4. 坏点校正的工程实现：基于OpenCV的检测与校正代码
好，前面我们把坏点的原理、分类、统计特性都聊透了。这一章，咱们直接动手——用OpenCV把坏点检测和校正的代码写出来。
我个人习惯，学任何ISP算法，都先用Python+OpenCV快速搭一个原型。为什么？因为调试方便，能立刻看到中间结果。等算法验证通过了，再移植到C++或者硬件描述语言。你想想看，要是直接在C++里调参，编译一次半分钟，那效率太低了。
本章目标：实现一个完整的坏点检测与校正Pipeline，输入一张RAW图（或模拟的RAW图），输出校正后的图像。代码可运行、可调参、可可视化中间结果。
4.1 整体流程设计
先画一张流程图，把我们要做的事情理清楚。我每次写代码前都会画这么一张图，哪怕只是草稿。这能帮你避免写到一半发现逻辑漏洞。
4.2 模拟一张带坏点的RAW图
真实项目中，我们拿到的RAW图可能已经经过了一些预处理。但为了验证算法，我习惯先自己造一张带坏点的测试图。这样坏点的位置、强度我都清楚，调试起来心里有底。
import numpy as np
import cv2
import matplotlib.pyplot as plt
def generate_test_raw(height=512, width=512, pattern='RGGB'):
"""
生成一张模拟的Bayer RAW图（12bit，值域0-4095）
并手动注入一些坏点
"""
# 生成平滑渐变背景
x = np.linspace(0, 1, width)
y = np.linspace(0, 1, height)
X, Y = np.meshgrid(x, y)
raw = (1000 + 2000 * X + 500 * Y).astype(np.uint16) # 平滑渐变
# 注入坏点：死点（值=0）和亮点（值=4000）
np.random.seed(42)
dead_pixels = [(100, 100), (200, 300), (350, 150)]
hot_pixels = [(50, 400), (250, 50), (400, 350)]
for y, x in dead_pixels:
raw[y, x] = 0
for y, x in hot_pixels:
raw[y, x] = 4000
# 再随机加一些噪声坏点（概率0.1%）
mask = np.random.random(raw.shape) < 0.001
raw[mask] = np.random.choice([0, 4095], size=np.sum(mask))
return raw
# 生成测试图
raw_img = generate_test_raw()
print(f"RAW shape: {raw_img.shape}, dtype: {raw_img.dtype}")
print(f"Value range: {raw_img.min()} - {raw_img.max()}")小技巧：我刚开始做坏点检测时，直接用真实sensor的RAW图调试，结果死活调不对参数。后来发现是sensor本身有固定模式噪声（FPN）干扰了检测。所以建议你先用模拟图验证算法逻辑，再用真实图调参。
4.3 坏点检测核心函数
检测的思路其实很简单：对每个像素，看它和周围邻居的差异是否超过阈值。如果差异太大，就标记为坏点。
但这里有个坑——Bayer格式下，同通道的像素才有可比性。你不能拿R像素和G像素比，因为它们的响应曲线本来就不一样。所以必须先做通道分离。
def detect_bad_pixels(bayer_img, threshold=500, pattern='RGGB'):
"""
基于局部邻域比较的坏点检测
bayer_img: 输入的Bayer RAW图 (H x W)
threshold: 判定阈值，超过此值认为可能是坏点
pattern: Bayer模式，默认RGGB
返回: 坏点掩膜 (H x W)，坏点位置为255
"""
h, w = bayer_img.shape
mask = np.zeros((h, w), dtype=np.uint8)
# 根据Bayer模式确定每个像素的通道
# RGGB: (0,0)=R, (0,1)=G, (1,0)=G, (1,1)=B
channel_map = np.zeros((h, w), dtype=np.uint8)
for i in range(2):
for j in range(2):
if pattern == 'RGGB':
if i == 0 and j == 0:
ch = 0 # R
elif i == 0 and j == 1:
ch = 1 # G
elif i == 1 and j == 0:
ch = 1 # G
else:
ch = 2 # B
# 其他pattern类似，这里省略
channel_map[i::2, j::2] = ch
# 遍历每个像素，只和同通道的邻居比较
for y in range(2, h-2):
for x in range(2, w-2):
center_val = int(bayer_img[y, x])
ch = channel_map[y, x]
# 提取同通道的3x3邻域（实际是隔一个像素取）
neighbors = []
for dy in [-2, 0, 2]:
for dx in [-2, 0, 2]:
if dy == 0 and dx == 0:
continue
ny, nx = y + dy, x + dx
if 0 <= ny < h and 0 <= nx < w:
if channel_map[ny, nx] == ch:
neighbors.append(int(bayer_img[ny, nx]))
if len(neighbors) < 4:
continue
# 计算中值和偏差
median_val = np.median(neighbors)
diff = abs(center_val - median_val)
if diff > threshold:
mask[y, x] = 255
