4、坏点校正（DPC）：静态与动态坏点检测、校正算法选择
坏点校正，说白了就是给图像传感器“排雷”。
每个传感器都有坏点，这是物理规律。我经手过的项目里，没有一颗sensor是完美无缺的。坏点不处理，拍出来的照片就像脸上长了麻子，尤其是暗光下，那叫一个明显。
这一章，咱们就聊聊怎么把这些“雷”找出来，再填平它。
4.1 坏点的本质：它长什么样？
坏点分三种，我习惯用“死、活、偏”来记：
| 类型 | 表现 | 成因 |
|---|---|---|
| 死点（Dead Pixel） | 始终为0或接近0，全黑 | 光电二极管损坏，完全不感光 |
| 亮点（Hot Pixel / Stuck Pixel） | 始终为最大值或接近最大值，全白 | 电路漏电或击穿，持续输出高电平 |
| 偏点（Defect Pixel） | 响应曲线偏移，比正常像素亮或暗 | 制造工艺偏差，增益异常 |
你想想看，一个亮点在暗场下就像黑夜里的灯泡，非常扎眼。而死点在亮场下，就像白墙上有个黑点，同样无法忍受。
关键指标：坏点率通常用PPM（百万分之一）表示。消费级sensor的坏点率一般在50-200 PPM之间。但这不是重点，重点是坏点的分布——如果坏点扎堆出现在人脸区域，那画面就毁了。
4.2 静态坏点检测：出厂就定好的“黑名单”
静态坏点检测，就是给sensor做一次“入职体检”。
我在项目中遇到过，有些模组厂为了赶工期，静态坏点表做得非常粗糙，结果量产时发现大量坏点投诉。嗯，后来我们强制要求每颗模组都必须生成独立的静态坏点表。
4.2.1 检测流程
- 采集暗场：盖上镜头盖，拍一张全黑图。曝光时间要足够长，让正常像素的噪声充分显现。
- 采集亮场：对着均匀光源（如积分球），拍一张全白图。亮度控制在饱和值的80%左右。
- 阈值判定：
- 暗场中，像素值 > 暗场阈值 + 噪声标准差 × K → 标记为亮点
- 亮场中，像素值 < 亮场阈值 - 噪声标准差 × K → 标记为死点
- 生成坏点表：将坐标写入OTP（One Time Programmable）或校准文件。
我的经验：K值一般取3~5。K=3时检测灵敏度高，但容易把正常像素误判为坏点（虚警）；K=5时虚警率低，但可能漏掉轻微坏点。我通常先用K=3做一次粗筛，再用K=5做一次确认，取交集。
4.2.2 静态校正：查表替换
校正方法很简单——查坏点表，找到坏点坐标，然后用周围像素插值替换。
// 伪代码：坏点校正（中值替换）
for each pixel (x, y) in bad_pixel_table:
// 取3x3邻域内的正常像素
neighbors = get_valid_neighbors(x, y, 3)
// 用中值替换坏点
output[x][y] = median(neighbors)
常用的插值方法有：
- 中值滤波：鲁棒性好，能抵抗孤立噪声，但会损失细节。
- 均值滤波：计算简单，但容易模糊边缘。
- 方向插值：沿边缘方向插值，保留细节效果好，但计算量大。
我个人习惯在边缘区域用方向插值，在平坦区域用中值滤波。这样既能保细节，又能省算力。
4.3 动态坏点检测：实时抓“现行”
静态坏点表只能处理出厂时就存在的坏点。但sensor在使用过程中，受温度、电压、老化等因素影响，会不断产生新的坏点。这就是动态坏点。
说白了，静态坏点是“已知罪犯”，动态坏点是“实时犯罪”。
4.3.1 检测原理
动态坏点检测的核心思想是：坏点与周围像素的差异，远大于正常像素之间的差异。
具体做法：
- 对每个像素，计算它与周围8个像素的差值。
- 如果差值超过某个动态阈值，就标记为候选坏点。
- 对候选坏点做多帧确认——连续N帧都被标记，才最终判定为坏点。
注意：动态阈值不能是固定值。它应该根据当前帧的噪声水平自适应调整。我曾经见过一个项目，动态阈值设死了，结果在暗光下把大量正常像素误判为坏点，画面全是“马赛克”。
4.3.2 自适应阈值计算
我常用的自适应阈值公式：
threshold = base_threshold + noise_level * gain_factor
- base_threshold：基础阈值，通常取10~20（8bit数据）。
- noise_level：当前帧的噪声估计值，可以用局部标准差或全局噪声模型。
- gain_factor：增益因子，通常取2~4。增益越高，阈值越大，避免在暗光下误判。
4.4 校正算法选择：什么时候用哪种？
校正算法没有银弹。不同的场景，适合不同的方法。我整理了一个对比表：
| 算法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 中值替换 | 鲁棒性强，实现简单 | 模糊细节，边缘锯齿 | 平坦区域、静态坏点 |
| 均值替换 | 计算量最小 | 易受噪声影响，模糊严重 | 低端芯片、实时性要求极高 |
| 方向插值 | 保留边缘细节 | 计算量大，方向判断可能出错 | 边缘区域、高画质要求 |
| 梯度自适应 | 兼顾细节和平坦区域 | 实现复杂，需要调参 | 动态坏点、通用场景 |
我个人的经验是：静态坏点用中值替换，动态坏点用梯度自适应。前者稳定可靠，后者灵活智能。
4.5 知识结构图：坏点校正全景
下面这张图，帮你把整个DPC模块的脉络理清楚：
4.6 避坑指南：我踩过的那些坑
做DPC调优这么多年，我踩过的坑不少。挑几个典型的说说：
- 静态坏点表不更新：我曾经遇到一个项目，sensor在高温下产生了大量新坏点，但静态坏点表还是出厂时的。结果就是，温度一高，画面全是亮点。后来我们加了一个“在线坏点更新”机制——每1000帧检测一次，把新发现的坏点加入动态表。
- 动态检测阈值太激进：有一次，为了追求“零坏点”，我把动态阈值设得非常低。结果在暗光下，正常像素的噪声被误判为坏点，画面全是闪烁的“星星”。嗯，后来我学乖了——阈值一定要和噪声水平联动。
- 校正算法选错：在纹理丰富的区域用中值替换，结果边缘全糊了。后来我改用方向插值，效果立竿见影。所以，没有最好的算法，只有最合适的场景。
重要提醒：DPC一定要放在BLC（黑电平校正）之后、去噪之前。为什么？因为BLC会改变像素的数值，如果先做DPC再做BLC，坏点检测的阈值就全乱了。这个顺序问题，我见过不止一个团队搞反。
好了，坏点校正这块，核心就是“检测”和“校正”两件事。检测要准，校正要稳。静态坏点靠出厂校准，动态坏点靠实时检测。校正算法根据场景灵活选择——平坦区用中值，边缘区用方向，通用场景用梯度自适应。
记住一句话：坏点校正不是要把所有坏点都消灭，而是让坏点“看起来不像坏点”。