1、壞點介紹

圖像壞點(Bad pixel) : 圖像傳感器上光線采集點(像素點)所形成的陣列存在工藝上的缺陷，或光信號進行轉(zhuǎn)化為電信號的過程中出現(xiàn)錯誤，從而會造成圖像上像素信息錯誤，導(dǎo)致圖像中的像素值不準(zhǔn)確，這些有缺陷的像素即為圖像壞點。

由于來自不同工藝技術(shù)和傳感器制造商，尤其對一些低成本、消費品的sensor來說，壞點數(shù)會有很多。另外，sensor在長時間、高溫環(huán)境下壞點也會越來越多，從而破壞了圖像的清晰度和完整性。壞點校正的目的就是修復(fù)這類問題，通常壞點分為一下兩種：

(1) 靜態(tài)壞點：分為靜態(tài)亮點和靜態(tài)暗點。

靜態(tài)亮點：一般來說像素點的亮度值是正比于入射光的，而亮點的亮度值明顯大于入射光乘以相應(yīng)比例，并且隨著曝光時間的增加，該點的亮度會顯著增加；

靜態(tài)壞點：無論在什么入射光下，該點的值接近于0;

(2) 動態(tài)壞點：在一定像素范圍內(nèi)，該點表現(xiàn)正常，而超過這一范圍，該點表現(xiàn)的比周圍像素要亮。與sensor 溫度、增益有關(guān)，sensor 溫度升高或者gain 值增大時，動態(tài)壞點會變的更加明 顯；

2、壞點校正成因

為什么圖像處理的過程中需要做壞點校正，而且壞點校正(DPC)通常在ISP的pipeline靠前位置？

主要有如下原因：

(1) 如果圖像中存在壞點的話，ISP后續(xù)進行插值和濾波處理時，會影響周圍的像素點值，因此需要在插值和濾波之前對壞點進行校正 ;

(2) 圖像存在壞點比較多或動態(tài)壞點很多的情況下，會造成圖像的邊緣出現(xiàn)偽色彩的情況，這種現(xiàn)象不但影響圖像的清晰度，而且會影響邊緣的色彩;

(3) 壞點也會造成圖像部分pixel閃爍的現(xiàn)象;

3、壞點校正策略

圖像的壞點校正(DPC)通常在Bayer域(灰度圖原理一致)進行。若Bayer域為R/G/B三通道，則分別進行壞點校正;若Bayer域為RGBIR格式，則分別對R/Gr/Gb/B四通道獨立進行。動態(tài)壞點校正和靜態(tài)壞點校正是兩個相互獨立的過程，可以同時開啟，也可以只開啟一個，視需要設(shè)置。

靜態(tài)壞點校正：基于已有的靜態(tài)壞點表，比較當(dāng)前點的坐標(biāo)是否與靜態(tài)壞點表中的某個坐標(biāo)一致，若一致則判定為壞點，然后再計算校正結(jié)果對其進行校正。一般情況下，每個sensor的壞點都不一樣，需要sensor廠商給出每個sensor的靜態(tài)壞點表，但是出于成本的考慮，很多sensor廠商并沒有給出，而用戶校正的話只能一個一個對其進行校正，因此對于一些低成本的sensor，靜態(tài)壞點校正的實用性不是很強。另外，由于在硬件設(shè)計的時候需要占用大量的memory，考慮到芯片面積以及一些其他原因，因此靜態(tài)壞點有大小的限制，不可以無限制的校正。

動態(tài)壞點校正：可以實時的檢測和校正sensor 的亮點與暗點，并且校正的壞點個數(shù)不受限制。動態(tài)壞點校正相對靜態(tài)壞點校正具有更大的不確定性。動態(tài)dpc可以分為兩個步驟，分別為壞點檢測和壞點校正。

4、源碼實現(xiàn)(Matlab Version)

該算法是動態(tài)壞點校正策略實現(xiàn)，算法使用梯度百分比的方式去檢測壞點，檢測到壞點之后通過中值濾波進行壞點校正，最終通過alpha混合的方式計算出最終的計算結(jié)果。

代碼如下：

close all;

clear;

clc;

%% variable

dp_slope = 0.02;

dp_thresh = -0.3;

r=3; %Stencil radius

%% read raw image

% x = 0:255;

% y = dp_slope * x + dp_thresh;

% y(y<0) = 0;

% y(y>1) = 1;

% figure,

% plot(0:255,y)

% axis([0 255 0 1.5])

[filename, pathname] = ...

uigetfile({'*.raw'}, 'select picture');

str = [pathname filename];

fp = fopen(str, 'rb');

[X,l] = fread(fp, [1920,1080], 'uint16');

fclose(fp);

img = uint8(X/16)';

[height, width] = size(img);

img_correct = zeros(height, width);

%% Image edge extension

imgn=zeros(height+2*r,width+2*r);

imgn(r+1:height+r,r+1:width+r)=img;

imgn(1:r,r+1:width+r)=img(1:r,1:width);

imgn(1:height+r,width+r+1:width+2*r+1)=imgn(1:height+r,width:width+r);

imgn(height+r+1:height+2*r+1,r+1:width+2*r+1)=imgn(height:height+r,r+1:width+2*r+1);

imgn(1:height+2*r+1,1:r)=imgn(1:height+2*r+1,r+1:2*r);

%% dp algorithm

for i = r+1:height-r

for j = r+1:width-r

img_r = imgn(i-r:2:i+r, j-r:2:j+r);

data_r_center = img_r(r, r);

data_r_diff(1:r+1, 1:r+1) = abs(img_r - img_r(r,r));

data_r_sort = sort(img_r(:));

data_r_median = data_r_sort(r*2+1);

data_r_detect = data_r_diff * dp_slope + dp_thresh;

data_r_detect(data_r_detect < 0) = 0;

data_r_detect(data_r_detect > 1) = 1;

data_r_judge = sum(sum(data_r_detect > 0));

data_r_weight = sum(sum(data_r_detect)) / data_r_judge;

if i-r == 18 && j-r == 43

a = 1;

end

if data_r_judge >= 7

data_r_correct = data_r_median * data_r_weight + (1-data_r_weight) * data_r_center;

else

data_r_correct = data_r_center;

end

img_correct(i-r, j-r) = data_r_correct;

end

end

%% show

figure,imshow(uint8(img));

figure,imshow(uint8(img_correct));