return mask注意：上面的代码为了清晰，用了双重for循环。实际工程中一定要向量化或用C++实现，否则处理一张1200万像素的图要好几秒。我在项目中第一次跑这个代码时，等了10秒才出结果，当时就意识到必须优化。
4.4 坏点校正：中值替换
检测到坏点后，校正就相对简单了。最常用的方法是中值替换——用同通道邻居的中值替代坏点值。为什么用中值而不是均值？因为中值对异常值更鲁棒，不会因为邻域里还有另一个坏点而被带偏。
def correct_bad_pixels(bayer_img, mask, pattern='RGGB'):
"""
坏点校正：用同通道邻域中值替换坏点
bayer_img: 输入RAW图
mask: 坏点掩膜（255表示坏点）
返回: 校正后的RAW图
"""
h, w = bayer_img.shape
corrected = bayer_img.copy().astype(np.uint16)
# 同样需要通道映射
channel_map = np.zeros((h, w), dtype=np.uint8)
for i in range(2):
for j in range(2):
if pattern == 'RGGB':
if i == 0 and j == 0:
ch = 0
elif i == 0 and j == 1:
ch = 1
elif i == 1 and j == 0:
ch = 1
else:
ch = 2
channel_map[i::2, j::2] = ch
# 只对坏点位置做校正
bad_y, bad_x = np.where(mask == 255)
for y, x in zip(bad_y, bad_x):
ch = channel_map[y, x]
# 收集同通道邻居
neighbors = []
for dy in [-2, 0, 2]:
for dx in [-2, 0, 2]:
if dy == 0 and dx == 0:
continue
ny, nx = y + dy, x + dx
if 0 <= ny < h and 0 <= nx < w:
if channel_map[ny, nx] == ch:
# 确保邻居本身不是坏点
if mask[ny, nx] == 0:
neighbors.append(int(bayer_img[ny, nx]))
if len(neighbors) > 0:
corrected[y, x] = np.median(neighbors).astype(np.uint16)
# 如果邻居全是坏点（极端情况），扩大搜索范围
# 实际项目中这种情况极少，这里先不处理
return corrected4.5 完整Pipeline与可视化
把检测和校正串起来，再加上可视化，方便我们观察效果。
def bad_pixel_pipeline(raw_img, threshold=500, pattern='RGGB'):
"""
坏点校正完整Pipeline
返回: 校正后图像, 坏点掩膜, 检测到的坏点数量
"""
# 检测
mask = detect_bad_pixels(raw_img, threshold, pattern)
num_bad = np.sum(mask == 255)
# 校正
corrected = correct_bad_pixels(raw_img, mask, pattern)
return corrected, mask, num_bad
# 运行Pipeline
corrected_img, bad_mask, num_bad = bad_pixel_pipeline(raw_img, threshold=500)
print(f"检测到坏点数量: {num_bad}")
# 可视化
plt.figure(figsize=(15, 5))
plt.subplot(1, 3, 1)
plt.title('原始RAW图（含坏点）')
plt.imshow(raw_img, cmap='gray', vmin=0, vmax=4095)
plt.colorbar()
plt.subplot(1, 3, 2)
plt.title(f'坏点掩膜 (共{num_bad}个)')
plt.imshow(bad_mask, cmap='hot')
plt.colorbar()
plt.subplot(1, 3, 3)
plt.title('校正后RAW图')
plt.imshow(corrected_img, cmap='gray', vmin=0, vmax=4095)
plt.colorbar()
plt.tight_layout()
plt.show()4.6 参数调优与避坑指南
阈值 threshold 是这个算法最重要的参数。设小了会把好像素误判为坏点（假阳性），设大了会漏掉真正的坏点（假阴性）。
| 阈值设置 | 效果 | 适用场景 |
|---|---|---|
| 100-300 | 非常敏感，容易误检 | 高信噪比场景，sensor噪声极低 |
| 300-800 | 平衡检测率和误检率 | 大多数消费级sensor |
| 800-2000 | 只检测明显坏点 | 低端sensor或暗光场景 |
我曾经踩过的坑：有一次在项目中，我用了固定阈值500，结果在暗光场景下把大量正常像素误判为坏点。后来才发现，暗光下sensor的噪声水平会升高，固定阈值根本扛不住。解决方案是让阈值随亮度自适应——暗区用大阈值，亮区用小阈值。这个我们后面章节会详细讲。
4.7 性能优化方向
上面给的代码是教学版，清晰但慢。实际工程中，至少要做这几项优化：
- 向量化：用NumPy的滑动窗口或卷积操作替代for循环
- 边界处理：图像边缘的像素可以跳过检测，或者用镜像填充
- 多级检测：先粗检（大阈值），再在疑似区域细检（小阈值）
- 查表法：如果sensor的坏点位置是固定的（出厂标定），直接查表比实时检测快得多
我的建议：如果你是在做产品原型，先用上面的代码跑通流程。等算法稳定了，再花一天时间做向量化优化。不要一开始就追求极致性能——算法逻辑都没验证对，优化再快也没用。