3、去马赛克算法：Bayer插值算法、边缘导向插值、伪影抑制策略

好，我们进入第三章。去马赛克，也叫Demosaic，是ISP Pipeline里最基础也最要命的一步。说白了，就是传感器只给了你每个像素一个颜色值——R、G、B中的一个，你得靠猜把另外两个颜色补全。

我早年刚接触这行时，觉得不就是插值嘛，双线性搞一搞不就完了？结果第一次看到满屏的彩色锯齿和伪色，才意识到这活儿没那么简单。你想想看，一个2000万像素的Bayer阵列，有将近一半的绿色信息是缺失的，红色和蓝色更是丢了四分之三。怎么补？补不好，后面的降噪、锐化全白搭。

3.1 Bayer CFA与插值基础

先看Bayer阵列长什么样。最常见的RGGB模式：

R  G  R  G  ...
G  B  G  B  ...
R  G  R  G  ...
G  B  G  B  ...

每个像素只记录一种颜色。绿色占一半，红蓝各占四分之一。为什么绿色多？因为人眼对绿色最敏感，这是仿生学的设计。

最简单的插值方法——双线性插值。比如要算一个红色像素位置的绿色值，就把它上下左右四个绿色像素取平均。代码长这样：

// 双线性插值示例：在R位置插值G
G_at_R = (G_left + G_right + G_up + G_down) / 4;

这个方法快，但问题也明显。我曾在某个低端平台上用过它，结果拍出来的文字边缘全是彩色条纹，客户直接退货。为什么？因为双线性插值假设图像是平滑过渡的，但真实场景里边缘和纹理到处都是，它根本扛不住。

3.2 边缘导向插值

既然双线性不行，那就得看方向。边缘导向插值的思路很简单：先判断当前像素是处在水平边缘还是垂直边缘，然后顺着边缘方向插值，不要跨过边缘。

具体怎么做？我习惯用梯度检测。比如在R位置插G：

// 计算水平和垂直梯度
delta_H = abs(G_left - G_right);
delta_V = abs(G_up - G_down);

if (delta_H < delta_V) {
    // 水平方向更平滑，用水平邻居
    G_at_R = (G_left + G_right) / 2;
} else if (delta_V < delta_H) {
    // 垂直方向更平滑，用垂直邻居
    G_at_R = (G_up + G_down) / 2;
} else {
    // 两个方向差不多，用全平均
    G_at_R = (G_left + G_right + G_up + G_down) / 4;
}

这个方法比双线性好很多。我在一个1080p的监控项目里用过它，边缘清晰度提升了大概30%，伪色也少了很多。但注意，它也有坑——如果纹理是斜45度的，水平和垂直梯度都很大，算法会选错方向，产生拉链效应。

更高级的做法是自适应方向插值。不光看水平和垂直，还看对角方向，甚至用多尺度梯度加权。我建议你在实际项目中至少做到4方向梯度检测，8方向更好，但代价是计算量翻倍。

算法	边缘质量	伪色抑制	计算量	适用场景
双线性插值	差	差	极低	低端、实时预览
边缘导向插值	中	中	低	中端、监控
自适应方向插值	好	好	中	主流手机
基于深度学习的插值	极好	极好	高	旗舰机、计算摄影

3.3 伪影抑制策略

伪影是去马赛克最大的敌人。常见的伪影有三种：

• 拉链效应（Zippering）：沿着边缘出现交替的亮暗像素，像拉链一样。
• 伪色（False Color）：在黑白边缘出现红、蓝、紫等不该有的颜色。
• 摩尔纹（Moiré）：在密集纹理区域出现波浪状的干涉条纹。

怎么抑制？我总结了几条实战经验：

1. 先插G，再插R/B。绿色通道信息最完整，先恢复G通道，然后用G通道作为引导去插R和B。这叫色差导向插值，效果比独立插值好很多。
2. 色差恒定假设。在局部区域内，R-G和B-G的差值变化很慢。利用这个特性，可以用已插好的G值来修正R/B的插值结果。我在一个项目中用这个方法，伪色减少了大概60%。
3. 后处理滤波。插值完成后，用中值滤波或双边滤波去扫一遍伪色区域。注意滤波强度要小，否则会把边缘也抹掉。

3.4 知识结构图：去马赛克算法全景

下面这张图把整个去马赛克的流程和关键节点串起来了。你可以把它当作调试时的路线图。

3.5 实战建议与调试顺序

如果你现在要调一个平台的去马赛克模块，我建议按这个顺序来：

1. 先跑标准测试图——ISO 12233分辨率卡、色卡、灰阶卡。看边缘有没有拉链，色块交界处有没有伪色。
2. 调G通道插值——这是基础。G通道好了，R/B才有救。我习惯先用边缘导向插值，再微调梯度阈值。
3. 调R/B通道插值——用色差导向法，以G为参考。注意R和B的插值方向要和G保持一致。
4. 加伪影抑制后处理——先轻后重，宁欠勿过。伪色去得太狠，细节就没了。
5. 实拍验证——拍自然场景、文字、人脸、夜景。实验室数据再漂亮，也要过实拍这一关。