013、去马赛克算法深度对比：双线性、色比恒定、方向插值与深度学习方法的优劣

013、去马赛克算法深度对比：双线性、色比恒定、方向插值与深度学习方法的优劣

去年在调试一款车载环视模组时，遇到一个诡异现象：白天停车场标线边缘全是彩色锯齿，像打翻的调色盘。客户指着屏幕问：“你这摄像头是不是坏了？”我盯着RAW图看了半天，sensor没坏，镜头没脏，问题出在去马赛克算法——默认的双线性插值在边缘处彻底翻车了。从那以后，我对这个看似基础的模块再也不敢掉以轻心。

去马赛克（Demosaic）是ISP pipeline里第一个真正意义上的“图像重建”步骤。Bayer pattern上每个像素只记录一种颜色，另外两种颜色全靠猜。猜得好，画面干净锐利；猜得差，伪色、锯齿、摩尔纹全来了。今天把这几年踩过的坑和对比过的算法掰开揉碎聊一聊。

双线性插值：最朴素的“平均主义”

双线性插值的思路简单到令人发指：要算G通道缺失值？把周围四个G像素拉过来平均。R和B同理。代码写起来三五行，跑起来飞快，占用的硬件资源几乎可以忽略不计。

但别高兴太早。我在调试一款低端安防IPC时，用双线性插值拍室内白墙，画面看着还行。一转到室外拍树枝，边缘全是彩色条纹。为什么？因为双线性假设颜色变化是连续的、平滑的，但真实世界的边缘往往是突变的。平均操作把不同颜色的信息混在一起，边缘处自然产生伪色。

这里踩过坑：双线性对纹理丰富的场景几乎必出伪色。如果你在调试低功耗设备，资源实在紧张，至少要在边缘检测后做一下后处理——比如检测到高频区域时，改用其他插值策略。别指望双线性能扛住复杂场景，它只适合拍纯色背景或者文字文档。