)

        bad_pixels = []
        for r in range(1, h-1):
            for c in range(1, w-1):
                if (r, c) in self.static_map:
                    continue  # 静态坏点不重复检测
                if local_var[r, c] < self.min_var:  # 平坦区域才检测
                    diff = abs(img[r, c] - median_filtered[r, c])
                    # 邻域标准差近似
                    std_est = np.sqrt(local_var[r, c])
                    if diff > self.dyn_thresh_ratio * std_est:
                        bad_pixels.append((r, c))
        self.dynamic_bad_pixels = bad_pixels
        return bad_pixels

    def correct(self, img):
        """执行校正：先静态表，再动态检测与校正"""
        img_out = img.copy()
        h, w = img.shape

        # 1. 静态坏点校正
        for (r, c), btype in self.static_map.items():
            if 0 <= r < h and 0 <= c < w:
                img_out[r, c] = self._neighbor_median(img, r, c)

        # 2. 动态坏点检测（基于原始图，避免静态校正影响检测）
        self.detect_dynamic(img)

        # 3. 动态坏点校正
        for (r, c) in self.dynamic_bad_pixels:
            img_out[r, c] = self._neighbor_median(img, r, c)

        return img_out

    def evaluate(self, img_orig, img_corrected):
        """图像质量评估：PSNR与坏点统计"""
        # 模拟无坏点参考图（用中值滤波近似）
        ref = ndimage.median_filter(img_orig, size=3)
        mse = np.mean((img_corrected.astype(float) - ref.astype(float)) ** 2)
        psnr = 10 * np.log10(255**2 / max(mse, 1e-10))
        stats = {
            'static_count': len(self.static_map),
            'dynamic_count': len(self.dynamic_bad_pixels),
            'total_corrected': len(self.static_map) + len(self.dynamic_bad_pixels),
            'psnr_vs_median_ref': round(psnr, 2)
        }
        return stats

# ========== 最小可复现示例 ==========
if __name__ == "__main__":
    # 生成模拟图像（含噪声与坏点）
    np.random.seed(42)
    h, w = 200, 200
    clean = np.random.randint(50, 200, (h, w), dtype=np.uint8)
    # 添加高斯噪声
    noisy = clean + np.random.normal(0, 5, (h, w))
    noisy = np.clip(noisy, 0, 255).astype(np.uint8)

    # 注入坏点：5个静态坏点 + 3个动态坏点
    static_map = {}
    for i, (r, c) in enumerate([(50, 50), (100, 30), (150, 160), (80, 120), (20, 180)]):
        noisy[r, c] = 255 if i % 2 == 0 else 0  # 亮点/暗点交替
        static_map[(r, c)] = 'hot' if i % 2 == 0 else 'cold'

    dynamic_pos = [(60, 140), (120, 90), (170, 50)]
    for r, c in dynamic_pos:
        noisy[r, c] = 255  # 亮点

    # 执行校正
    corrector = BadPixelCorrector(static_map=static_map, dyn_thresh_ratio=3.0, min_var=25.0)
    corrected = corrector.correct(noisy)

    # 验证：检测到的动态坏点应包含注入的3个
    detected = set(corrector.dynamic_bad_pixels)
    injected = set(dynamic_pos)
    detection_rate = len(detected & injected) / len(injected)

    # 输出评估
    stats = corrector.evaluate(noisy, corrected)
    print(f"检测到动态坏点: {sorted(corrector.dynamic_bad_pixels)}")
    print(f"注入动态坏点检出率: {detection_rate:.0%}")
    print(f"静态坏点校正数: {stats['static_count']}")
    print(f"动态坏点校正数: {stats['dynamic_count']}")
    print(f"PSNR(与中值参考比): {stats['psnr_vs_median_ref']} dB")

    # 保存结果（可选）
    # cv2.imwrite('corrected.png', corrected)

运行与验证

依赖安装：

pip install numpy scipy opencv-python

运行方式：直接执行脚本，观察终端输出。

通过条件：

注入的3个动态坏点全部被检出（检出率=100%），且无额外误检（平坦区阈值合理时）；
静态坏点表5个坐标全部被校正；
PSNR值高于未校正的含坏点图（可自行对比），表明校正后图像更接近真实场景。

关键参数说明

dyn_thresh_ratio：动态检测灵敏度，值越小越容易检出坏点，但误检率升高；
min_var：平坦区判定阈值，纹理区域（方差大）不检测，避免误杀边缘细节；
静态坏点表在真实工程中由传感器厂商提供或离线标定生成，本示例用注入方式模拟。

常见问题

动态坏点误检：若图像纹理丰富，可适当提高min_var或增大dyn_thresh_ratio；
静态表坐标越界：校正前需检查坐标是否在图像范围内，代码已做边界保护；
彩色图像：本算法针对单通道，彩色图需逐通道处理或转换到YUV后在亮度通道检测。

📚 课程目录