坏点为什么不能直接删掉？从 Bayer 邻域理解 DPC

盖上镜头盖拍一张长曝光，画面里可能出现几颗稳定的亮点；对着均匀白墙，又可能看到极暗的小点。它们不是场景细节，而是某些感光位置或读出链路长期偏离正常响应。

DPC（Defective Pixel Correction）要完成两件事：先判断哪个样本不可信，再用附近可信样本估计它本来应该是多少。问题在于，真实星点、反光和细线同样会表现成局部极值。检测太松会漏掉坏点，太紧则会把场景细节当成缺陷删除。

本文讨论 Bayer RAW 上的固定与在线坏点校正。暂不展开传感器制造测试、宇宙射线瞬态和视频时域坏点追踪。

热像素、死像素和闪烁像素#

热像素在暗场中持续偏高，长曝光和高温时更明显；
死像素对光响应很弱，亮场里仍接近黑色；
stuck pixel常固定在某个码值；
闪烁像素并非每帧都坏，响应会随机跳变。

热像素2

死像素2

总像素144

观察层

坏点可能固定存在，也可能只在高温、长曝光或某种读出模式下出现。工厂坏点表与在线检测通常会共同工作。

工厂通常会生成一份静态坏点表，记录稳定缺陷的位置。在线 DPC 则根据当前帧邻域发现新缺陷或条件性异常。两者互补：静态表可靠却无法覆盖老化和温度变化，在线检测灵活却可能误伤内容。

检测的核心是局部预测残差#

设当前 RAW 样本为 $x_p$ ，同色邻域给出的预测是 $\hat{x}_p$ ，残差为：

d_p=|x_p-\hat{x}_p|

最简单的规则是 $d_p>T$ 时标记为坏点。预测可以用均值，但中位数对邻域里的另一个异常值更稳健：

\hat{x}_p=\operatorname{median}\{x_q:q\in\Omega_p,\ c(q)=c(p)\}

正确检出2

误报6

漏检2

检测阈值0.22

在线检测通常还会要求像素同时偏离多个方向、跨帧持续异常，或结合静态坏点表，避免把星点和高光误杀。

固定阈值只适合教学。真实噪声随亮度、模拟增益和白平衡变化，阈值常写成亮度相关形式，或者由噪声模型给出置信区间。还可以要求中心同时偏离水平、垂直和对角方向，降低单一真实边缘造成的误报。

为什么 Bayer 域不能直接平均相邻像素#

RGGB 的上下左右邻居通常属于另一种颜色。一个红色样本旁边的绿色值不同，可能只是滤光片响应不同，并非红色位置坏了。

RGRGRGRGGBGBGBGBRGRGRGRGGBGBGBGBRGRGRGRGGBGBGBGBRGRGRGRGGBGBGBGB

目标通道R

坐标(4, 4)

怎样避免把星点当坏点#

一颗星或远处灯光可能只覆盖很少像素，看起来和热像素非常相似。可使用的附加证据包括：

是否出现在静态坏点表；
是否在多帧固定于同一传感器坐标；
周围其他通道是否也出现一致光学响应；
局部是否存在合理的 PSF 扩散，而非单像素脉冲；
残差是否远超当前亮度下的噪声标准差；
是否同时偏离多个方向的同色邻居。

没有一条规则能保证不误判，因此 DPC 往往保守处理，并把检测 mask 保留下来供调试。

修复：从可信邻居估计缺失值#

检测到坏点后，最简单的方法是使用同色邻域中位数。若坏点落在明显边缘上，全方向中位数或均值仍可能跨边缘混合。

一种方向性思路是比较水平和垂直同色梯度：

d_h=|x_{p-2x}-x_{p+2x}|,\qquad d_v=|x_{p-2y}-x_{p+2y}|

选择变化更小的方向插值。若 $d_h<d_v$ ：

\hat{x}_p=\frac{x_{p-2x}+x_{p+2x}}{2}

修复值0.78

亮侧真值0.78

绝对误差0.00

修复策略

方向算法也可能被噪声和斜边骗过。生产实现还要限制修复幅度，并保留坏点位置供后续诊断。

方向选择并不神奇：斜线、高频纹理和强噪声都可能让梯度判断出错。工程实现常限制输出落在可信邻居范围内，并在梯度接近时退回鲁棒中位数。

一个教学版 Python 实现#

1
import numpy as np
2

3

4
def median_same_color(raw, row, column, pattern="RGGB"):
5
    target = pattern[(row % 2) * 2 + column % 2]
6
    values = []
7
    for dy in range(-2, 3):
8
        for dx in range(-2, 3):
9
            if dx == 0 and dy == 0:
10
                continue
11
            y, x = row + dy, column + dx
12
            if not (0 <= y < raw.shape[0] and 0 <= x < raw.shape[1]):
13
                continue
14
            channel = pattern[(y % 2) * 2 + x % 2]
15
            if channel == target:
16
                values.append(float(raw[y, x]))
17
    return float(np.median(values))
18

19

20
def dpc(raw, threshold, pattern="RGGB"):
11 collapsed lines
21
    source = raw.astype(np.float32)
22
    output = source.copy()
23
    defect_mask = np.zeros(source.shape, dtype=bool)
24

25
    for row in range(source.shape[0]):
26
        for column in range(source.shape[1]):
27
            estimate = median_same_color(source, row, column, pattern)
28
            if abs(source[row, column] - estimate) > threshold:
29
                output[row, column] = estimate
30
                defect_mask[row, column] = True
31
    return output, defect_mask

这段代码会把真实局部极值也当成异常，只适合解释骨架。生产版至少要加入亮度相关阈值、方向一致性、边界策略、已知坏点表与噪声模型。

DPC 在管线里的位置#

坏点应尽量在会扩散错误之前修复。Debayer 会让一个异常 RAW 样本参与周围多个 RGB 像素，LSC 与 WB 还会放大它。因此常见教学顺序是：

1
RAW → BLC → DPC → LSC / Bayer Denoise / WB → Debayer

BLC 应在检测前完成，否则不同通道黑位残差可能被误认成缺陷。具体的 LSC、降噪和 WB 顺序依赖 ISP：如果 DPC 阈值使用原始噪声模型，就要明确每个增益阶段怎样改变方差。

边界、饱和与数据类型#

图像边缘缺少完整邻域，可以镜像、缩小有效检测区，或依赖静态坏点表；不要让负索引绕到数组另一端。

已经饱和的高光也会偏离邻域，但饱和不是坏点。应先读取饱和标记或白电平，避免把成片高光逐颗“修复”。在 uint16 中计算差值可能下溢，检测应先转换到有符号或浮点类型。

验证清单#

用已知坏点 mask 统计 precision 与 recall，而不只看画面；
测试暗场、均匀亮场、星空、细线、斜边和高光；
覆盖 RGGB、BGGR、GRBG、GBRG 以及裁行裁列；
检查第一行、最后一行和图像四角；
对热像素、死像素、stuck 与闪烁像素分别测试；
确认检测 mask 可记录、可关闭、可与静态表比较；
检查 DPC 后是否还会被 LSC/WB 放大成可见斑点。

DPC 不是把离群值全部删除，而是在采样结构和噪声允许的范围内，判断某个测量是否值得信任。知道 CFA、使用鲁棒邻域、保护真实结构，并在错误扩散前完成修复，才是一套可以解释的坏点校正。

热像素、死像素和闪烁像素#

一颗坏点，三种观察方式