图表是“超级混乱”，因为它显示了图像的赏金。
不在边缘中的所有红色/蓝色像素具有4个有效的绿色相邻像素。
根本不应该有3个邻居的平均值（除了边缘）。
看一下G（假设为红色像素）：
x一米一纳米一x =（x一米二纳米一x + x一米三纳米一x + x一米四纳米一x + x一米五纳米一x）/ 4

看一下J（假设为蓝色像素）：
x一米七氮一x =（x一米八氮一x + x一米九氮一x + x一米十氮一x + x一米十一氮一x）/ 4

除页边空白外，我们可适用下列规则：

• 对于每个偶数行（0，2，4...），我们用4个相邻像素的平均值替换偶数列（0，2，4...）中的像素。
• 对于每个奇数行（1，3，5...），我们用4个相邻像素的平均值替换奇数列（1，3，5...）中的像素。

处理边距：
为了简化，我们可以在图像的顶部填充一行，底部填充一行，左侧填充一列，右侧填充一列。
在填充图像中，每个红/蓝像素有4个“有效”的绿色相邻像素。
对于填充，我们采用第二相邻行/列（而不是第一相邻行/列）以保持正确的Bayer对齐。
您没有发布输入图像...我创建了以下图像与GRBG拜耳对齐测试：

代码示例：

import imageio as io
from matplotlib import pyplot as plt
import numpy as np
# Bayer pattern of peppers_bayer.png is GRBG
filename_Grayimage = 'peppers_bayer_grbg.png'
# read image
img = io.imread(filename_Grayimage, as_gray=True)
img = img.astype(np.uint8)  # imageio reads the data float type - convert the type to uint8 (working with integer pixels).
h, w = img.shape
# set figure size of the plot 
plt.figure(figsize=(10, 8))
# our final image will be a 3 dimensional image with 3 channels
#rgb = np.zeros((h, w, 3), np.uint8)
# Add padding of 1 row at the top, one row at the bottom, one column at the left and on at the right.
img = np.pad(img, ((1, 1), (1, 1)))
img[:, 0] = img[:, 2]  # Copy the second column (not the first) for keeping the Bayer pattern correct.
img[:, -1] = img[:, -3]
img[0, :] = img[2, :]
img[-1, :] = img[-3, :]
# reconstruction of the green channel IG
IG = np.copy(img) # copy the image into each channel
# Size after padding is w+2 by h+2
w += 2
h += 2
for row in range(1, h-1, 2): # loop steps of 2 - each iteration applies one even and one odd row.
    # Padding - lower case.
    # Original pixels - upper case
    #
    # -------------- padding
    # |        |
    # V        V
    # gbgbgbgbgg <-- padding
    # rGRGRGRGRr
    # gBGBGBGBGg
    # rGRGRGRGRr
    # gBGBGBGBGg
    # rgrgrgrgrr <-- padding
    # Odd row:
    # Note: first row is odd, because row starts from 1
    for col in range(2, w-1, 2):  # Odd row: Start from col=2, because pixel in col=1 is green
        #  G 
        # G*G
        #  G
        C = int(img[row-1, col])
        E = int(img[row, col-1])
        F = int(img[row, col+1])
        H = int(img[row+1, col])
        IG[row, col] = np.round((C + E + F + H) / 4)  # Each "filled pixel" is an average of 4 neighbors
    # Even row:
    row1 = row + 1  # One row below <row>
    for col in range(1, w-2, 2):  # Even Row: start from col=1, because pixel in col=1 is blue
        #  G 
        # G*G
        #  G
        F = int(img[row1-1, col])
        I = int(img[row1, col-1])
        K = int(img[row1, col+1])
        N = int(img[row1+1, col])
        IG[row1, col] = np.round((F + I + K + N) / 4)    # Each "filled pixel" is an average of 4 neighbors
# Remove the padding:
IG = IG[2:-1, 2:-1]
# [x] TODO: show green (IR) in first subplot (221) and add title - refer to rgb one for hint on plotting
plt.subplot(221)
plt.imshow(IG, cmap='gray')
plt.title('IG')
plt.show()

输出：

这看起来像一个练习，所以我不会告诉你错误，希望这能帮助你自己找到错误。
基本算法是正确的 *，但有两个问题的实现。仔细看看你的方程和插值代码再次。你猜可能有丢失的像素，所以检查a）正确的像素被替换和b）被替换的像素有正确的值。
我将向您介绍一些可以用来捕获此类错误的方法。

**使用输出完全已知的简单图像进行测试。**我指的是全黑、全白色和全灰图像。这里这些图像的输出应该与输入相同。是这样吗？如果不是，是否有可识别的模式可以缩小问题范围？
**用更简单的算法替换该算法。**如果将插值替换为将所有插值像素设置为固定值，则应该能够找到其他问题如果您使用具有单个强度值的输入图像，则会更加明显（例如255），但你也会在输入图像中看到这个错误。这个错误通过将输入图像复制到输出图像中而被隐藏，但你会注意到实际的GBRG或GRBG图像作为输入。

• 因为它会进行插值，而不是因为它是最好的方法，更好的方法请参见Rotem's answer。