4. RAW域处理（二）：坏点校正（DPC）静态与动态方法、去噪（NR）在RAW域的应用

好，咱们接着聊RAW域处理。上一章讲了黑电平校正和Lens Shading，今天这两个话题——坏点校正和去噪，可以说是ISP流水线上最“磨人”的两个模块。为什么这么说？因为它们在RAW域做，效果最直接，但坑也最多。

我个人习惯把RAW域比作“毛坯房”。坏点就是墙上的钉子眼，噪声就是墙面的颗粒感。你必须在刮腻子（做Demosaic）之前把这些处理好，否则后面只会越放越大。

4.1 坏点校正（DPC）——静态与动态方法

坏点，说白了就是传感器上那些“不听话”的像素点。它们要么永远亮着（亮点），要么永远黑着（暗点），要么响应曲线跟别人不一样。我见过最夸张的一次，一颗坏点在暗光下直接让整张照片多了一个“月亮”，调试时找了半天才发现。

4.1.1 静态坏点校正

静态DPC，也叫“标定法”。工厂出厂前，用均匀光源拍一张全黑和一张全灰图，把坏点的坐标记下来，烧进OTP里。ISP运行时直接查表替换。

核心思路： 提前知道坏点位置，直接“拔掉”。

替换算法很简单，一般用周围同色通道的像素做插值：

// 以Bayer RGGB为例，坏点在G位置
// 取上下左右四个G像素的平均值
pixel_out = (G_up + G_down + G_left + G_right) / 4;

但这里有个坑——边缘像素怎么办？我曾经在项目里遇到传感器边缘区域坏点密集，直接平均插值会引入模糊。后来我改成了中值滤波，效果好了不少。

方法 优点 缺点
均值插值 计算快，硬件友好 边缘模糊，对密集坏点效果差
中值插值 保留边缘，抗孤立噪点 计算量稍大
梯度导向插值 细节保留最好 硬件实现复杂

我的经验： 静态DPC适合做“底线防守”。把那些死透了的坏点（比如永远输出0或1023）先干掉。但别指望它解决所有问题——传感器会老化，新坏点会不断冒出来。

4.1.2 动态坏点校正

动态DPC，也叫“实时检测法”。ISP在每一帧里实时判断当前像素是不是坏点，如果是，就替换掉。

判断逻辑通常是这样的：

  1. 计算局部梯度： 比较当前像素与周围同色像素的差值。
  2. 设定阈值： 如果差值超过某个阈值（比如当前亮度的20%），就标记为候选坏点。
  3. 二次确认： 检查这个像素在连续几帧里是否都异常，防止把真实细节误杀。

你想想看，动态DPC最难的是什么？是阈值怎么设。设太严，真实细节被磨掉；设太松，坏点漏网。我调试过一个项目，在室内灯光下效果完美，一到户外强光下，树叶边缘全被当成坏点给抹了……后来我加了一个亮度自适应阈值，问题才解决。

注意： 动态DPC千万不要在纹理密集区域（比如草地、布料）开太强。我曾经吃过这个亏，画面看起来像被橡皮擦擦过一样，客户直接打回。

4.1.3 静态 vs 动态，怎么选？

我的建议是：两者结合。静态DPC处理已知的固定坏点，动态DPC处理新出现的坏点。在资源受限的嵌入式平台上，可以只做静态DPC + 简单的动态检测，但一定要给动态部分留出调参空间。

坏点校正（DPC）知识体系 坏点校正 DPC 静态 DPC（标定法） 动态 DPC（实时检测） OTP 存储坐标 均值/中值插值 梯度检测 阈值判断 建议：静态 DPC + 动态 DPC 组合使用 静态处理固定坏点，动态处理新生坏点

4.2 去噪（NR）在RAW域的应用

噪声这东西，是传感器的“原罪”。暗光下尤其明显。为什么要在RAW域做去噪？因为噪声在RAW域还是“原始状态”，没有经过插值和色彩变换的放大。你想想看，如果在RGB域做，噪声已经被Demosaic扩散到相邻像素了，处理起来事倍功半。

4.2.1 RAW域噪声的特点

RAW域的噪声主要有两种：

  • 光子散粒噪声（Shot Noise）： 跟信号强度有关，信号越强噪声越大。符合泊松分布。
  • 读出噪声（Read Noise）： 跟信号无关，是电路本身的热噪声。符合高斯分布。

我习惯把噪声模型简化为：Noise = sqrt(signal * gain) + read_noise。这个公式虽然粗糙，但足够指导调参了。

4.2.2 常用的RAW域去噪方法

在嵌入式平台上，计算资源有限，我们一般用以下几种方法：

方法 原理 适用场景 硬件代价
双边滤波 同时考虑空间距离和像素值差异 边缘保留去噪 中等
非局部均值（NLM） 在图像中搜索相似块做加权平均 强噪声、平滑区域 高
小波阈值去噪 变换到小波域，软阈值处理 高斯噪声 高
BM3D 块匹配 + 3D变换协同滤波 极致去噪质量 极高（不适合实时）

我的推荐： 在嵌入式平台上，双边滤波是性价比最高的选择。我做过一个海思平台的方案，双边滤波只占不到5%的CPU资源，就能把ISO 3200的噪声压到可用水平。

4.2.3 双边滤波在RAW域的实现要点

双边滤波的公式很简单：

// 伪代码：双边滤波
for each pixel p:
    sum_weight = 0
    sum_value = 0
    for each neighbor q in window:
        w_s = exp(-|p - q|^2 / (2 * sigma_s^2))   // 空间权重
        w_r = exp(-|I(p) - I(q)|^2 / (2 * sigma_r^2)) // 值域权重
        w = w_s * w_r
        sum_weight += w
        sum_value += w * I(q)
    I_out(p) = sum_value / sum_weight

但在RAW域，有几个坑要注意：

  • Bayer格式问题： 双边滤波只能在同色通道内做。你不能拿R像素去平滑G像素，否则会引入颜色伪影。
  • sigma_r参数： 这个参数跟ISO和增益强相关。我一般会做一个ISO到sigma_r的映射表，不同增益用不同强度。
  • 边缘保护： 双边滤波虽然能保边，但在纹理区域还是会有损失。我建议在纹理检测结果上做强度调制——纹理强的地方少去噪，平滑区域多去噪。

避坑指南： 我曾经在调试时把sigma_r设得太大，结果暗部噪声是没了，但亮部边缘出现了“光晕”现象。后来我才意识到，sigma_r应该跟局部亮度挂钩——暗部用大sigma_r，亮部用小sigma_r。

4.2.4 去噪强度与细节保留的平衡

这是ISP调试里永恒的难题。去噪太强，画面像塑料；去噪太弱，画面像砂纸。我的经验是：

  1. 分频段处理： 高频噪声用弱去噪，低频噪声用强去噪。可以用拉普拉斯金字塔分解。
  2. 亮度自适应： 暗部噪声明显，去噪强度大；亮部噪声不明显，去噪强度小。
  3. 边缘保护： 检测到边缘的地方，降低去噪强度甚至跳过。

一个小技巧： 调试时先盯着暗部看。如果暗部噪声能接受，亮部一般没问题。反过来，如果为了亮部细节把去噪调弱，暗部往往就崩了。

嗯，RAW域的DPC和NR就聊到这儿。这两个模块是ISP画质的基石，基础打好了，后面的Demosaic和色彩校正才能发挥出真正的实力。调试时别急，一点点调，多看看极端场景（暗光、高ISO、纯色块），你会发现很多意想不到的问题。

← 上一章 📖 返回目录 下一章 →