📚 课程目录第4章坏点检测算法

4. 坏点检测算法：基于邻域统计的DPC原理

坏点检测，说白了就是在一张图像里找出那些「不对劲」的像素。我刚开始做ISP的时候，觉得这玩意儿挺简单——不就是找几个亮点暗点嘛？后来被实际数据教育了一顿，才发现这里面的门道比想象中深得多。

今天咱们聊的，是业界最常用的方法：基于邻域统计的坏点检测。英文叫Defect Pixel Correction，简称DPC。这套思路不复杂，但很实用，我到现在做项目还经常用它打底。

4.1 什么是坏点？先定义清楚

在CMOS传感器上，坏点分三种：

类型	表现	成因
亮点	固定输出高值（接近饱和）	暗电流过大、像素漏电
暗点	固定输出低值（接近0）	光电二极管损坏、电路断路
闪烁点	输出值随机跳变	晶体管噪声异常、接触不良

你想想看，一个像素如果永远都是255或者永远都是0，那肯定有问题。但麻烦的是——有些坏点不是那么极端，它只是「偏亮」或「偏暗」，跟正常像素混在一起，很难一眼看出来。

我的经验： 实际项目中，最头疼的不是全亮全暗的坏点，而是那些「半死不活」的——输出值比正常像素高20%但没饱和，这种用简单阈值根本抓不住。

4.2 邻域统计的核心思想

坏点检测的基本假设很简单：正常像素跟它周围的邻居长得差不多，坏点则不然。

举个例子。你拍一张均匀的灰卡，正常情况下，一个像素和它周围8个邻居的值应该很接近。但如果这个像素是坏点，它的值就会明显偏离邻居们的统计分布。

基于这个思路，DPC算法一般分三步走：

选邻域——确定用哪些邻居来做比较
算统计量——计算邻居的均值、中值、标准差等
做判决——判断当前像素是否偏离正常范围

核心公式（简化版）：

if |P_center - median(neighbors)| > K * sigma(neighbors):
    标记为坏点
else:
    正常像素

其中K是阈值系数，sigma是邻域标准差。K越大，检测越宽松；K越小，越容易误检。

4.3 邻域怎么选？三种常见模式

邻域的选择直接影响检测效果。我见过不少新手一上来就用3x3窗口，结果边缘纹理全被当成坏点。这里我总结三种常用模式：

模式	窗口大小	适用场景	优缺点
十字邻域	3x3十字（上下左右）	Bayer RAW图	避免跨颜色通道比较，但信息量少
方形邻域	3x3或5x5全窗口	RGB/YUV图	信息丰富，但容易受纹理干扰
自适应邻域	动态调整	高噪声场景	效果好，但计算量大

我个人习惯在Bayer域用十字邻域。为什么？因为Bayer图里每个像素只对应一个颜色通道，你用方形窗口会把不同颜色的值混在一起算，那统计量就乱了。十字邻域只取同色通道的邻居，物理意义更清晰。

4.4 统计量怎么选？均值 vs 中值

算邻居的「正常值」有两种主流方法：均值和中值。我直接说结论——中值更靠谱。

原因很简单：均值对异常值敏感。如果你的邻域里恰好有另一个坏点，均值会被拉偏，导致误判。中值不一样，它只取排序后中间那个值，哪怕邻域里有一两个坏点，只要不超过半数，中值基本不受影响。

注意： 中值排序在硬件实现上比较费资源。如果你在做FPGA或ASIC，可以考虑用「近似中值」——比如只取4个方向上的值排序，或者用均值+裁剪的折中方案。我曾经在一个低功耗项目里用过均值+标准差裁剪，效果接近中值，但资源省了一半。

4.5 判决阈值怎么定？

阈值K是DPC算法里最敏感的参数。K设大了，坏点漏检；K设小了，好点被误杀。我见过一个项目，就因为K设得太小，把星空照片里的星星全当坏点给抹掉了——那叫一个惨。

这里给几个经验值：

低噪声场景（ISO 100-400）： K = 2.0 ~ 3.0
中等噪声场景（ISO 800-1600）： K = 3.0 ~ 4.5
高噪声场景（ISO 3200+）： K = 4.5 ~ 6.0

