4. 坏点校正（DPC）：静态与动态坏点检测算法、校正策略、调试参数优化
坏点校正，圈内人常叫 DPC（Defect Pixel Correction）。说白了，就是处理 sensor 上那些「不听话」的像素点。有的永远亮着，有的永远暗着，还有的时好时坏——这些统称坏点。
我刚开始做 ISP 时，觉得 DPC 不就是个中值滤波嘛。后来被一个项目狠狠教育了——sensor 温度一高，坏点像雨后春笋一样冒出来，静态表根本不够用。从那以后，我对 DPC 的认知才算真正到位。
4.1 坏点分类与成因
先搞清楚敌人长什么样。坏点按行为分三类：
| 类型 | 表现 | 成因 | 出现时机 |
|---|---|---|---|
| 静态亮点 | 固定像素值偏高（接近饱和） | 制造缺陷、光刻污染 | 出厂即存在 |
| 静态暗点 | 固定像素值偏低（接近黑电平） | 暗电流异常、电路断路 | 出厂即存在 |
| 动态坏点 | 随机出现，时好时坏 | 温度漂移、高增益噪声、辐射 | 使用过程中出现 |
静态坏点好办，出厂标定一次就行。动态坏点才是真正的麻烦——你永远不知道它什么时候冒出来。
4.2 静态坏点检测算法
静态坏点检测，说白了就是「找茬」。在暗场和亮场下分别抓图，对比理论值和实际值。
4.2.1 暗场标定法
盖上镜头盖，拍一张全黑图。正常像素应该接近黑电平值。如果某个像素明显偏亮，那就是亮点。
// 暗场标定伪代码
for each pixel (x, y):
if pixel_value > (black_level + dark_threshold):
mark as static_white_defect[x][y] = true4.2.2 亮场标定法
对着均匀光源（比如积分球），拍一张全白图。正常像素应该接近饱和值。如果某个像素明显偏暗，那就是暗点。
// 亮场标定伪代码
for each pixel (x, y):
if pixel_value < (saturation_level - bright_threshold):
mark as static_black_defect[x][y] = true我个人习惯把两张标定结果合并成一张坏点地图（Defect Map），存到 sensor 的 OTP 或者系统 flash 里。每次上电直接加载，不用重新检测。
4.3 动态坏点检测算法
动态坏点检测，核心思路是「看邻居」。如果一个像素和它周围的像素差异太大，那它大概率有问题。
4.3.1 基于梯度的检测
计算当前像素在四个方向（水平、垂直、45°、135°）上的梯度。如果所有方向的梯度都超过阈值，判定为坏点。
// 梯度检测核心逻辑
grad_h = abs(pixel - left) + abs(pixel - right)
grad_v = abs(pixel - up) + abs(pixel - down)
grad_d1 = abs(pixel - up_left) + abs(pixel - down_right)
grad_d2 = abs(pixel - up_right) + abs(pixel - down_left)
if min(grad_h, grad_v, grad_d1, grad_d2) > gradient_threshold:
mark as dynamic_defect为什么会这样？因为正常图像中，像素值在局部是连续的。坏点就像一个「突兀的尖峰」，四个方向都会产生大梯度。
4.3.2 基于统计的检测
另一种思路：计算当前像素和周围 8 邻域的均值、中值。如果偏差超过 3σ 或某个倍数，判定为坏点。
// 统计检测核心逻辑
neighbors = [p1, p2, ..., p8]
median_val = median(neighbors)
diff = abs(pixel - median_val)
if diff > median_val * ratio_threshold:
mark as dynamic_defect嗯，这里要注意：统计法对纹理区域容易误检。你想想看，一条细线边缘的像素，和邻域差异也很大，但它不是坏点。所以实际工程中，我通常把梯度法和统计法结合使用。
4.4 校正策略
检测到坏点后，怎么修？校正策略直接决定图像质量。
4.4.1 中值替换法
最简单粗暴。用周围 3x3 或 5x5 窗口的中值替换坏点。
// 中值替换
corrected_pixel = median(neighbors_3x3)优点：实现简单，对孤立坏点效果好。
缺点：在边缘区域会模糊细节。
4.4.2 方向插值法
先判断坏点所在区域的纹理方向，然后沿该方向插值。
// 方向插值
// 1. 计算四个方向的梯度
// 2. 选择梯度最小的方向（纹理方向）
// 3. 沿该方向取两个像素做线性插值
if grad_h < grad_v:
corrected = (left + right) / 2
else:
corrected = (up + down) / 2我建议在边缘丰富的场景（比如文字、建筑）使用方向插值法。效果比中值替换好一个档次。
4.4.3 自适应校正
结合以上两种方法，根据局部纹理复杂度动态选择校正策略。
| 局部纹理复杂度 | 推荐策略 | 说明 |
|---|---|---|
| 平坦区域 | 中值替换 | 计算快，效果足够 |
| 边缘区域 | 方向插值 | 保护边缘细节 |
| 纹理密集区 | 加权混合 | 中值和方向插值按权重融合 |
4.5 调试参数优化
DPC 调试，说白了就是调一堆阈值。调得好，坏点全消；调不好，要么漏检，要么误检。
4.5.1 关键参数清单
| 参数 | 含义 | 典型范围 | 调优方向 |
|---|---|---|---|
gradient_threshold |
梯度检测阈值 | 20-80（8bit） | 越大越漏检，越小越误检 |
ratio_threshold |
统计偏差比例 | 0.3-0.6 | 越大越漏检，越小越误检 |
window_size |
检测窗口大小 | 3x3, 5x5 | 越大越鲁棒，但计算量增加 |
max_defect_count |
单帧最大校正数 | 10-100 | 防止过度校正导致图像模糊 |
4.5.2 调优流程
- 准备测试图： 暗场、亮场、灰阶卡、ISO 12233 分辨率卡。
- 粗调梯度阈值： 在灰阶卡上调整，确保无明显误检。
- 细调比例阈值： 在暗场上调整，确保动态亮点被检出。
- 验证边缘保护： 在分辨率卡上检查边缘是否模糊。
- 温度循环测试： 在 -20°C 到 60°C 范围内验证稳定性。
4.6 DPC 整体流程框架
下面这张图是我自己总结的 DPC 处理流程，从检测到校正，再到参数反馈，形成一个闭环。
这个流程里，我最想强调的就是那个「参数反馈调优」回路。很多工程师做完检测和校正就收工了，但实际场景中，坏点行为会随着 sensor 老化、温度变化而漂移。我建议在系统中加入一个统计模块，定期分析校正后的图像，如果发现某个区域频繁被校正，就动态调整该区域的检测阈值。