155、去马赛克算法演进：双线性插值、色比恒定、方向插值与深度学习方法的对比与选型
去年在调试一款车载环视模组时，遇到一个让人头疼的问题：夜间停车场场景下，白色车身上的文字边缘出现了密密麻麻的彩色锯齿，像被狗啃过一样。客户直接甩过来一张对比图，竞品方案干净利落。我盯着ISP输出的RAW图看了半天，问题出在去马赛克（Demosaic）环节——Bayer阵列的G通道插值把高频细节搞崩了。
这玩意儿看似基础，但选错算法，后面3A调得再好也白搭。今天把这十几年踩过的坑掰开揉碎聊一聊。
双线性插值：最朴素的“糊弄学”
双线性插值是教科书里的Hello World。原理简单到令人发指：每个像素缺失的两个颜色通道，直接用周围同色像素的平均值填充。比如Bayer阵列中R位置的G值，取上下左右四个G像素的平均。
实际调试中你会发现：这算法对平滑区域（天空、白墙）勉强能用，但一到纹理密集区就原形毕露。去年调一款安防枪机，监控仓库货架上的条形码，双线性插值出来的图像边缘全是摩尔纹，解码器直接罢工。原因在于它完全无视了图像的方向性——垂直边缘用水平方向的像素去平均，不糊才怪。
代码里有个坑：很多人直接写四邻域平均，但Bayer阵列的G通道分布是棋盘格，R/B位置插值G时，邻域选择要区分“上下左右”还是“对角”。我见过有人把R位置的G插值写成取四个对角G的平均，结果图像出现网格状伪影，查了两天才发现是索引写反了。别这样写，老老实实按Bayer pattern分情况处理。
