1. 深度解析：为什么'商用级'坏点校正极其困难？
在传感器（Sensor）制造中，由于半导体工艺缺陷或后期老化，不可避免会出现常亮像素（Hot Pixel）或死像素（Dead Pixel）。
- 痛点一：误杀边缘。 如果只是简单的中值滤波，图像中真实的星星、细小线条、甚至远处的文字会被当做坏点磨平，导致锐度丧失。
- 痛点二：动态性。 随着传感器温度升高或增益（Gain）加大，原本正常的像素可能变成噪声点。
- 痛点三：吞吐量。 4K@60fps 的实时处理要求算法必须以流水线（Pipeline）形式在极短的时钟周期内完成数以百计的逻辑比对。
2. 硬件核心：5X5 同色像素滑窗生成
在 Bayer 格式下，直接邻域的像素颜色不同。商用设计首先要解决同色分量提取的问题。
硬件实现展开：
设计中通过 Line Buffer（行缓存） 缓存 5 行 Raw 数据。硬件逻辑会从 5x5 的大矩阵中，根据当前的 Bayer 相位，提取出同色像素的子集合：
- 中心像素 (P_center) 与其周围 8 个同色邻域像素（P_1 到 P_8）。
- 逻辑开销： 这一步在 Verilog 中是通过多级寄存器打拍和多路选择器（Mux）实现的，确保在每个
clk周期，算法核心都能拿到一组完整的空间相关像素。
3. 硬核算法展开：梯度判决公式的硬件实现
这套 IP 最精妙的地方在于其多准则并行判决逻辑。为了不误杀边缘，它引入了复杂的梯度计算。
(1) 动态梯度算子（Hardware Gradient Operator）
算法会在多个方向计算梯度（差异值）：
- 水平梯度： G_h = |P_left - P_right|
- 垂直梯度： G_v = |P_up - P_down|
- 对角线梯度： G_d1, G_d2
Verilog 展开：
硬件上并不直接使用复杂的方差公式，而是使用绝对值减法阵列。
// 伪逻辑：计算水平梯度
assign diff_h = (px_left > px_right) ? (px_left - px_right) : (px_right - px_left);
(2) 复合判决条件（Decision Criteria）
一个点被判定为坏点，必须同时满足以下严苛条件：
- 极值判定： 中心点像素值 P_center 必须是邻域内的极大值或极小值。
- 动态阈值比对： P_center 与邻域均值的差值，必须大于一个自适应阈值。
- 公式： |P_center - median| > threshold + (avg_gradient * factor)
- 硬件实现： 这里的
factor（增益因子）通常通过移位（Shift）实现，避免使用高成本的除法器。源码中支持三套独立的判决准则（Sets），通过寄存器灵活配置。
(3) 边缘敏感保护（Edge Protection）
如果 G_h 很小但 G_v 很大，说明当前处于一条水平边缘线上。此时即使中心点偏离均值，算法也会通过比较各方向梯度，将'坏点判决'挂起（Inhibit），从而保护边缘不被修掉。
4. 动态校正：自适应插值（Adaptive Interpolation）
当判定结果为'坏'时，输出不再是 P_center，而是修复值。
