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。


