4. 坏点校正（DPC）模块设计
坏点校正，简称 DPC，是 ISP 流水线里非常靠前的一步。说白了，就是 sensor 送过来的原始数据里，有些像素点天生就坏了——要么一直亮（白点），要么一直暗（黑点），要么闪个不停。如果不处理，后面做去噪、做 demosaic，这些坏点会被放大，整张图就花了。
我刚开始做 ISP 的时候，觉得 DPC 不就是把坏点替换掉嘛，有什么难的？后来踩了不少坑才发现，怎么检测坏点、用什么策略替换、RTL 怎么做到不拖流水线节奏，这里面的门道还真不少。今天咱们就把这块掰开揉碎了讲清楚。
4.1 坏点检测算法
坏点检测，核心就一句话：判断当前像素是不是“异常”的。怎么判断？两种主流思路：固定阈值法和动态阈值法。
4.1.1 固定阈值法
这个方法最简单，也最直接。你预先设定一个阈值，比如亮点阈值 TH_H 和暗点阈值 TH_L。如果当前像素值大于 TH_H，就认为是亮点；小于 TH_L，就认为是暗点。
固定阈值法判断逻辑：
if (pixel > TH_H) → 亮点
else if (pixel < TH_L) → 暗点
else → 正常点优点很明显：实现简单，资源消耗小，一个比较器就搞定了。缺点也很致命：阈值是死的，场景一变就不好使了。比如你拍夜景，整体亮度低，正常像素可能也就 30~40，这时候阈值设成 200，暗点根本检测不出来。反过来，大白天拍雪景，像素值普遍高，阈值设低了又容易误判。
适用场景： 光照稳定的工业相机、固定场景的监控摄像头。消费级手机 ISP 基本不用这个，太糙了。
4.1.2 动态阈值法
动态阈值法就聪明多了。它不设死阈值，而是根据当前像素的邻域信息，算出一个“局部阈值”。
具体做法是这样的：取当前像素周围 3x3 或 5x5 的窗口，计算邻域像素的均值 μ 和标准差 σ。然后判断当前像素是否偏离均值太远——比如超过 μ ± k·σ 的范围，就认为是坏点。
我个人习惯用 5x5 窗口 + 3σ 准则。 3x3 窗口太小，容易受噪声干扰；5x5 窗口更稳定，硬件开销也在可接受范围内。k 值一般取 2~4，我项目里常用 3，效果比较均衡。
动态阈值法的核心公式：
μ = (1/N) * Σ(neighbors)
σ = sqrt((1/N) * Σ(neighbor - μ)²)
if |pixel - μ| > k * σ → 坏点这里有个坑：标准差计算在硬件里挺费资源的，要开方、要乘法。实际工程里，我见过两种简化方案：
- 用差代替标准差： 算邻域均值 μ，然后算每个邻域像素与 μ 的差，取这些差的均值作为“离散度”。虽然不精确，但硬件友好。
- 用最大值最小值范围： 如果当前像素比邻域最大值还大很多，或者比最小值还小很多，就判为坏点。这个更粗暴，但胜在快。
| 方法 | 硬件开销 | 检测精度 | 场景适应性 |
|---|---|---|---|
| 固定阈值法 | 低（1个比较器） | 低 | 差 |
| 动态阈值法（标准差） | 高（需乘加、开方） | 高 | 强 |
| 动态阈值法（差简化） | 中 | 中 | 较强 |
| 动态阈值法（最大最小简化） | 低 | 中低 | 中 |
4.2 坏点替换策略
检测出坏点之后，下一步就是把它替换掉。替换策略直接影响图像质量。常用的有两种：均值替换和中值替换。
4.2.1 均值替换
取坏点周围邻域像素的平均值，填到坏点位置。公式很简单：
