企业官网建设流程全解析

018、Sensor 坏点与热噪点的工厂检测与在线校正方案

一、从一条产线投诉说起

去年夏天，某款旗舰机在量产爬坡阶段，产线突然爆出“暗光预览有白点”的批量不良。QC抽检发现，大约千分之三的模组在30秒长曝光下会出现数十个固定位置的亮斑，位置不随场景变化。当时产线停线三天，我们团队被拉去救火。

一开始怀疑是镜头脏污，但擦拭后白点依然存在。后来用纯黑帧（盖上镜头盖）抓raw图，发现这些亮斑的像素值比周围高出200-300个DN（12bit raw），而且位置在多次抓图后完全一致。确认是sensor本身的坏点——准确说是“热噪点”，因为它们在短曝光下几乎不可见，长曝光或高温下才暴露。

这个案例让我意识到：坏点校正不是简单的“找出来抹掉”，工厂端和在线端的策略完全不同，必须分开设计。

二、坏点与热噪点的本质区别

先理清概念，别把两者混为一谈。

坏点（Dead/Stuck Pixel）：sensor制造缺陷，像素点永远输出固定值（全黑或全亮），不随光照变化。比如某个像素永远输出4095（12bit满量程），或者永远输出0。这类坏点出厂即存在，数量通常很少（几十个以内），位置固定。

热噪点（Hot Pixel）：暗电流过大导致的异常像素。温度每升高10℃，暗电流翻倍。在长曝光（>1秒）或高温（>60℃）下，这些像素的暗电流积累远超正常像素，表现为亮点。热噪点数量随温度、曝光时间动态变化，可能从几个到几百个不等。更坑的是，有些像素在常温下正常，一发热就“冒”出来。

工厂检测主要针对坏点，热噪点则依赖在线校正。为什么？因为热噪点数量多、动态变化，工厂全检成本太高，而且出厂时环境温度低，很多热噪点根本测不出来。

二、工厂端：坏点检测的“三板斧”

产线检测讲究快、准、稳。我们当时用的方案分三步，每一步都有血泪教训。

第一步：暗场抓图

盖上镜头盖，用遮光布（别用手，指纹会干扰），抓取至少3帧全黑raw图。曝光时间建议设为1/30秒，别太长——长曝光会引入热噪点，干扰坏点判断。帧数取平均，消除随机噪声。

这里踩过坑：曾经用单帧检测，结果把随机热噪声误判为坏点，导致良率虚降。后来改成多帧平均，误判率从5%降到0.1%。

第二步：阈值筛选

对平均后的暗场图，计算每个像素的均值μ和标准差σ。坏点的判定标准是：像素值 > μ + k*σ。k值怎么定？经验值：对于12bit raw，k取6-8。太小了误判多，太大了漏检。

但别死套公式。不同sensor的暗电流水平差异很大，比如索尼IMX系列暗电流通常<10e-/s，而一些国产sensor可能到50e-/s。所以阈值必须针对每颗sensor标定，不能一刀切。

第三步：位置映射与存储

检测到的坏点坐标存入OTP（One-Time Programmable）区域。注意：坐标必须是sensor原生坐标，不能是经过Binning或Cropping后的坐标。否则在线校正时坐标对不上，白忙活。

存储格式建议用压缩的“游程编码”，因为坏点通常成簇出现。我们当时用4字节表示一个坏点（2字节行号+2字节列号），一颗sensor最多存200个坏点，OTP空间够用。

三、在线校正：热噪点的“动态围剿”

在线校正不能依赖OTP里的静态坏点表，因为热噪点是动态的。我们的方案分两级：粗校正和精校正。

粗校正：基于帧差法的热噪点检测

每帧raw图进来，先做帧差。具体做法：维护一个“参考帧”，通常是上一帧的raw数据。当前帧与参考帧逐像素相减，差值超过阈值（比如50 DN）的像素标记为候选热噪点。

别这样写：直接对当前帧做全局阈值。因为场景中的高亮物体（比如灯光）也会产生大差值，会误判。帧差法的前提是：热噪点位置固定，而场景内容会移动。所以需要配合运动检测——如果整帧差值都很大，说明场景在变化，此时跳过热噪点检测。

精校正：自适应中值滤波

检测到热噪点后，不能简单用邻域均值替换，否则边缘会糊。我们用的是“方向性中值滤波”：先判断热噪点所在区域是平坦区还是边缘区。

• 平坦区：取3x3邻域的中值，简单粗暴。
• 边缘区：沿边缘方向取一维中值。比如检测到水平边缘，就取左右各2个像素的中值。

怎么判断边缘方向？用Sobel算子算梯度，但别全图算，只算热噪点周围的5x5区域，计算量可控。

温度补偿：热噪点数量的“天气预报”

热噪点数量与温度强相关。我们在sensor模组里贴了热敏电阻（NTC），实时读取温度。根据温度动态调整检测阈值：

• 温度 < 40℃：阈值设为50 DN，只校正最明显的热噪点。
• 40℃ ~ 60℃：阈值降到30 DN，校正中等强度的热噪点。
• 温度 > 60℃：阈值降到15 DN，全面校正。

