4. 坏点校正(DPC)：静态与动态坏点检测、校正算法、HAL接口封装

坏点校正，英文叫Defect Pixel Correction，简称DPC。这玩意儿在ISP里看着不起眼，但你要是忽略了它，后面整条pipeline都会跟着遭殃。我刚开始做ISP的时候，就吃过这个亏——有一批模组拍出来的照片，暗场下全是星星点点的白点，客户直接退货。后来一查，就是DPC没做好。

说白了，坏点就是传感器上那些“不听话”的像素。它们要么一直亮着（白点），要么一直黑着（黑点），要么响应不正常。咱们做DPC，就是要揪出这些坏点，然后用周围正常像素的值把它“填”上。

4.1 静态坏点检测

静态坏点，就是出厂时就有的坏点。这些坏点的位置是固定的，咱们可以在产线上提前标定好。我个人习惯的做法是：在暗场和亮场下各拍一张图，然后对比像素的响应。

具体怎么标定？我列个流程：

1. 暗场标定：盖上镜头盖，拍一张全黑图。正常像素输出应该接近0，坏点（白点）会输出明显的高值。
2. 亮场标定：对着均匀光源，拍一张全白图。正常像素输出应该接近饱和值，坏点（黑点）会输出明显的低值。
3. 生成坏点表：把检测到的坏点坐标存成一个表，烧到设备的OTP里。

这里有个坑，我曾经踩过：标定时的温度会影响坏点数量。有些像素在常温下是好的，一升温就变成坏点了。所以我建议，标定时至少做常温和高低温两组，取并集。

4.2 动态坏点检测

动态坏点，就是使用过程中新产生的坏点。这类坏点没法提前标定，得靠算法实时检测。你想想看，手机用了一年半载，传感器老化，难免会冒出几个新坏点。

动态检测的核心思路是：比较当前像素和它邻居的差异。如果差异太大，就怀疑它是坏点。我常用的方法有两种：

4.2.1 基于邻域统计的方法

取当前像素周围3x3或5x5的窗口，计算窗口内像素的均值和中值。如果当前像素偏离中值超过某个阈值，就标记为坏点。

// 伪代码：基于中值的动态坏点检测
for each pixel (x, y) {
    window = get_neighbors(x, y, 5);  // 取5x5窗口
    median = compute_median(window);  // 计算中值
    diff = abs(pixel(x,y) - median);
    
    if (diff > threshold) {
        mark_as_defect(x, y);
    }
}

嗯，这里要注意：阈值不能是固定的。为什么？因为不同亮度的区域，像素的方差不一样。暗区方差小，亮区方差大。固定阈值会导致暗区误检多、亮区漏检多。

我个人习惯的做法是：阈值根据局部亮度自适应。比如 threshold = base_threshold + k * local_variance。

4.2.2 基于梯度的方法

这个方法更巧妙。它利用图像边缘的梯度一致性来判断。如果某个像素的梯度方向和周围不一致，那它很可能是个坏点。

我在项目中遇到过一种情况：细纹理区域容易被误检为坏点。比如草地、布料上的纹理，像素变化本来就大。这时候用梯度法就比统计法更靠谱，因为纹理是有规律的，而坏点是随机的。

4.3 校正算法

检测到坏点之后，就要把它校正过来。校正的本质就是插值——用周围好像素的值来推算坏点本该有的值。

常用的校正方法有：

方法	原理	优缺点
均值插值	取周围像素的平均值	简单快速，但会模糊边缘
中值插值	取周围像素的中值	抗噪性好，适合孤立坏点
方向插值	沿边缘方向插值	保留边缘细节，计算量大
自适应插值	根据局部纹理选择插值方式	效果最好，但实现复杂

我个人最推荐的是方向插值。它先判断坏点所在区域的边缘方向（水平、垂直、对角），然后只沿着边缘方向取像素做插值。这样校正后的坏点不会破坏边缘的锐度。

// 方向插值示例
int interpolate_defect(int x, int y) {
    // 计算四个方向的梯度
    float grad_h = abs(pixel(x-1,y) - pixel(x+1,y));
    float grad_v = abs(pixel(x,y-1) - pixel(x,y+1));
    float grad_d1 = abs(pixel(x-1,y-1) - pixel(x+1,y+1));
    float grad_d2 = abs(pixel(x-1,y+1) - pixel(x+1,y-1));
    
    // 选择梯度最小的方向（即边缘方向）
    if (grad_h < grad_v && grad_h < grad_d1 && grad_h < grad_d2)
        return (pixel(x-1,y) + pixel(x+1,y)) / 2;
    else if (grad_v < grad_d1 && grad_v < grad_d2)
        return (pixel(x,y-1) + pixel(x,y+1)) / 2;
    else if (grad_d1 < grad_d2)
        return (pixel(x-1,y-1) + pixel(x+1,y+1)) / 2;
    else
        return (pixel(x-1,y+1) + pixel(x+1,y-1)) / 2;
}

4.4 HAL接口封装

好了，算法讲完了，咱们来看看怎么把它封装成HAL接口。做嵌入式系统架构的时候，我最看重的是接口的通用性和可配置性。你不能把算法写死，得让上层应用能灵活调整参数。

我设计的DPC HAL接口通常包含三个部分：

• 初始化接口：加载静态坏点表，配置算法参数
• 处理接口：传入一帧图像，输出校正后的图像
• 控制接口：动态调整阈值、开关等参数

// DPC HAL接口定义
typedef struct {
    uint32_t *defect_table;      // 静态坏点表
    uint32_t  defect_count;      // 坏点数量
    uint8_t   enable_dynamic;    // 是否启用动态检测
    uint16_t  dynamic_threshold; // 动态检测阈值
    uint8_t   interpolation_mode; // 插值模式：0-均值，1-中值，2-方向
} dpc_config_t;

// 初始化DPC模块
int dpc_init(dpc_config_t *config);

// 处理一帧图像
int dpc_process(uint16_t *input, uint16_t *output, 
                int width, int height, int bpp);

// 动态调整参数
int dpc_set_param(uint32_t param_id, void *value);

这里有个设计细节我想强调一下：坏点表的内存管理。静态坏点表可能很大（几万个坐标），如果每次处理都从OTP读，效率太低了。我建议在初始化时把坏点表加载到DDR里，然后用一个bitmap来标记坏点位置。这样检测时只需要查bitmap，O(1)复杂度。

4.5 知识体系总览

为了让你对整个DPC模块有个全局认识，我画了一张流程图。它展示了静态检测、动态检测和校正之间的协作关系。

从这张图你能看到，静态检测和动态检测是并行的。静态检测负责处理已知的坏点，动态检测负责捕捉新出现的坏点。两者标记的坏点位置合并后，统一送到校正模块处理。这样设计的好处是：静态检测不占用运行时资源，动态检测只处理可疑像素，整体效率很高。

好了，DPC这一章就讲到这里。记住我说的：坏点校正不是越强越好，关键是在去除坏点和保留细节之间找到平衡。调参的时候多看看暗场和边缘区域，这两个地方最容易出问题。