pixel_out = (1/N) * Σ(neighbors)优点：平滑效果好，能有效去除孤立坏点。缺点：如果坏点刚好在边缘附近，均值会把边缘模糊掉。你想想看，一条清晰的边缘上有个坏点，用均值一替换，边缘就糊了。
4.2.2 中值替换
取坏点周围邻域像素的中位数，填到坏点位置。中值的好处是：对边缘保护更好，而且对椒盐噪声（就是那种黑白点噪声）有奇效。
我曾经在一个项目中踩过这个坑： 用均值替换，结果图像边缘细节丢失严重，客户反馈说“照片像油画”。后来换成中值替换，边缘保住了，坏点也去掉了。但中值替换也有代价——硬件里做排序很费资源，3x3 窗口要排 8 个数，5x5 要排 24 个数，面积和功耗都会涨。
实际工程里，我建议这样选：
- 平坦区域多的场景（如天空、墙壁）： 用均值替换，效果好，硬件省。
- 纹理丰富的场景（如树叶、织物）： 用中值替换，保护细节。
- 折中方案： 先判断当前像素是否在边缘上，如果在，用中值；如果不在，用均值。这个判断本身也需要硬件开销，但效果最好。
4.3 RTL 实现与流水线优化
好了，算法讲完了，咱们聊聊怎么用 RTL 把它实现出来，还要跑得快、不拖流水线节奏。
4.3.1 整体架构
DPC 模块的典型架构分三步：
- 行缓存（Line Buffer）： 缓存若干行数据，构建邻域窗口。5x5 窗口需要缓存 4 行。
- 检测逻辑： 从窗口里提取数据，计算均值、标准差或最大最小值，判断当前像素是否为坏点。
- 替换逻辑： 如果是坏点，根据策略计算替换值；如果不是，直通。
下面这张图展示了 DPC 模块的核心数据流：
4.3.2 流水线优化要点
DPC 模块在 ISP 流水线里通常是逐像素处理的，每拍进来一个像素，每拍出去一个像素。要做到这一点，有几个关键点：
- 行缓存用双缓冲或乒乓结构： 一行写、一行读，避免读写冲突。我习惯用双端口 SRAM，读和写可以同时进行。
- 窗口数据用移位寄存器： 每来一个新像素，窗口里的数据整体左移一拍，新像素从右边挤进来，最左边的像素被丢弃。这样每拍都能拿到最新的 5x5 窗口。
- 检测和替换逻辑要组合逻辑实现： 不能引入额外的时钟周期，否则流水线就断了。如果组合逻辑路径太长，可以在中间插入寄存器打一拍，但这样输出会延迟一拍，需要和后面的模块对齐。
- 中值排序用并行比较网络： 3x3 窗口的 8 个邻域像素，用 4 级比较器网络就能排出来，每级都是纯组合逻辑。5x5 窗口的 24 个像素，排序网络会复杂很多，面积也大，所以很多低成本方案只用 3x3。
我个人的经验： 如果芯片面积预算紧张，优先用 3x3 窗口 + 动态阈值（差简化版）+ 中值替换。这个组合在面积和效果之间平衡得最好。我做过一个 1080p@30fps 的 ISP，DPC 模块只用了 8K 门，效果客户很满意。
4.3.3 边界处理
图像边缘的像素，窗口会有一部分跑到图像外面去。怎么处理？常见做法：
- 补零： 窗口外的像素当 0 处理。最简单，但边缘会有伪影。
- 复制边缘： 把最边缘的像素值复制到窗口外。效果比补零好，硬件也容易实现。
- 镜像： 把窗口外的像素按镜像方式取图像内的值。效果最好，但控制逻辑复杂一些。
我建议用复制边缘，性价比最高。补零在 DPC 里效果不好，因为 0 值会被当成暗点，导致边缘误检。
4.4 小结
坏点校正这个模块，说难不难，说简单也不简单。算法层面，动态阈值法比固定阈值法好用得多，但硬件开销要大一些。替换策略上，中值替换对边缘保护更好，但排序网络费资源。RTL 实现的关键是流水线要顺畅，每拍处理一个像素，不能断流。