055、去马赛克的“伪彩色诅咒“——方向插值/残差插值/深度学习方法的伪色抑制能力对比及在红色高光区域的实战表现

055、去马赛克的"伪彩色诅咒"——方向插值/残差插值/深度学习方法的伪色抑制能力对比及在红色高光区域的实战表现

去年秋天，我在调试一台车载前视摄像头的HDR融合链路，遇到一个让人挠头的现象：傍晚逆光场景下，前方车辆尾灯和红色广告牌周围，总有一圈青绿色的“鬼影”在闪烁。不是镜头眩光，也不是ISP的色差校正没生效，问题出在去马赛克（Demosaic）环节。当时用的是经典的方向插值算法，红色高光区域的边缘处，R、G、B三通道的插值方向不一致，导致高频信息被错误地“染色”成了伪彩色。这个案例让我决定把去马赛克的伪色抑制能力彻底扒一遍。

先说说伪彩色到底怎么来的。拜耳阵列里每个像素只采集一种颜色，另外两种颜色要靠邻居猜。猜的过程如果方向判断错了，比如在红色高光边缘处，水平方向梯度小、垂直方向梯度大，算法却沿着水平方向插值绿色，那就会把红色像素的亮度泄漏到绿色通道里，形成青绿色或品红色的边缘。方向插值算法的核心是梯度方向判断，但它在高饱和色块边缘特别容易翻车——因为梯度计算本身用的是未插值的原始数据，信噪比低，方向判断极易受噪声干扰。

我拿一个典型的红色高光区域做测试：一块纯红色LED灯牌，周围是深色背景，灯牌边缘有强烈的亮度跳变。用双线性插值，伪彩色带宽约6个像素，边缘处有明显的青绿色条纹；用方向插值（比如经典的Hamilton-Adams算法），伪彩色带宽缩到3个像素左右，但边缘处仍有可见的品红色和绿色交替的“拉链”效应。问题在于，方向插值只考虑了局部梯度，没有利用颜色通道之间的相关性——红色高光区域里，R通道的亮度远高于G和B，但插值G和B时，算法并不知道这个先验信息。

后来我换用残差插值（Residual Interpolation）思路。核心思想是先对R、G、B做一