这个策略来自一次惨痛教训：某次户外高温测试，手机温度飙到65℃，热噪点数量从几十个暴涨到上千个，阈值没调，结果画面全是白点。后来加了温度补偿，问题解决。

四、代码实现：别踩这些坑

下面给一段简化版的在线校正代码，用C语言风格，注释里写了我踩过的坑。

// 热噪点检测与校正函数// raw_in: 输入raw图，raw_out: 输出raw图，width/height: 图像尺寸// temp: 当前温度（摄氏度），ref_frame: 上一帧raw图voidhot_pixel_correction(uint16_t*raw_in,uint16_t*raw_out,intwidth,intheight,floattemp,uint16_t*ref_frame){// 根据温度动态调整阈值intthreshold;if(temp<40.0f){threshold=50;// 低温，阈值高，只校正明显的}elseif(temp<60.0f){threshold=30;}else{threshold=15;// 高温，阈值低，全面校正}// 遍历每个像素for(inty=1;y<height-1;y++){// 边界不处理，别越界for(intx=1;x<width-1;x++){intidx=y*width+x;intdiff=abs(raw_in[idx]-ref_frame[idx]);// 帧差检测，但需要排除场景运动// 这里简化处理：如果整帧平均差值大于100，认为场景在运动，跳过// 实际工程中需要更精细的运动检测if(diff>threshold){// 判断边缘方向// 计算水平梯度：|左-右|intgrad_h=abs(raw_in[idx-1]-raw_in[idx+1]);// 计算垂直梯度：|上-下|intgrad_v=abs(raw_in[idx-width]-raw_in[idx+width]);uint16_tcorrected;if(grad_h>grad_v){// 水平边缘，取左右中值// 别这样写：直接取左右均值，会模糊边缘// 应该取中值uint16_tneighbors[2]={raw_in[idx-1],raw_in[idx+1]};corrected=median_2(neighbors);// 2元素中值}elseif(grad_v>grad_h){// 垂直边缘，取上下中值uint16_tneighbors[2]={raw_in[idx-width],raw_in[idx+width]};corrected=median_2(neighbors);}else{// 平坦区，取3x3中值// 这里踩过坑：直接用冒泡排序取中值，太慢// 应该用快速选择算法，或者用硬件加速uint16_tneighbors[9];intn=0;for(intdy=-1;dy<=1;dy++){for(intdx=-1;dx<=1;dx++){neighbors[n++]=raw_in[(y+dy)*width+(x+dx)];}}corrected=median_9(neighbors);// 9元素中值，用快速选择}raw_out[idx]=corrected;}else{raw_out[idx]=raw_in[idx];// 正常像素，直接复制}}}// 更新参考帧memcpy(ref_frame,raw_in,width*height*sizeof(uint16_t));}

这段代码有几个关键点：

1. 边界像素不处理，否则数组越界，程序直接崩。
2. 中值滤波用快速选择算法（nth_element），别用冒泡排序，否则帧率掉一半。
3. 运动检测这里简化了，实际工程中建议用帧间SSD（平方差和）或者光流法。

五、性能优化：别让校正成为瓶颈

在线校正如果处理不当，会吃掉大量CPU时间。我们的优化策略：

硬件加速：如果ISP有坏点校正硬件模块（比如高通平台的BPC模块），优先用硬件。硬件处理一帧只需要几十微秒，软件要几毫秒。

降采样检测：不需要全分辨率检测热噪点。可以先把raw图降采样到1/4分辨率（比如用双线性插值），在低分辨率图上检测热噪点位置，再映射回全分辨率校正。这样检测速度提升4倍，准确率几乎不变。

分时处理：热噪点检测不需要每帧都做。可以每5帧检测一次，中间帧直接用上一次的坏点表校正。因为热噪点位置变化很慢（温度变化才变），没必要每帧都算。

六、个人经验：给后来者的建议

1. 工厂检测别省帧数：至少3帧平均，最好5帧。省帧数省出来的时间，最后都会变成产线返工的时间。
2. OTP存储要留余量：坏点表空间至少留50%冗余。有些sensor用久了会“冒”出新坏点，OTP写满就没办法了。
3. 在线校正阈值要保守：宁可漏检几个热噪点，也别误判正常像素。误判会导致画面出现“脏点”，比热噪点更难看。
4. 温度传感器别省：热敏电阻成本几毛钱，但能解决80%的热噪点问题。没有温度反馈的校正方案，就像盲人开车。
5. 测试用例要覆盖极端场景：低温（-20℃）下坏点可能“消失”，高温（70℃）下热噪点可能“爆发”。这些场景在实验室很难复现，但用户会遇到。建议用温箱做全温度范围测试。

最后说一句：坏点校正没有银弹。每颗sensor都有自己的“脾气”，最好的方案是“工厂标定+在线自适应”的组合拳。别指望一套参数打天下，那只会让你在产线投诉中焦头烂额。