坏点检测算法基础：邻域像素比较法、中底滤波法、梯度检测法

坏点检测，说白了就是在一张图像里找出那些「不对劲」的像素。我在刚入行时，总觉得这步很简单——不就是找几个亮点暗点吗？后来在量产项目中吃过亏，才发现坏点检测的水很深。今天咱们就把三种最基础的检测算法掰开揉碎讲清楚。

1. 邻域像素比较法

这是最直观的方法。它的核心逻辑很简单：如果一个像素跟它周围的邻居长得都不像，那它很可能就是坏点。

具体怎么做呢？我习惯用一个 3×3 的窗口，在图像上逐像素滑动。对每个中心像素，计算它和周围 8 个像素的差值。如果差值超过某个阈值，就标记为候选坏点。

这里有个坑——阈值怎么设？设小了误检多，设大了漏检多。我在一个手机摄像头项目里，就因为这个阈值调了整整两天。后来总结出一套经验：

• 亮场阈值：通常设为 40-60（8bit 数据），针对白色背景下的暗点
• 暗场阈值：通常设为 20-40，针对黑色背景下的亮点
• 自适应阈值：根据局部均值动态调整，效果最好但计算量大

邻域比较法有个明显的缺点——对边缘敏感。你想想看，图像边缘处的像素本来就和邻居差异大，很容易被误判为坏点。所以实际项目中，我一般会加一个边缘保护机制：先做边缘检测，边缘区域的像素不参与坏点判断。

2. 中值滤波法

这个方法很有意思。它的思路是：如果一个像素的值和中值差太多，那它就有问题。

具体流程是这样的：

1. 取 3×3 或 5×5 的窗口
2. 对窗口内所有像素排序，找到中值
3. 计算中心像素与中值的差值
4. 差值超过阈值 → 标记为坏点

为什么用中值而不是均值？我记得第一次做这个算法时，也想过用均值。后来发现均值容易被极端值拉偏——如果窗口里正好有两个坏点，均值可能就不准了。中值就稳定得多，它对 outlier 不敏感。

代码实现也很简单，我贴一段核心逻辑：

// 3x3 中值检测伪代码
for each pixel (x, y) {
    // 取 3x3 邻域
    window = getNeighborhood(image, x, y, 3);
    // 排序取中值
    median = sort(window)[4];  // 3x3 共 9 个像素，中值是第 5 个
    // 计算差值
    diff = abs(image[x][y] - median);
    // 阈值判断
    if (diff > THRESHOLD) {
        markAsBadPixel(x, y);
    }
}

3. 梯度检测法

这个方法稍微复杂一点，但检测精度更高。它的核心思想是：坏点会在局部产生异常的梯度变化。

什么是梯度？说白了就是像素值的变化率。正常图像中，相邻像素的梯度是平滑的。但坏点会在它所在的位置产生一个「突变」——梯度值会异常大。

我常用的梯度检测方案是计算四个方向的梯度：

方向	梯度计算	特点
水平方向	|P(x,y) - P(x-1,y)| + |P(x,y) - P(x+1,y)|	检测水平条纹状坏点
垂直方向	|P(x,y) - P(x,y-1)| + |P(x,y) - P(x,y+1)|	检测垂直条纹状坏点
45° 方向	|P(x,y) - P(x-1,y-1)| + |P(x,y) - P(x+1,y+1)|	检测对角线方向坏点
135° 方向	|P(x,y) - P(x-1,y+1)| + |P(x,y) - P(x+1,y-1)|	检测另一对角线方向坏点

取四个方向梯度的最大值，如果超过阈值，就判定为坏点。这样做的好处是：不管坏点出现在哪个方向，都能被检测到。

三种方法对比

我把这三种方法放在一起做了个对比，方便你根据实际场景选择：

方法	计算量	检测精度	抗噪能力	适用场景
邻域比较法	低	中	弱	简单场景、实时性要求高
中值滤波法	中	中高	强	孤立坏点、噪声环境
梯度检测法	高	高	弱	高精度要求、多方向坏点

三种方法的流程关系

下面这张图展示了三种检测方法的完整流程和它们之间的关系：

实际项目中的选择建议

说了这么多，到底该用哪种？我个人的经验是：

• 如果项目周期紧、算力有限：用邻域比较法，简单粗暴，效果够用
• 如果图像噪声大：用中值滤波法，抗噪能力强
• 如果对坏点检测精度要求极高：用梯度检测法，或者三种方法组合使用

嗯，坏点检测的基础算法就讲到这里。这三种方法虽然基础，但它们是后续所有高级算法的基石。你把这些吃透了，后面学自适应检测、机器学习检测就会轻松很多。