OpenISP 模块拆解 · 第14讲：伪彩抑制 (FCS)

模块定位

FCS，即 False Color Suppression，代码位于 model/fcs.py。它利用 edge map 判断边缘强度，在强边缘附近压低色度分量，从而减少 demosaic、混叠或锐化带来的伪彩。

FCS 通常工作在 YUV 后段，重点处理 U/V，而不是重新修改 RAW 采样。

背景原理

伪彩常出现在高频边缘、细密纹理和采样极限附近。Bayer demosaic 在这些位置容易把亮度变化误解释成颜色变化，产生红绿、蓝黄彩边。锐化如果作用过强，也可能让这些彩边更明显。

FCS 的基本思路是：强边缘处的色度信息可信度较低，可以适度降低饱和度；平坦区或弱边缘处保留原色度。

openISP 实现

FCS 输入参数：

img: 三通道图像，语义上更像 U/V 色度平面或 YUV 数据。
edgemap: 来自 EE 的边缘响应图。
fcs_edge: 两个边缘阈值。
gain: 弱边缘区域的色度保留增益。
intercept: 中间区间线性函数截距。
slope: 中间区间线性函数斜率。

代码按像素计算 uvgain：

text 复制代码

abs(edge) <= fcs_edge[0]       -> uvgain = gain
fcs_edge[0] < abs(edge) < fcs_edge[1]
                                 -> uvgain = intercept - slope * edge
abs(edge) >= fcs_edge[1]       -> uvgain = 0

然后：

text 复制代码

out = uvgain * img / 256 + 128

+128 表示把色度拉回无色中性点。uvgain 越小，色度越接近 128，伪彩越弱。

参数和调试

fcs_edge[0]: 低阈值，低于它基本保留色度。
fcs_edge[1]: 高阈值，高于它强力去色。
gain: 弱边缘处保留色度的比例。
intercept/slope: 控制中间区间的线性衰减。

调试时看黑白边缘、斜线、细栅格、文字和织物。FCS 好的时候，彩边减少但真实彩色物体边缘不会明显变灰。

与 CNF 的区别

CNF 是 RAW 前段色度噪声过滤，目标是抑制噪声型彩斑。FCS 是后段伪彩抑制，目标是处理 demosaic/锐化/混叠导致的边缘彩色伪影。

两者都可能降低色度，但触发依据和位置不同。

实现注意点

代码在中间区间使用 intercept - slope * self.edgemap[y,x]，但判断条件用的是 abs(edge)。如果 edge 为负，线性项会变成加法，可能导致正负边缘行为不对称。更常见写法会使用 abs(edge) 进入线性衰减。

另外当前实现对 img[y,x,:] 三个通道都做同样操作。如果输入是完整 YUV，这会连 Y 也一起改变；从 FCS 语义看，更合理的是只处理 U/V。使用时要确认传入数据的通道含义。

学习重点

FCS 是基于边缘强度的色度压制。
强边缘处伪彩风险更高，色度可信度更低。
FCS 过强会让彩色边缘变灰。
FCS 和 CNF 位置不同、目标不同。

面试问答

Q1: 什么是 false color？

False color 是图像中本不该出现的彩色伪影，常由 Bayer 采样、demosaic、混叠或锐化造成。

Q2: FCS 为什么参考 edge map？

伪彩常集中在强边缘和高频区域，edge map 能帮助定位这些风险位置。

Q3: FCS 和降低饱和度有什么区别？

全局降低饱和度会影响整张图；FCS 是边缘自适应，只在高风险区域压低色度。

Q4: FCS 过强会怎样？

真实彩色边缘会变灰，画面饱和度下降，局部颜色可能不自然。

Q5: 如何测试 FCS？

用黑白线条、细密纹理、斜边和高饱和边缘测试，观察彩边是否减少，同时确认真实颜色没有被过度削弱。