【阅读笔记】Bayer阵列坏点校正-《Adaptive pixel defect correction》一、背景本文提

一、背景

本文提出了一种相对简单的缺陷校正算法，仅需7×7的原始彩色滤光片阵列数据核即可有效校正多种缺陷类型。该自适应边缘算法具有高质量、占用图像行数少、适应性强且独立于其他板载DSP算法的特点。实验结果表明，相较于传统一维校正方法，该算法在高频图像区域的校正效果显著提升

由于相邻像素能为缺陷像素的插值提供最佳信息，希望先确定该区域的边缘方向，再利用该方向上的两个相邻像素来估算缺失像素值。bayer结构下与缺陷颜色相同且最近的已知信息至少相隔两个像素，插值精度会随着与缺陷位置距离的增加而急剧下降

以缺陷像素 d[m0,n0] 为中心，按 4 个方向抽 7 点向量： d1：垂直 d2：主对角 d3：水平 d4：副对角

d_1(n)=a(m_0,n_0-3),....a(m_0,n_0),...,a(m_0,n_0+3)

d_2(n)=a(m_0-3,n_0+3),....a(m_0,n_0),...,a(m_0+3,n_0-3)

d_3(n)=a(m_0-3,n_0),....a(m_0,n_0),...,a(m_0+3,n_0)

d_4(n)=a(m_0-3,n_0-3),....a(m_0,n_0),...,a(m_0+3,n_0+3)

备注：如果缺陷是整列缺陷，则不使用垂直向量 d1。

若某位置仍是坏点，用“隔 2 点镜像”快速插值补全，避免把台阶平均掉。 4 条向量全部变为“无坏点”的连续信号。确保向量一侧的阶跃函数不会被平均到另一侧。这可确保在算法后续阶段，该向量不会被错误地选为边缘方向

对每条向量取最近同色点 $d_i[-2]$ 、 $d_i[+2]$ 做基准；向量点 $di[−1]$ 和 $di[+1]$ （即距离缺陷最近的点，计算异色平面在缺陷两侧的一阶导数 $\sigma_{i}(-1)$ , $\sigma_{i}(1)$ ；

\sigma_{i}(-1)=\frac{d_{i}(-1)-d_{i}(-3)}{2}

\sigma(1)=\frac{d_{i}(1)-d_{i}(3)}{2}

方向导数用于关联缺陷颜色平面附近的点，定义新的向量来估计样本点相对于缺陷颜色平面的位置，把异色点 $\hat{d_{i}}(-1)$ ， $\hat{d_{i}}(1)$ 按导数偏移量“搬”到缺陷颜色平面，得到归一化值

\hat{d_{i}}(-1)={d_{i}(-2)+\sigma_{i}(-1)}

\hat{d_{i}}(1)={d_{i}(2)+\sigma_{i}(1)}

该算法无需知晓特定像素的实际滤色值——它仅需知道拜耳模式在任意方向上会采样两种颜色。

加权融合公式如下：

\beta_{i}=\frac{1-\frac{\sigma_{i}^{k}}{\sum\sigma_{i}^{k}}}{I-1}

其中，计算向量灰度差

\sigma_{i}=|d_i(-1)-d_i(1)|

指数k可调节以改变算法对di[n]差异的敏感度，敏感度随k增大而增强。使用向量的数量用I表示。与边缘方向对齐最接近的向量（即|di[−1]−di[+1]|最小值）将具有最大 ξi 权重。

缺陷补偿

\hat{a}(m_0,n_0)=\sum\beta_i(\frac{|d_i(-1)-d_i(1)|}{2})

最后，校正数据修正，满足以下条件校正，否则保留原始缺陷值，防止高频区“修坏”

a(m_0,n_0)=\hat{a}(m_0,n_0),if|\hat{a}(m_0,n_0)-{a}(m_0,n_0)|<eC+tC

e是工厂标定最大偏差，t是混叠容限