📚 课程目录第3章坏点校正（DPC）

3. 坏点校正（DPC）：静态坏点与动态坏点、坏点检测算法、校正策略与调试经验

坏点校正，简称 DPC，是 ISP Pipeline 里非常基础但又极其关键的一环。说白了，就是 sensor 本身有瑕疵，拍出来的图像上会有一些不该出现的亮点或暗点。如果不处理，后面做降噪、锐化，这些坏点会被放大，非常难看。

我刚开始接触 ISP 时，觉得坏点校正不就是把坏点找出来替换掉吗？后来在实际项目中才发现，这里面的坑远比想象的多。尤其是动态坏点，稍不注意就会把图像细节误判成坏点，或者漏掉真正的坏点。

3.1 静态坏点与动态坏点

先搞清楚两种坏点的区别。这是做 DPC 的前提。

类型	定义	表现	成因
静态坏点	位置固定，亮度值始终异常	全黑下为亮点（hot pixel）或全白下为暗点（dead pixel）	sensor 制造缺陷、物理损伤
动态坏点	位置不固定，随温度、增益、曝光时间变化	高增益或长曝光时出现，低增益时消失	sensor 暗电流不均匀、温度噪声

静态坏点好处理。出厂时做一次标定，把坏点坐标存到 OTP 里，后面直接查表替换就行。我遇到过最头疼的是动态坏点。有一次在暗光场景下，用户发现画面里时不时冒出一个白点，但位置不固定。查了半天，原来是 sensor 温度升高后，某些像素的暗电流突然增大，变成了临时坏点。

注意：动态坏点无法通过出厂标定解决。必须靠实时检测算法来捕捉。这也是 DPC 调试中最容易出问题的地方。

3.2 坏点检测算法

检测坏点，核心思路就是看当前像素和周围邻居的差异是否过大。常用的方法有两种：梯度法和中值法。

3.2.1 梯度法

梯度法比较直观。计算当前像素在四个方向（水平、垂直、两个对角线）上的梯度值。如果某个方向的梯度远大于其他方向，且当前像素值明显偏离邻域均值，就判定为坏点。

// 伪代码：梯度法检测坏点
// 以 3x3 窗口为例，中心像素为 P(i,j)
grad_h = |P(i,j-1) - P(i,j+1)|
grad_v = |P(i-1,j) - P(i+1,j)|
grad_d1 = |P(i-1,j-1) - P(i+1,j+1)|
grad_d2 = |P(i-1,j+1) - P(i+1,j-1)|

min_grad = min(grad_h, grad_v, grad_d1, grad_d2)
max_grad = max(grad_h, grad_v, grad_d1, grad_d2)

if (max_grad / min_grad > threshold) && (|P(i,j) - median| > diff_threshold):
    mark as defect pixel

梯度法的优点是计算量小，适合硬件实现。但缺点也很明显：对纹理边缘敏感。你想想看，如果当前像素正好在一条细线上，梯度法很容易把它误判成坏点。我在一个项目中就吃过这个亏，拍出来的文字边缘全是斑点，后来不得不降低梯度阈值，改用中值法。

3.2.2 中值法

中值法更鲁棒一些。取当前像素周围邻域的中值，如果当前像素与中值的差异超过某个阈值，就认为是坏点。

// 伪代码：中值法检测坏点
// 5x5 窗口，取周围 24 个像素的中值
median_val = median(neighbors_24)
diff = |P(i,j) - median_val|

if diff > threshold:
    mark as defect pixel

中值法对纹理的误判率更低，因为中值本身不受单个异常值影响。但计算中值需要排序，硬件开销比梯度法大。实际工程中，我一般会结合两种方法：先用梯度法做粗筛，再用中值法做确认。这样既能保证速度，又能降低误判。

  我的经验：动态坏点的检测阈值不能固定。我习惯根据 sensor 的增益和温度做自适应调整。增益越高，阈值越低，因为动态坏点在高增益下更明显。温度每升高 10 度，阈值可以降低 10%-15%。

3.3 坏点校正策略

检测到坏点后，怎么替换？常用的策略有两种：插值替换和自适应滤波。

3.3.1 插值替换

最简单的做法。用坏点周围正常像素的平均值或中值替换坏点。

// 伪代码：插值替换
// 以 3x3 窗口为例，只取非坏点像素做平均
valid_pixels = []
for each neighbor in 3x3 window:
    if not is_defect(neighbor):
        valid_pixels.append(neighbor)

if len(valid_pixels) > 0:
    P(i,j) = mean(valid_pixels)
else:
    // 周围全是坏点，扩大窗口
    P(i,j) = interpolate_from_larger_window()

插值替换的优点是简单、速度快。但缺点也很直接：如果坏点周围也有坏点，或者坏点位于纹理区域，替换后的像素会显得不自然。我记得有一次调试，坏点正好在一条边缘上，插值后边缘出现了明显的锯齿。

3.3.2 自适应滤波

自适应滤波更聪明一些。它会根据坏点周围的内容特征，选择不同的滤波方式。

平坦区域：用均值滤波，平滑效果好。
边缘区域：用方向性滤波，只沿边缘方向做插值，保护边缘。
纹理区域：用中值滤波，保留纹理细节。

自适应滤波的效果更好，但计算量也更大。我一般在高端产品上用自适应滤波，在低端产品上用插值替换。说白了，还是成本和性能的权衡。

小技巧：自适应滤波中判断区域类型，可以用前面梯度法算出来的梯度值。梯度小的区域是平坦区，梯度大的区域是边缘或纹理。这样可以把检测和校正两个模块复用一部分计算资源。

3.4 调试经验与常见问题

做 DPC 调试这么多年，踩过的坑不少。挑几个典型的说说。

3.4.1 误判问题

最常见的坑。把图像细节当成坏点处理了。比如星空照片里的星星、远处灯光、甚至人脸的高光。我曾经在一个安防项目中，把监控画面里路灯的光晕全当坏点给抹掉了，结果晚上画面一片模糊。

解决办法：增加保护机制。检测到坏点后，先判断它是否属于高频纹理。如果是，就降低校正强度，甚至不处理。

3.4.2 漏判问题

动态坏点漏判，通常是因为阈值设得太高。但阈值设低了，又容易误判。这是个两难问题。

解决办法：我个人的习惯是，把阈值分成两级。第一级用较严格的阈值，确保不误判；第二级用较宽松的阈值，对第一级未覆盖的区域做补充检测。两级检测的结果取并集。

3.4.3 校正后图像模糊

坏点校正后，图像局部变模糊。这通常是因为校正算法把坏点周围的正常像素也一起平滑了。

解决办法：只替换坏点本身，不要动邻居像素。另外，校正后可以加一个微弱的锐化，补偿模糊。

避坑指南：我曾经在调试时发现，某些 sensor 在低增益下坏点不明显，但高增益下坏点数量暴增。后来查资料才知道，这是 sensor 的「暗电流非均匀性」导致的。解决办法是在高增益下启用更激进的 DPC 参数，低增益下用保守参数。千万别一套参数打天下。

3.5 DPC 知识体系总览

下面这张图总结了 DPC 的核心知识结构。你可以把它当作调试时的参考地图。

这张图把 DPC 的四个核心环节串起来了：坏点类型 → 检测算法 → 校正策略 → 调试要点。你在实际调试时，可以按这个顺序一步步排查问题。