3、去马赛克基础：线性插值算法（双线性、边缘导向）
好，我们正式开始进入去马赛克的核心算法环节。
上一章我们聊了 CFA 和 Bayer 格式，说白了就是相机传感器只记录单通道亮度值，每个像素点要么是 R、要么是 G、要么是 B。那问题来了——我们最终要的是每个像素都有 R、G、B 三个值，怎么办？
答案就是插值。用周围已知的像素值，把缺失的颜色「猜」出来。这个过程，就叫去马赛克。
今天我们先讲最基础的两类线性插值算法：双线性插值和边缘导向插值。别小看它们，虽然简单，但理解透了，后面学自适应、迭代类算法会轻松很多。
核心观点：线性插值算法是去马赛克的「地基」。双线性快但模糊，边缘导向能保边但计算量翻倍。实际项目中，很多 ISP 的快速预览模式用的就是边缘导向的变体。
3.1 双线性插值：最朴素的「平均大法」
双线性插值的思路非常直接——缺失的颜色值，用它上下左右四个方向最近邻的同色像素取平均。
举个例子。在 Bayer GRBG 格式里，一个绿色像素位置（比如 G 在 R 的左边），它缺失的 R 和 B 怎么算？
- R 值：取该像素上下左右四个方向最近的 R 像素的平均值。
- B 值：同理，取最近的 B 像素平均值。
听起来很简单对吧？但这里有个细节——不同颜色通道的「最近邻」位置不一样。我刚开始做的时候，就因为这个位置索引搞错过，结果出来的图像全是彩色条纹。嗯，后来我养成了一个习惯：先在纸上画一个 5x5 的 Bayer 矩阵，标好每个像素的坐标，再写代码。
3.1.1 算法步骤
- 输入：Bayer 原始图像（单通道，每个像素只有一种颜色）。
- 输出：RGB 三通道图像（每个像素三个值）。
- 遍历每个像素 (i, j)：
- 如果 (i, j) 是 R 位置：R 值已知，G 和 B 用周围 G、B 像素插值。
- 如果 (i, j) 是 G 位置：G 值已知，R 和 B 用周围 R、B 像素插值。
- 如果 (i, j) 是 B 位置：B 值已知，R 和 G 用周围 R、G 像素插值。
具体到 G 通道的插值，以 R 位置为例（假设在 (2,2) 是 R）：
G(2,2) = ( G(2,1) + G(2,3) + G(1,2) + G(3,2) ) / 4R 和 B 通道的插值类似，只是取对角方向。
我的经验：双线性插值在平坦区域效果还行，但一到边缘或纹理丰富的地方，就会出现明显的「拉链效应」和「伪色」。说白了就是边缘锯齿和颜色溢出。我曾经在一个文档扫描项目里用过它，结果文字边缘全是红蓝杂色，被客户怼了一顿……后来果断换了算法。
3.2 边缘导向插值：先看方向，再插值
双线性插值的问题在于——它不管图像内容，四个方向平均。但你想，如果当前像素正好在一条垂直边缘上，那水平方向的像素值差异会很大，平均出来的结果肯定不对。
边缘导向插值的思路就是：先判断边缘方向，再沿着边缘方向插值，垂直边缘方向不参与平均。
你想想看，这样是不是就能保住边缘的锐度了？
3.2.1 如何判断边缘方向？
常用的方法是计算水平和垂直两个方向的梯度。梯度大的方向，说明像素变化剧烈，那就是垂直边缘的方向；梯度小的方向，说明像素变化平缓，那就是沿着边缘的方向。
以 G 通道在 R 位置的插值为例：
- 水平梯度：ΔH = |G(i, j-1) - G(i, j+1)|
- 垂直梯度：ΔV = |G(i-1, j) - G(i+1, j)|
然后比较 ΔH 和 ΔV：
- 如果 ΔH < ΔV：水平方向变化小，说明是垂直边缘，用水平方向的两个 G 平均。
- 如果 ΔV < ΔH：垂直方向变化小，说明是水平边缘，用垂直方向的两个 G 平均。
- 如果 ΔH ≈ ΔV：平坦区域或对角线边缘，退化为双线性平均。
注意：梯度阈值怎么设？我建议不要设固定阈值，而是直接用比较大小。因为不同场景的梯度范围差异很大，固定阈值容易误判。我曾经在一个低光照场景里用过固定阈值，结果边缘方向全判错了，图像比双线性还差……后来改成动态比较，稳多了。
3.2.2 代码示例（Python 风格）
def edge_directed_g_interp(bayer_img, pattern='GRBG'):
# 假设输入是单通道 Bayer 图像
h, w = bayer_img.shape
rgb = np.zeros((h, w, 3), dtype=np.uint16)
for i in range(1, h-1):
for j in range(1, w-1):
# 判断当前像素颜色（根据 pattern）
# 这里以 GRBG 为例，简化处理
# 实际需要根据 pattern 映射
# 计算水平和垂直梯度
dh = abs(int(bayer_img[i, j-1]) - int(bayer_img[i, j+1]))
dv = abs(int(bayer_img[i-1, j]) - int(bayer_img[i+1, j]))
if dh < dv:
# 水平方向插值
g_val = (int(bayer_img[i, j-1]) + int(bayer_img[i, j+1])) // 2
elif dv < dh:
# 垂直方向插值
g_val = (int(bayer_img[i-1, j]) + int(bayer_img[i+1, j])) // 2
else:
# 四个方向平均
g_val = (int(bayer_img[i, j-1]) + int(bayer_img[i, j+1]) +
int(bayer_img[i-1, j]) + int(bayer_img[i+1, j])) // 4
# 赋值到对应通道
# ... 省略具体通道映射
return rgb避坑指南：边缘导向插值虽然能保边，但 R 和 B 通道的插值也要跟着改。我见过有人只优化 G 通道，R 和 B 还是用双线性，结果颜色边缘还是糊的。记住：三个通道的插值策略要一致。
3.3 两种算法对比
| 对比维度 | 双线性插值 | 边缘导向插值 |
|---|---|---|
| 计算复杂度 | 低（O(N)） | 中（O(N) + 梯度计算） |
| 边缘保留 | 差（锯齿明显） | 好（沿边缘插值） |
| 伪色抑制 | 差（红蓝溢出） | 中等（仍有少量伪色） |
| 平坦区域 | 好（平滑自然） | 好（退化为双线性） |
| 适用场景 | 低功耗预览、快速缩略图 | 中端 ISP、实时预览 |
我个人习惯是：在项目初期快速验证时用双线性，因为代码简单、跑得快。但一旦进入调优阶段，必须换成边缘导向或更高级的算法。否则图像质量根本过不了评审。
3.4 知识体系：线性插值算法全景
下面这张图帮你理清今天讲的内容。我建议你保存下来，后面学更复杂的算法时，可以回来对照。
从图上可以看得很清楚：双线性是「无脑平均」，边缘导向是「看方向再平均」。后者虽然多了梯度计算，但换来的是边缘质量的大幅提升。在资源受限的嵌入式平台上，边缘导向插值往往是性价比最高的选择。