4. 经典去马赛克算法

各位好，欢迎来到去马赛克这一章。说实话，这是ISP pipeline里最“古老”但也最考验功底的一环。Bayer RAW数据到了我们手里，每个像素只有一个颜色通道——R、G、B各占一个位置。怎么把缺失的另外两个颜色猜出来？这就是去马赛克要干的事。

我刚开始做图像调试那会儿，总觉得去马赛克不就是个插值嘛，随便填填就行。后来在项目里被各种伪彩色、锯齿、拉链效应折磨得够呛，才明白这里面门道有多深。今天咱们就把三种经典算法掰开揉碎了讲清楚。

4.1 双线性插值法——最朴素的思路

双线性插值，说白了就是“看邻居的脸色办事”。每个像素缺失的颜色，直接用周围同色通道的像素做加权平均。

举个例子，Bayer阵列里一个绿色像素位置，缺了红色和蓝色。那红色值怎么算？取上下左右四个红色像素的平均值。蓝色同理。

R(i,j) = [R(i-1,j) + R(i+1,j) + R(i,j-1) + R(i,j+1)] / 4

这个算法简单到什么程度？我在FPGA上实现过，只需要几个行缓存和加法器，延迟极低。但代价也很明显——边缘处一塌糊涂。

我曾经在一个低端监控摄像头项目里用过纯双线性，结果客户反馈说“画面像蒙了一层雾，边缘还有彩虹纹”。没办法，后来只能换算法。所以双线性现在基本只用在预览模式或者资源极度受限的场景。

4.2 边缘导向插值法（Hamilton-Adams算法）

这是去马赛克算法的一个里程碑。Hamilton和Adams在1997年提出了这个思路：先判断边缘方向，再沿着边缘插值，而不是跨边缘插值。

你想想看，如果当前像素在一条水平边缘上，那垂直方向的像素变化剧烈，水平方向变化平缓。这时候用垂直方向的邻居去插值，就会引入错误。正确的做法是沿着水平方向插值。

具体到G通道的插值，算法会先算两个方向的梯度：

// 水平梯度
ΔH = |G(i,j-1) - G(i,j+1)| + |2*R(i,j) - R(i,j-2) - R(i,j+2)|

// 垂直梯度  
ΔV = |G(i-1,j) - G(i+1,j)| + |2*R(i,j) - R(i-2,j) - R(i+2,j)|

然后比较ΔH和ΔV：

• 如果ΔH < ΔV，说明水平方向更平滑，沿水平方向插值
• 如果ΔH > ΔV，沿垂直方向插值
• 如果两者接近，取两个方向的平均

这个算法在边缘处表现比双线性好得多。我记得在手机项目里调试人像模式时，Hamilton-Adams在头发丝边缘的伪彩色控制得相当不错，拉链效应也基本看不到了。

不过Hamilton-Adams也有短板。它在纹理特别密集的区域，比如草地、布料纹理，还是会出现一些伪彩色。因为梯度判断在高频区域容易出错，方向选错了，结果还不如双线性。

4.3 基于梯度的自适应插值

既然Hamilton-Adams只用了水平和垂直两个方向，那能不能扩展到更多方向？这就是基于梯度的自适应插值的思路——用梯度信息指导插值权重，而不是简单地二选一。

我个人比较喜欢这个方向。它不像Hamilton-Adams那样“非此即彼”，而是让每个方向的贡献度由梯度大小动态决定。

具体做法是这样的：

1. 计算多方向梯度：除了水平和垂直，还可以加上45°和135°对角线方向。
2. 计算权重：梯度越小，说明该方向越平滑，权重越大。通常用 w = 1 / (gradient + ε) 来算。
3. 加权插值：每个方向先做线性插值，然后按权重加权平均。

// 四方向梯度计算示例
float grad_H = abs(G(i,j-1) - G(i,j+1));
float grad_V = abs(G(i-1,j) - G(i+1,j));
float grad_D45 = abs(G(i-1,j+1) - G(i+1,j-1));
float grad_D135 = abs(G(i-1,j-1) - G(i+1,j+1));

// 权重计算（加小常数防止除零）
float w_H = 1.0 / (grad_H + 0.001);
float w_V = 1.0 / (grad_V + 0.001);
float w_D45 = 1.0 / (grad_D45 + 0.001);
float w_D135 = 1.0 / (grad_D135 + 0.001);

// 归一化后加权插值
float total_w = w_H + w_V + w_D45 + w_D135;
float G_interp = (w_H * G_H + w_V * G_V + w_D45 * G_D45 + w_D135 * G_D135) / total_w;

基于梯度的自适应插值在纹理区域的表现明显优于Hamilton-Adams。因为它不是硬判决，而是软权重，即使某个方向判断错了，其他方向还能拉回来一些。

但代价也很实在——计算量翻倍。四个方向的梯度计算加上权重归一化，在硬件上需要更多的行缓存和乘法器。高通骁龙平台从SM8250开始，ISP硬件里就集成了类似的多方向梯度插值模块，软件上我们只需要配参数就行。

4.4 三种算法的对比与选型建议

说了这么多，到底项目里该用哪个？我根据自己的经验给个参考：

嗯，这里要注意一点。不管选哪个算法，去马赛克都不是孤立的一步。它和前面的黑电平校正、后面的色彩校正矩阵（CCM）是联动的。我曾经在调试时发现去马赛克出来的伪彩色，在CCM里被放大了三倍。后来调整了去马赛克的色差阈值，才压下去。

4.5 本章知识结构图

下面这张图把三种算法的核心逻辑和关系梳理了一下，方便你对照理解：

这张图把三种算法的核心差异和适用场景都标出来了。你可以把它当作选型时的快速参考。