一，Bayer pattern简要介绍
我们平时所看到的彩色图像每个像素有三个分量组成，分别为红绿蓝。而目前广泛用到的成像传感器为CMOS传感器，其输出的数据格式为每个像素点只有一个颜色分量，一般称为Bayer Pattern数据，格式如下图所示
- 坏点定义
在图像局部区域内，看起来明显过亮、过暗的点即可称为坏点
注意：坏点的值不一定非得是0或者255，比如全零的局部块中间有个128的像素点，此时应该认为是坏点
- 坏点来源
- CMOS图像传感器，在生产环节不能保证每个点都是百分之百好的，一般都会或多或少出现一些异常的点；
- 感光元器件在使用过程中，温度，湿度，光强，电流等发生变化时，也会一定程度上对传感器造成损坏，出现异常；
- 坏点分类
静态坏点和动态坏点
- 坏点去除位置
一般是在bayer域去除，如果不在bayer域并且是isp pipe靠前的位置，经过bayer 域去噪（Bayer NR）和Demosaic(cfa 插值) 后，会极大的放大坏点的影响范围，如图下图所示
- bayer 域2x2的坏点簇，经过Demosaic后会变成6x6的坏点簇，极大的影响图像是的视觉体验，并且这个6x6坏点簇如果想在rgb/yuv域去除，基本很难做到，或者需要花费比raw很多倍的代价才能做到
- 如果BNR/Demosaic算法滤波核太大，demosaic 后6x6的坏点簇可能会更大
- 故一般去坏点一般在ISP Pipe的最前端（或者比较靠前的位置）
- DPC算法的评价指标
- 能够去除所有坏点
- 不能损失图像细节
- 不能使原本正常点，变成不正常的点
- 坏点算法开发流程
- 确定算法去除坏点的能力:
比如去除单坏点，或者2x2坏点簇，或者2x2中含3个坏点等，这个可以通过sensor Spec来确定，或者通过经验来确定；
- 检测坏点：
主要确定当前点是不是坏点，这也是此算法最核心的东西，也有很多种方案，比如：
- ,对于单坏点，一定是局部最大值（最小值），只需找到局部最值，然后与局部均值做差值，与设置的阈值作比较即可
- 对于坏点簇，这个不同的公司由不同的算法，这里就不在详述
注：实际开发过程中需要注意坏点在图像中的位置，比如平坦区，边缘，角点位置等等
- 矫正坏点:
这一步就简单很多了，比如用均值滤波，中值滤波，带方向的滤波等都是可以的
- 效果图
