ISP_DPC坏点矫正

ISP_DPC坏点矫正

1. 坏点介绍

图像坏点(Bad pixel) : 图像传感器上光线采集点(像素点)所形成的阵列存在工艺上的缺陷，或光信号进行转化为电信号的过程中出现错误，从而会造成图像上像素信息错误，导致图像中的像素值不准确，这些有缺陷的像素即为图像坏点。

由于来自不同工艺技术和传感器制造商，尤其对一些低成本、消费品的sensor来说，坏点数会有很多。另外，sensor在长时间、高温环境下坏点也会越来越多，从而破坏了图像的清晰度和完整性。坏点校正的目的就是修复这类问题，通常坏点分为一下两种：

(1) 静态坏点：分为静态亮点和静态暗点。

    静态亮点：一般来说像素点的亮度值是正比于入射光的，而亮点的亮度值明显大于入射光乘以相应比例，并且随着曝光时间的增加，该点的亮度会显著增加；

    静态坏点：无论在什么入射光下，该点的值接近于0;

(2) 动态坏点：在一定像素范围内，该点表现正常，而超过这一范围，该点表现的比周围像素要亮。与sensor 温度、增益有关，sensor 温度升高或者gain 值增大时，动态坏点会变的更加明显。

 

 

 2. 坏点产生的原因

1）半导体技术本身的缺陷。由于半导体本身的缺陷与位错在所难免，这就是CMOS/CCD图像传感器(sensor)产生坏点的基本原因。一般来说，将响应不在某个区间内的点称为疵点或者坏点。宇宙射线的轰击会造成越来越多的缺陷，某些处在响应区间边界的点就可能超越阈值，由“响应相对正常点”落到“响应相对不正常点”，自然随着存储时间的增加，缺陷越来越多，坏点也就越来越多。

2）图像传感器中的传感器上每一光线采集的点形成的阵列工艺存在缺陷。光信号进行转化的过程中出现错误，或者CMOS/CCD传感器上某些像素点没有接收到电源，没能正常工作。从而造成图像上有些像素的信息有误，导致图像中的像素值不准确，一般在画面上显示成白色或者黑色的点。

3）由于来自不同工艺技术和传感器制造商，尤其对一些低成本、消费品的sensor来说，坏点数会有很多。此外，sensor在长时间、高温环境下坏点也会越来越多，从而破坏了图像的清晰度和完整性。

3. 坏点校正成因

为什么图像处理的过程中需要做坏点校正，而且坏点校正(DPC)通常在ISP的pipeline靠前位置？主要有如下原因：

(1) 如果图像中存在坏点的话，ISP后续进行插值和滤波处理时，会影响周围的像素点值，因此需要在插值和滤波之前对坏点进行校正 ;

(2) 图像存在坏点比较多或动态坏点很多的情况下，会造成图像的边缘出现伪色彩的情况，这种现象不但影响图像的清晰度，而且会影响边缘的色彩;

(3) 坏点也会造成图像部分pixel闪烁的现象;

4. 坏点校正策略

图像的坏点校正(DPC)通常在Bayer域(灰度图原理一致)进行。若Bayer域为R/G/B三通道，则分别进行坏点校正;若Bayer域为RGBIR格式，则分别对R/Gr/Gb/B四通道独立进行。动态坏点校正和静态坏点校正是两个相互独立的过程，可以同时开启，也可以只开启一个，视需要设置。

静态坏点校正：基于已有的静态坏点表，比较当前点的坐标是否与静态坏点表中的某个坐标一致，若一致则判定为坏点，然后再计算校正结果对其进行校正。一般情况下，每个sensor的坏点都不一样，需要sensor厂商给出每个sensor的静态坏点表，但是出于成本的考虑，很多sensor厂商并没有给出，而用户校正的话只能一个一个对其进行校正，因此对于一些低成本的sensor，静态坏点校正的实用性不是很强。另外，由于在硬件设计的时候需要占用大量的memory，考虑到芯片面积以及一些其他原因，因此静态坏点有大小的限制，不可以无限制的校正。

动态坏点校正：可以实时的检测和校正sensor 的亮点与暗点，并且校正的坏点个数不受限制。动态坏点校正相对。

 

 

 5. tuning

每个平台标定方法各不相同，但是一般情况下都是根据以下几个步骤进行标定：

在黑暗坏境下标定亮点坏点。
在有光均匀图像的环境下标定暗点。
合并坏点表。
动态坏点校正
动态坏点的校正可以实时的检测和校正sensor 的亮点与暗点，并且校正的坏点个数不受限制。动态坏点校正相对静态坏点校正具有更大的不确定性。 
动态dpc可以分为两个步骤，分别为坏点检测和坏点校正。

6. 源码实现(Matlab Version)

该算法是动态坏点校正策略实现，算法使用梯度百分比的方式去检测坏点，检测到坏点之后通过中值滤波进行坏点校正，最终通过alpha混合的方式计算出最终的计算结果。代码如下：

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));