📚 课程目录第4章坏点校正（DPC）

4. 坏点校正（DPC）：坏点类型、检测与替换策略

坏点校正，简称 DPC，是 RAW 域预处理里绕不开的一环。我刚开始做 ISP 的时候，觉得这步挺简单的——不就是把坏点抹掉吗？后来踩了几个坑才发现，坏点处理的好坏，直接决定了后面去噪、锐化的效果。处理不好，整张图就毁了。

说白了，坏点就是传感器上那些「不听话」的像素。它们要么一直亮着，要么一直暗着，要么响应曲线跟别人不一样。你想想看，几千万个像素点里混进去几个这样的「刺头」，拍出来的照片就会出现亮点、暗点或者彩点。

4.1 坏点类型：静态 vs 动态

坏点分两类，处理方式完全不同。我习惯先分清楚再动手。

类型	成因	表现	处理时机
静态坏点	制造缺陷、物理损伤	固定位置，始终异常	出厂标定，一次处理
动态坏点	温度、增益、老化	随机出现，时好时坏	实时检测，逐帧处理

静态坏点，就是传感器出厂时就带有的缺陷。比如某个像素短路了，输出永远是最大值，拍出来就是个白点。这类坏点位置固定，可以在产线标定时记录下来，生成一张坏点列表（Defect Pixel List）。

动态坏点就麻烦多了。它们受温度影响很大——相机拍久了，传感器发热，一些本来正常的像素就开始「抽风」。我记得有一次做手机摄像头调试，室温下跑得好好的，放到高温箱里一测，满屏的闪烁亮点。这就是典型的动态坏点。

我的经验： 静态坏点用查表法就够了。动态坏点才是 DPC 算法的核心战场。很多方案只做静态校正，结果用户拍视频时间一长，画面就开始冒亮点。

4.2 坏点检测算法

检测坏点，核心思路就一句话：看这个像素跟邻居比，是不是「不正常」。具体怎么比，各家有各家的招。

4.2.1 基于邻域统计的检测

这是最基础的方法。对每个像素，取它周围 3x3 或 5x5 的窗口，计算均值或中值。如果当前像素值跟这个统计值差太多，就判为坏点。

// 伪代码：基于中值的坏点检测
for each pixel (x, y) {
    window = get_neighbors(x, y, 3x3);
    median = compute_median(window);
    diff = abs(pixel(x,y) - median);
    if (diff > threshold) {
        mark_as_defect(x, y);
    }
}

这个方法简单，但阈值不好设。设小了误检多，设大了漏检多。我早期做的一个项目就吃过这个亏——阈值设得太严，把正常的纹理细节当坏点给抹了，画面糊成一片。

4.2.2 基于方向梯度的检测

这个方法更聪明一些。它考虑到了图像边缘的情况——如果像素正好在边缘上，跟邻居差异大是正常的，不能判为坏点。

具体做法是：计算像素在水平、垂直、两个对角线方向上的梯度。如果四个方向上的梯度都很大，那这个像素大概率是坏点。如果只有一个方向梯度大，那可能是边缘。

  关键区别： 基于邻域统计的方法容易把边缘误检为坏点。基于方向梯度的方法能区分「边缘」和「坏点」，准确率高很多。

4.2.3 自适应阈值

固定阈值的问题很明显——暗区噪声大，亮区噪声小，一刀切肯定不行。自适应阈值会根据局部亮度调整检测门限。

我常用的做法是：先估算当前区域的噪声水平，然后阈值 = 噪声标准差 × 系数。暗区噪声大，阈值自动抬高，减少误检；亮区噪声小，阈值降低，保证不漏检。

方法	优点	缺点	适用场景
邻域统计	实现简单，速度快	边缘误检，阈值难调	低端芯片，实时性要求高
方向梯度	准确率高，保护边缘	计算量大	中高端 ISP
自适应阈值	适应不同亮度场景	需要噪声估计	复杂光照环境

4.3 坏点替换策略

检测到坏点之后，怎么把它「修好」？不是简单地抹掉，而是用合理的值填回去。

4.3.1 中值替换

取邻域像素的中值来替换坏点。优点是鲁棒性好，不受单个异常值影响。缺点是会损失一些细节。

4.3.2 均值替换

取邻域像素的均值。优点是平滑效果好，缺点是对噪声敏感。如果邻域里恰好也有坏点，均值会被拉偏。

4.3.3 梯度导向插值

先判断边缘方向，然后沿着边缘方向取像素做插值。这样能最大程度保留图像细节。我比较推荐这个方法，尤其是在纹理丰富的区域。

// 梯度导向插值示例
if (horizontal_gradient < vertical_gradient) {
    // 水平方向更平滑，沿水平插值
    pixel(x,y) = (pixel(x-1,y) + pixel(x+1,y)) / 2;
} else {
    // 垂直方向更平滑，沿垂直插值
    pixel(x,y) = (pixel(x,y-1) + pixel(x,y+1)) / 2;
}

注意： 替换时一定要考虑 Bayer 格式。同一个颜色通道的像素才能用来做替换。跨通道替换会引入颜色错误，修完坏点反而出现彩点。

4.4 自适应校正策略

实际工程中，坏点校正不是「一刀切」的。我习惯把策略分成几个等级，根据场景动态切换。

低增益场景： 噪声小，坏点容易识别。用严格的检测阈值，配合梯度导向插值。
高增益场景： 噪声放大，坏点淹没在噪声里。适当放宽检测阈值，用中值替换更安全。
高温场景： 动态坏点增多。加强检测力度，同时提高替换的平滑度。
边缘区域： 保护纹理，用方向梯度检测 + 梯度导向插值。
平坦区域： 简单中值替换即可，不需要复杂计算。

我曾经在一个安防摄像头项目里，把自适应策略做成了查表——根据增益和温度查表决定检测阈值和替换方式。效果比单一策略好很多，而且计算量没增加多少。

4.5 DPC 全流程框架

下面这张图是我自己总结的 DPC 处理流程，从检测到替换，每一步都有对应的策略选择。

这张图把整个流程串起来了。从输入 RAW 图开始，先判断坏点类型，静态的直接查表，动态的走实时检测。检测方法根据场景选，替换策略也根据需求定。最后输出校正后的 RAW 数据。

避坑指南： 我曾经在一个项目里把 DPC 放在去噪之后做，结果坏点被去噪算法「扩散」了，修都修不干净。正确的顺序应该是：DPC 先做，再去噪。坏点不先处理掉，后面的算法都会被带偏。

嗯，坏点校正这块，说白了就是「先发现，再修复」。发现的方法决定了准确率，修复的方法决定了画质。两者配合好了，才能做到既去掉坏点，又不损伤正常细节。我做了这么多年 ISP，DPC 始终是我不敢掉以轻心的一环——它太基础了，基础到出了问题往往要排查很久才能找到根因。