4. 线性化与去马赛克：Demosaic算法原理与Bayer插值策略

各位同学，今天我们来聊聊ISP pipeline里一个绕不开的话题——Demosaic。说白了，就是把Bayer格式的原始数据，变成我们肉眼看着舒服的彩色图像。

我刚开始接触这个模块时，总觉得不就是插值嘛，有什么难的？后来在项目里被各种伪彩色、拉链效应折磨得够呛，才明白这里面的门道有多深。嗯，今天就把我这些年踩过的坑，一次性讲清楚。

4.1 为什么需要Demosaic？

先问个问题：为什么CMOS传感器不直接输出RGB三通道？

原因很简单——成本。每个像素点如果都要同时感知红绿蓝，那得堆三层光电二极管，工艺复杂不说，良率也上不去。所以业界普遍采用Bayer阵列，也就是每个像素只采集一种颜色。

典型的Bayer模式长这样：

R G R G R G
G B G B G B
R G R G R G
G B G B G B

你看，绿色像素占了50%，红色和蓝色各25%。为什么绿色多？因为人眼对绿色最敏感。这个设计很巧妙，对吧？

但问题来了——每个像素只有一种颜色信息，我们需要把它变成完整的RGB。这个过程，就叫Demosaic。

4.2 线性化：插值前的必修课

在做Demosaic之前，有个步骤很容易被忽略——线性化。

传感器出来的数据，其实是经过Gamma校正的。如果不做线性化直接插值，边缘处会出现奇怪的暗纹。我曾在某个项目里吃过这个亏，调试了整整两天才发现是Gamma在捣鬼。

线性化的公式很简单：

L = (S / 2^n) ^ γ

其中S是原始像素值，n是位深，γ是Gamma值（通常2.2）。

我个人习惯在硬件层面做这个操作，用LUT查表，速度最快。如果放在软件里做，每帧图像都要算一遍，性能扛不住。

4.3 经典插值算法：从简单到复杂

好了，线性化做完，我们开始插值。这里我按复杂度从低到高，给大家梳理一下。

4.3.1 最近邻插值

最简单粗暴的方法。缺什么颜色，直接拿最近的同色像素补上。

比如红色像素位置缺绿色，那就看上下左右哪个绿色最近。代码实现就几行：

// 伪代码示例
uint8_t nearest_green(uint16_t x, uint16_t y) {
    // 取最近的绿色像素
    return bayer[x][y+1];  // 假设右边是绿色
}

效果嘛……马赛克感很强。边缘全是锯齿，我建议你永远别用这个方案。除非你做的产品对画质完全没要求。

4.3.2 双线性插值

比最近邻好一点。取周围四个同色像素的平均值。

举个例子，红色像素位置缺绿色，就取上下左右四个绿色像素的平均：

G_est = (G_up + G_down + G_left + G_right) / 4

这个算法简单，但有个致命问题——边缘模糊。你想想看，如果物体边缘刚好穿过这个区域，平均出来的颜色会是什么样？对，就是那种灰蒙蒙的感觉。

4.3.3 边缘导向插值

这是我个人比较推荐的基础方案。它先判断边缘方向，再决定用哪些像素做插值。

怎么判断方向？看梯度：

// 计算水平和垂直梯度
uint16_t grad_h = abs(G_left - G_right);
uint16_t grad_v = abs(G_up - G_down);

if (grad_h < grad_v) {
    // 水平方向更平滑，用水平像素插值
    G_est = (G_left + G_right) / 2;
} else {
    // 垂直方向更平滑，用垂直像素插值
    G_est = (G_up + G_down) / 2;
}

你看，这样插出来的边缘就清晰多了。我在做安防摄像头项目时，用的就是这个方案，效果完全够用。

4.4 高级算法：自适应与迭代

如果对画质要求更高，比如专业相机或者医疗影像，那就要上更复杂的算法了。

4.4.1 自适应色差插值

这个算法的核心思想是：利用颜色通道之间的相关性。

说白了，就是红色和绿色之间有个固定的色差关系。如果知道这个关系，插值就更准了。

// 先计算色差
uint16_t color_diff = R - G_est;

// 用色差修正插值结果
G_final = R - color_diff_avg;

我在项目中测试过，这个算法比边缘导向法能减少约30%的伪彩色。代价是计算量翻倍。

4.4.2 迭代去马赛克

这个就有点狠了。先做一次初步插值，然后反过来检查插值结果是否合理。如果不合理，就重新插。

有点像猜谜——先猜一个答案，然后验证，不对再猜。迭代个三五次，结果就非常准了。

4.5 常见伪影与避坑指南

做Demosaic最怕什么？伪影。我列几个最常见的，你们遇到时别慌。

伪影类型	表现	原因	解决方案
拉链效应	边缘出现锯齿状条纹	插值方向判断错误	增加梯度计算的窗口大小
伪彩色	边缘出现红绿蓝杂色	色差模型不准确	使用自适应色差插值
模糊	细节丢失	过度平滑	引入边缘增强后处理
摩尔纹	高频区域出现波纹	采样率不足	加低通滤波器或改用X-Trans阵列

我曾经在一个项目中，因为Bayer阵列的相位没对齐，导致整个画面出现周期性条纹。查了三天才发现是硬件布线时把Bayer顺序搞反了。嗯，从那以后我每次拿到新传感器，第一件事就是验证Bayer相位。

4.6 硬件实现要点

如果你是做嵌入式或者FPGA的，下面这些点要特别注意：

• 行缓冲：Demosaic至少需要3行数据才能做插值。FPGA里要预留足够的Line Buffer。
• 流水线设计：把梯度计算、方向判断、插值计算分成三级流水，每级一个时钟周期搞定。
• 边界处理：图像边缘的像素怎么插？我习惯用镜像扩展，效果比补零好。
• 位宽控制：中间计算过程建议保留12-14bit精度，最后再截断到8bit输出。

好了，这一章的内容就到这里。线性化和Demosaic是ISP pipeline里最基础也最关键的环节，搞懂了它，后面的白平衡、颜色校正才能发挥真正的作用。