3. 坏点校正（DPC）

坏点校正，简称 DPC，是 ISP 流水线里最基础也最容易被忽视的一环。我刚开始做工业相机时，总觉得这玩意儿不就是抹几个像素点嘛，后来在一条手机盖板玻璃检测线上被狠狠上了一课——因为一个暗坏点，系统把同一位置的黑点误判成了划伤，每天误报几百片。从那以后，我对 DPC 再也不敢马虎。

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，要么永远黑着，要么响应忽高忽低。在缺陷检测场景里，这些坏点会直接污染特征，你想想看，一个坏点被算法当成缺陷，那后果多严重。

3.1 静态坏点与动态坏点

坏点分两类，咱们先搞清楚它们的区别。

类型	表现	成因	是否固定位置
静态坏点	始终全亮（白点）或全黑（黑点）	制造缺陷、物理损伤	是，位置固定
动态坏点	响应异常，随温度/增益变化	暗电流不均、随机噪声	否，时有时无

静态坏点好理解。传感器出厂时就有，或者使用中被激光打坏了、被灰尘砸了，那个像素就「死」了。我在项目中遇到过一片 2000 万像素的 CMOS，刚上电就有 3 个白点，位置纹丝不动，这就是典型的静态坏点。

动态坏点就狡猾多了。它们平时看着正常，一旦温度升高或者增益拉大，就开始「抽风」。我记得有一次做低照度检测，增益开到 16dB，画面里突然冒出一片闪烁的亮点，第二天降温又没了。嗯，这就是动态坏点在作祟。

3.2 坏点检测算法

检测坏点，核心思路就一句话：看这个像素跟周围邻居比，是不是「不正常」。常用的方法有两种：梯度法和中值法。

3.2.1 梯度法

梯度法，说白了就是算差值。我取当前像素跟上下左右四个方向的差值，如果某个方向上的差值远大于正常范围，那就说明有问题。

具体做法是这样的：

1. 计算水平方向梯度：G_h = |P(i,j) - P(i,j-1)| + |P(i,j) - P(i,j+1)|
2. 计算垂直方向梯度：G_v = |P(i,j) - P(i-1,j)| + |P(i,j) - P(i+1,j)|
3. 计算对角方向梯度：G_d1 和 G_d2
4. 取四个方向的最小梯度值 G_min
5. 如果 G_min > Th，判定为坏点

阈值 Th 怎么定？我一般用全局统计 + 局部自适应。先算整幅图的梯度均值 μ 和标准差 σ，然后设 Th = μ + k * σ。k 值我习惯取 3~5，太严容易误检，太松又漏检。

3.2.2 中值法

中值法更稳健一些。它的逻辑是：取当前像素周围 3x3 或 5x5 邻域的中值，如果当前像素跟中值的差异超过阈值，就判定为坏点。

代码实现很简单：

// 中值法坏点检测示例
uint16_t median_filter(uint16_t* window, int size) {
    // 排序取中值
    sort(window, window + size);
    return window[size / 2];
}

bool is_bad_pixel(uint16_t center, uint16_t* neighbors, int size, int threshold) {
    uint16_t med = median_filter(neighbors, size);
    int diff = abs((int)center - (int)med);
    return diff > threshold;
}

中值法的好处是对边缘不敏感。因为中值本身就能保留边缘信息，不像均值会把边缘模糊掉。我个人的习惯是：平坦区域用梯度法，纹理区域用中值法，或者两者结合投票。

3.3 坏点校正与补偿策略

检测到坏点之后，怎么补？这里有几个常用策略。

3.3.1 中值替换

最简单粗暴的方法。用邻域中值直接替换坏点像素值。速度快，效果好，适合大多数场景。

3.3.2 线性插值

利用坏点周围正常像素做双线性插值。精度比中值高，但计算量大一些。我一般在 Bayer 格式下做，只插同色通道的像素。

3.3.3 自适应加权

根据坏点周围像素的梯度方向，选择插值方向。比如水平梯度小，就优先用水平方向的像素做插值。这个策略在边缘区域效果最好。

策略	计算量	精度	适用场景
中值替换	低	中	平坦区域、实时性要求高
线性插值	中	高	纹理区域、Bayer 格式
自适应加权	高	最高	边缘区域、高精度检测

3.4 坏点校正整体流程

下面这张图是我在实际项目中总结的 DPC 流程，你可以参考一下。

整个流程走下来，你会发现：静态坏点靠标定，动态坏点靠算法，校正策略看场景。这三件事做好了，DPC 这块基本就稳了。