080、去马赛克算法对比：双线性插值、色比恒定法与深度学习导向滤波的优劣分析

080、去马赛克算法对比：双线性插值、色比恒定法与深度学习导向滤波的优劣分析

从一次车载摄像头调试的“鬼影”说起

几年前，我在调试一款车载环视摄像头模组时，遇到一个诡异现象：车辆在夜间经过路灯下，画面中路灯边缘出现一圈一圈的彩色条纹，像彩虹一样。客户直接甩过来一张截图，说“你们这个摄像头是不是坏了，颜色都糊了”。我第一反应是镜头镀膜有问题，或者sensor的Bayer pattern有缺陷。但换上实验室的参考模组，同样的场景，同样的ISP pipeline，问题消失了。

折腾了两天，最后定位到——是去马赛克算法（Demosaic）的参数配置问题。当时用的是双线性插值，为了追求低延迟，把边缘保护阈值调得太松，导致高频区域（路灯边缘）的R、G、B通道插值方向互相打架，产生了伪色。后来换成色比恒定法，伪色没了，但画面整体偏软，像蒙了一层纱。最后被迫上了硬件加速的导向滤波方案，才勉强平衡了清晰度和色彩。

这件事让我深刻意识到：去马赛克不是简单的“填像素”，它直接决定了ISP pipeline的“地基”质量。地基歪了，后面的3A、HDR、降噪全是白搭。

双线性插值：快，但别指望它干活

双线性插值是最基础的方案，原理简单到令人发指：对于每个缺失的像素，直接用周围四个同色通道的像素做加权平均。比如Bayer pattern中一个R像素位置，需要插值出G和B，那就找最近的四个G像素和四个B像素，算个平均值填进去。

代码里踩过的坑：千万别在边缘不做特殊处理。很多新手直接写个循环，遍历