3. 坏点校正（DPC）：静态坏点与动态坏点检测算法，以及常用的校正策略
坏点校正，简称 DPC，是 ISP 流水线里最基础、但也最容易被忽视的一环。我见过不少团队把精力全花在 3A 上，结果 sensor 送进来的图全是星星点点的白斑或黑点，后面调得再好也白搭。说白了，坏点就是 sensor 上那些「不听话」的像素——该亮的时候不亮，该暗的时候不暗。
我个人习惯把坏点分成两类：静态坏点和动态坏点。处理思路完全不同，咱们一个一个说。
3.1 静态坏点检测
静态坏点，就是出厂就有的、或者随着时间推移固定坏掉的像素。这类坏点的位置是固定的，检测起来相对简单。
常用的检测方法：
- 全黑帧检测：盖上镜头盖，拍一张全黑图。正常像素输出值应该接近 0，坏点（亮点）会输出明显高于阈值的值。
- 全白帧检测：对着均匀光源拍一张全白图。正常像素输出值应该接近饱和值，坏点（暗点）会输出明显低于阈值的值。
- 差值法：连续拍多帧，计算每个像素的均值与方差。方差过大的像素，大概率是坏点。
关键参数：
- 亮点阈值：全黑帧中，像素值 > 10（12-bit RAW）即视为坏点
- 暗点阈值：全白帧中，像素值 < 最大值 - 50 即视为坏点
- 坏点列表：检测到的坏点坐标存入 OTP 或 flash，上电时加载
我在项目中遇到过一个问题：某款 sensor 出厂时坏点列表是好的，但用了半年后，高温环境下新冒出来一批坏点。静态检测只能抓到出厂时的，运行中产生的就抓不到了。这就引出了动态坏点检测。
3.2 动态坏点检测
动态坏点，是 sensor 在工作过程中临时出现的异常像素。温度变化、电压波动、强光照射都可能诱发。这类坏点位置不固定，必须实时检测。
实时检测的核心思路：
说白了，就是拿当前像素跟它周围的邻居比。如果差异太大，就判定为坏点。具体做法有很多种，我挑两种最常用的讲。
方法一：基于邻域统计的检测
// 伪代码：5x5 邻域坏点检测
for each pixel P at (x, y):
// 取 5x5 邻域，排除中心点
neighbors = get_5x5_neighbors(x, y)
mean = average(neighbors)
std = standard_deviation(neighbors)
// 如果中心点偏离均值超过 3 倍标准差
if abs(P - mean) > 3 * std:
mark_as_defect(x, y)
方法二：基于方向梯度的检测
这个方法我比较喜欢，因为它能区分「边缘」和「坏点」。你想想看，如果像素在边缘上，它跟邻居的差异本来就大，但那是正常的。方向梯度法会检查四个方向（水平、垂直、两个对角线）的梯度，如果某个方向梯度异常大，而其他方向正常，那大概率是边缘；如果四个方向梯度都异常，那就是坏点。
| 检测方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 邻域统计法 | 实现简单，计算量小 | 容易误判边缘 | 低噪声 sensor，平坦区域多 |
| 方向梯度法 | 能区分边缘与坏点 | 计算量稍大 | 高噪声 sensor，纹理复杂场景 |
| 自适应阈值法 | 鲁棒性好，适应不同亮度 | 需要额外统计全局亮度 | 光照变化大的场景 |
注意：动态检测最怕的就是「误杀」。我曾经在一个项目中，把星空的星星误判成了坏点，结果整张图被抹得干干净净。后来加了一个「亮度梯度保护」——如果当前像素的亮度梯度与周围像素一致，即使值异常也不判为坏点。
3.3 坏点校正策略
检测到坏点之后，怎么修？常用的策略有下面几种。
策略一：邻域均值替换
最简单粗暴的方法。取坏点周围 3x3 或 5x5 邻域内正常像素的均值，直接替换坏点值。
// 3x3 邻域均值校正
P_defect = (P_tl + P_tc + P_tr +
P_ml + P_mr +
P_bl + P_bc + P_br) / 8
优点：实现简单，速度快。缺点：会模糊细节，尤其是坏点位于边缘时。
策略二：中值替换
取邻域内像素的中值，而不是均值。中值对异常值不敏感，效果比均值好一些。
我的经验：中值替换在消除孤立坏点时效果很好，但如果坏点成片出现（比如 2x2 的 cluster），中值也会失效。这时候需要更大的邻域，或者用更复杂的插值算法。
策略三：方向插值
先判断坏点所在区域的纹理方向，然后沿着该方向取两个正常像素做线性插值。比如水平边缘，就用左右两个像素的平均值。
// 水平方向插值
if (is_horizontal_edge(x, y)):
P_defect = (P_left + P_right) / 2
// 垂直方向插值
else if (is_vertical_edge(x, y)):
P_defect = (P_top + P_bottom) / 2
// 对角线方向插值
else:
P_defect = (P_tl + P_tr + P_bl + P_br) / 4
策略四：自适应校正
这是目前工业界用得最多的方法。结合多种策略，根据坏点周围的纹理复杂度、亮度水平、噪声水平，动态选择最优的校正方式。
我参与过的一个项目中，我们用了这样的分级策略：
- 孤立坏点：中值替换（3x3 邻域）
- 边缘坏点：方向插值（沿边缘方向）
- 成片坏点：扩大邻域到 5x5，用加权均值
- 高亮区域坏点：保持原值不校正（防止过曝区域被错误修正）
3.4 DPC 在 ISP 流水线中的位置
坏点校正通常放在 ISP 的最前面，在去噪、去马赛克之前。为什么？因为坏点如果不先处理掉，后面的算法会把坏点当成真实信号，越处理越糟糕。
3.5 工程实现中的注意事项
嗯，这里要注意几个坑，我踩过不少。
坑一：坏点列表的存储与更新
静态坏点列表一般存在 sensor 的 OTP 里，或者存在主板的 flash 中。但 sensor 用久了会老化，新坏点会不断出现。我建议在产线测试时留一个「坏点更新接口」，允许在售后阶段通过固件升级更新坏点列表。
坑二：动态检测的阈值设置
阈值设得太低，误判多；设得太高，漏判多。我的做法是：先根据 sensor 的噪声模型算出一个基础阈值，然后在实际场景中微调。不同亮度下的阈值应该不同——暗区噪声大，阈值要放宽；亮区噪声小，阈值可以收紧。
坑三：性能与精度的平衡
动态检测如果做 5x5 甚至 7x7 的邻域统计，计算量会很大。在嵌入式平台上，我通常的做法是：
- 先做一次快速的 3x3 检测，筛掉大部分正常像素
- 对疑似坏点再做 5x5 的精细检测
- 这样能节省 70% 以上的计算量
避坑指南：我曾经在一个项目中，为了追求检测精度，把邻域开到了 7x7。结果帧率直接掉了一半。后来改成两级检测，精度没降，帧率回来了。记住：工程实现不是算法竞赛，够用就好。
3.6 总结
坏点校正这件事，说难不难，说简单也不简单。静态坏点靠列表，动态坏点靠算法。校正策略上，我建议优先用方向插值，实在不行再退回到均值或中值。最重要的是，一定要把 DPC 放在 ISP 的最前面，别让坏点污染了后面的处理。
最后说一句：没有完美的坏点校正算法，只有最适合你 sensor 和场景的方案。多试、多调、多测，才是正道。