为什么会这样？因为噪声本身就会让像素值波动。噪声越大，正常像素和邻居的差异本来就大，阈值必须跟着放宽，否则会把噪声当成坏点。

避坑指南： 我曾经在一个手机项目里发现，同样的K值在实验室暗室环境下跑得好好的，一到户外强光下就疯狂误检。后来查了半天，发现是镜头阴影校正（LSC）没做好，边缘亮度下降导致统计量偏差。所以DPC最好放在LSC之后做，或者至少把LSC的增益考虑进阈值计算里。

4.6 完整检测流程（附SVG流程图）

下面这张图把整个DPC检测流程串起来了。你可以看到，从输入RAW图到输出坏点标记图，中间经过了邻域提取、统计计算、阈值判决三个核心环节。

4.7 代码实现：一个最小可用的DPC检测器

光说不练假把式。下面给一个Python实现，用3x3十字邻域 + 中值 + 标准差判决。代码不长，但核心逻辑都在里面了。

import numpy as np

def dpc_detect(raw_img, k=3.0):
    """
    基于邻域统计的坏点检测
    raw_img: 单通道RAW图 (H, W)
    k: 阈值系数
    返回: 坏点标记图 (H, W), 0=正常, 1=坏点
    """
    h, w = raw_img.shape
    defect_map = np.zeros_like(raw_img, dtype=np.uint8)
    
    # 边界处理：复制边缘像素
    padded = np.pad(raw_img, pad_width=1, mode='edge')
    
    for i in range(1, h+1):
        for j in range(1, w+1):
            center = padded[i, j]
            
            # 提取十字邻域（上下左右）
            neighbors = [
                padded[i-1, j],   # 上
                padded[i+1, j],   # 下
                padded[i, j-1],   # 左
                padded[i, j+1]    # 右
            ]
            
            # 计算中值和标准差
            median_val = np.median(neighbors)
            std_val = np.std(neighbors)
            
            # 判决
            if std_val > 0 and abs(center - median_val) > k * std_val:
                defect_map[i-1, j-1] = 1
    
    return defect_map

使用建议： 这段代码适合做原型验证。实际工程中，我会加上「坏点簇检测」——如果连续3x3区域里坏点超过3个，说明可能是坏点簇，需要特殊处理。另外，边界处理用edge padding比zero padding好，因为边缘像素本身值就低，用0填充会导致误检。

4.8 常见问题与避坑

最后聊几个我踩过的坑，希望能帮你省点时间。

误检率太高？ 先检查是不是噪声太大。如果是，考虑先做降噪再做DPC，或者把K值调大。
漏检率太高？ 看看是不是坏点刚好在纹理边缘。纹理边缘的像素差异本来就大，容易被当成正常。我建议对纹理区域单独降低阈值。
坏点簇怎么处理？ 单个坏点用邻域统计好办，但坏点簇里全是坏点，统计量就失效了。这种情况需要结合全局统计——比如整张图的均值、方差，或者用多帧检测。
实时性不够？ 中值排序是瓶颈。可以考虑用「快速中值」算法（比如基于直方图的），或者干脆用均值+裁剪代替。我在一个4K@60fps的项目里就是这么干的，效果损失很小。

重要提醒： DPC检测只是第一步，检测出来的坏点怎么修，是另一个大话题。下一章我们会详细讲坏点修复的各种方法——插值、滤波、多帧融合等等。但记住一个原则：检测宁可漏检，不要误检。误检会把好像素修坏，造成不可逆的画质损失。漏检至少还能保留原始信息。

嗯，关于基于邻域统计的DPC原理，今天就聊到这儿。这套方法虽然基础，但确实是ISP里最常用的坏点检测手段。你把它吃透了，后面再学更高级的算法（比如基于机器学习的、基于多帧的）就会轻松很多。