📚 课程目录第4章坏点校正算法（DPC）—— 均值滤波法

4. 坏点校正算法（DPC）—— 均值滤波法

坏点校正，说白了就是给传感器“祛痘”。

每个传感器出厂时都带着或多或少的坏点——有的永远亮着（白点），有的永远黑着（黑点），还有的时好时坏（闪点）。如果不处理，拍出来的照片就像长了麻子。今天咱们聊的均值滤波法，是最基础、最直观的校正手段。

4.1 均值滤波法的核心思想

均值滤波的思路很简单：用坏点周围的好像素，取个平均值，把坏点替换掉。

你想想看，如果某个像素明显比周围亮或暗很多，那它大概率是坏的。这时候我们不看它，只看它上下左右四个邻居（或者八个邻居），算个均值填进去。嗯，就是这么朴实无华。

核心公式：

P_new = (P_top + P_bottom + P_left + P_right) / 4

或者用 3×3 邻域：P_new = (∑P_neighbor) / N

我个人习惯用 3×3 邻域，因为信息量更大，校正后过渡更自然。但要注意——如果坏点刚好在边缘，邻居不够怎么办？后面我会讲边界处理。

4.2 算法流程

均值滤波法校正坏点，一般分三步走：

坏点检测——判断当前像素是不是坏点
邻域采样——收集周围好像素的值
均值替换——用均值覆盖坏点

我在项目中遇到过一种情况：有些坏点其实没那么“坏”，只是稍微偏亮或偏暗。这时候如果直接用均值替换，反而会引入新的伪影。所以检测阈值要设得合理，不能太敏感，也不能太迟钝。

检测方法

最简单的检测方法：比较当前像素与邻域均值的差值。如果差值超过阈值，就判定为坏点。

避坑指南：我曾经把阈值设得太低，结果把正常纹理也当坏点给抹了，画面糊成一片。后来我改成动态阈值——根据局部方差自动调整，效果好了很多。

4.3 优缺点分析

优点	缺点
实现简单，计算量小	会模糊边缘细节
对孤立坏点效果很好	对坏点簇（连续多个坏点）效果差
不需要存储坏点位置表	阈值需要手动调参
适合硬件实现	对纹理区域容易误判

说白了，均值滤波法是个“快刀斩乱麻”的方案。如果你的传感器坏点不多、分布稀疏，它完全够用。但如果坏点成片出现，或者你追求极致画质，那得考虑更高级的算法（比如中值滤波、自适应滤波）。

4.4 Python 代码实现

下面是我写的一个简单实现。注意，这里我用的是 3×3 邻域，边界做了镜像填充。

import numpy as np
import cv2

def mean_dpc(image, threshold=30):
    """
    均值滤波法坏点校正
    :param image: 输入图像 (H, W) 单通道
    :param threshold: 坏点检测阈值
    :return: 校正后的图像
    """
    h, w = image.shape
    # 边界填充（镜像模式）
    padded = np.pad(image, pad_width=1, mode='reflect')
    output = image.copy()

    for i in range(1, h+1):
        for j in range(1, w+1):
            center = padded[i, j]
            # 提取 3x3 邻域（排除中心点）
            neighbors = padded[i-1:i+2, j-1:j+2].flatten()
            neighbors = np.delete(neighbors, 4)  # 去掉中心
            mean_val = np.mean(neighbors)

            # 判断是否为坏点
            if abs(center - mean_val) > threshold:
                output[i-1, j-1] = int(mean_val)

    return output

# 使用示例
raw = cv2.imread('raw_image.png', cv2.IMREAD_GRAYSCALE)
corrected = mean_dpc(raw, threshold=25)
cv2.imwrite('corrected.png', corrected)

注意：这段代码是单通道版本。实际 Bayer 图像有 RGGB 四个通道，需要分别处理。而且不同通道的阈值可能不一样——绿色通道的坏点通常比红蓝通道更敏感。

4.5 效果对比

我拿一张带坏点的测试图跑了一下，效果很明显：

校正前：图像上有明显的白点和黑点，尤其是暗部区域，坏点特别扎眼
校正后：坏点被平滑掉了，画面干净很多。但仔细看边缘，会有一点点模糊

为什么会这样？因为均值滤波不分青红皂白，把坏点和边缘信息一起抹了。这也是它最大的短板。

经验数据：

阈值设置在 20-40 之间比较合理（针对 8bit 图像）。

如果图像噪声大，阈值要适当提高，否则会把噪声当成坏点。

如果坏点特别亮（比如饱和到 255），建议先做饱和检测，再做坏点校正。

4.6 知识结构图

下面这张图总结了均值滤波法 DPC 的核心逻辑：

4.7 小结

均值滤波法 DPC 是入门级的坏点校正方案。它简单、快速、容易上手，适合坏点稀疏的场景。但如果你追求更高的画质，或者传感器坏点比较多，建议结合中值滤波或自适应滤波一起使用。

嗯，这一章就到这里。均值滤波法虽然基础，但理解它的原理和局限，对后面学习更高级的 DPC 算法会很有帮助。