4. 坏点校正

各位同学，欢迎来到第四讲。今天我们来聊聊一个让所有ISP工程师又爱又恨的话题——坏点校正。

为什么说又爱又恨？因为坏点这东西，你不管它，图像上就会出现星星点点的白斑或黑斑，特别影响观感。但你要是管得太狠，又容易把正常的细节给抹掉。我在刚入行那会儿，就吃过这个亏。

4.1 坏点到底是什么？

说白了，坏点就是传感器上那些「不听话」的像素。它们要么永远亮着，要么永远暗着，要么对光线变化毫无反应。

从成因上分，坏点主要有两类：

静态坏点好办，出厂前标定一次，做个坏点列表，每次处理时直接替换就行。但动态坏点就麻烦了——你永远不知道它什么时候冒出来。

4.2 静态坏点检测：一劳永逸的标定法

静态坏点检测，我习惯在暗场和亮场两种条件下做。

暗场标定： 盖上镜头盖，拍一张全黑图像。正常像素输出应该接近0，但坏点会明显偏亮。设定一个阈值，超过的就是坏点。

亮场标定： 对着均匀光源，拍一张中灰图像。正常像素输出应该接近平均值，偏离太多的就是坏点。

两种方法结合，基本能把静态坏点一网打尽。

4.3 动态坏点检测：实时战场

动态坏点检测，说白了就是在图像处理流水线里实时判断每个像素是不是坏了。这比静态检测难得多，因为你没有参考图像。

常用的方法有几种：

• 邻域比较法： 看当前像素和周围8个邻居的差异。如果差异太大，就怀疑是坏点。
• 方向梯度法： 分别计算水平、垂直、两个对角线方向的梯度。如果某个方向梯度异常大，可能是坏点。
• 统计法： 计算局部区域的均值和标准差，用3σ原则判断。

我个人比较喜欢方向梯度法。为什么？因为它能区分「边缘」和「坏点」。你想想看，一个正常的边缘像素，它和邻居的差异也很大，但只在垂直边缘的方向上大。而坏点呢？它在所有方向上差异都大。这个区别很关键。

4.4 坏点校正方法：三种主流方案

检测到坏点之后，怎么修？这里有三种常用方法。

4.4.1 中值滤波法

这是最经典的方法。把坏点周围的像素值排序，取中间那个值来替换坏点。

// 3x3邻域中值滤波
uint16_t median_filter(uint16_t *neighbors, int count) {
    // 排序
    for (int i = 0; i < count - 1; i++) {
        for (int j = 0; j < count - i - 1; j++) {
            if (neighbors[j] > neighbors[j + 1]) {
                uint16_t temp = neighbors[j];
                neighbors[j] = neighbors[j + 1];
                neighbors[j + 1] = temp;
            }
        }
    }
    // 取中值
    return neighbors[count / 2];
}

中值滤波的好处是抗噪能力强，不会受单个异常值影响。但缺点也很明显——它会把细线条也抹掉。如果坏点正好在一条细线上，中值滤波会把这条线打断。

4.4.2 均值替代法

这个方法更简单：取周围像素的平均值来替换坏点。

// 均值替代
uint16_t mean_replace(uint16_t *neighbors, int count) {
    uint32_t sum = 0;
    for (int i = 0; i < count; i++) {
        sum += neighbors[i];
    }
    return (uint16_t)(sum / count);
}

均值替代计算快，但容易受噪声影响。如果周围像素里恰好也有坏点，那结果就偏了。

4.4.3 自适应坏点检测与校正

这是目前工业界的主流方案。它结合了检测和校正，而且会根据图像内容动态调整参数。

自适应方案的核心思路是：

1. 先检测，再校正——不是所有像素都做校正，只有被判定为坏点的才处理。
2. 根据局部纹理选择校正方法——平坦区域用均值，边缘区域用方向插值。
3. 阈值自适应——根据噪声水平动态调整检测阈值。

for each pixel (x, y):
    // 1. 计算局部梯度
    grad_h = |I(x,y) - I(x-1,y)| + |I(x,y) - I(x+1,y)|
    grad_v = |I(x,y) - I(x,y-1)| + |I(x,y) - I(x,y+1)|
    grad_d1 = |I(x,y) - I(x-1,y-1)| + |I(x,y) - I(x+1,y+1)|
    grad_d2 = |I(x,y) - I(x-1,y+1)| + |I(x,y) - I(x+1,y-1)|
    
    // 2. 判断是否为坏点
    min_grad = min(grad_h, grad_v, grad_d1, grad_d2)
    if min_grad > threshold:
        // 3. 选择校正方向
        if grad_h is smallest:
            pixel = (I(x-1,y) + I(x+1,y)) / 2
        else if grad_v is smallest:
            pixel = (I(x,y-1) + I(x,y+1)) / 2
        else:
            pixel = median_filter(neighbors)

你看，自适应方案的核心就是「看情况办事」。平坦区域用均值，边缘区域沿着边缘方向插值，复杂纹理区域用中值保边。这样既去掉了坏点，又保住了细节。

4.5 三种方法对比

4.6 坏点校正的完整流程

下面这张图展示了坏点校正在整个ISP流水线中的位置，以及内部的处理逻辑。

4.7 工程实践中的几个坑

最后，分享几个我在项目中踩过的坑，希望能帮你们少走弯路。