4. 镜头阴影校正（LSC）：从物理根源到工程实现
镜头阴影校正，圈里人常叫 LSC（Lens Shading Correction）。这玩意儿说白了，就是解决照片四角发暗、中心过亮的问题。你拿手机对着白墙拍一张，如果四角明显比中心暗，那就是镜头阴影在作怪。
我刚入行那会儿，第一次看到 raw 图上的亮度分布，还以为是 sensor 坏了。后来才明白，这是物理规律决定的，跟 sensor 本身关系不大。
4.1 镜头阴影的物理成因：余弦四次方定律
为什么会有镜头阴影？核心原因就一个——余弦四次方定律。这个定律告诉我们，像平面上的照度与入射角余弦的四次方成正比。
公式长这样：
E(θ) = E₀ · cos⁴(θ)其中 θ 是光线与光轴的夹角。你想想看，画面中心的光线几乎是垂直入射的，θ ≈ 0°，cos⁴(0°) = 1，照度最大。但到了画面边缘，光线斜着进来，θ 变大，cos⁴(θ) 急剧下降，照度自然就低了。
我做过一个实验：用 35mm 全画幅镜头配 24mm 焦距，边缘视场角大约 40°，cos⁴(40°) ≈ 0.34。也就是说，边缘的亮度只有中心的 34% 左右。这差距，肉眼一看就非常明显。
关键点：余弦四次方定律是物理极限，任何镜头都无法避免。但通过光学设计（如非球面镜片、微透镜阵列偏移）可以部分缓解，剩下的就得靠 ISP 算法来补。
除了余弦四次方，还有两个次要因素：
- 渐晕（Vignetting）：镜头机械结构遮挡了部分斜光线，尤其是大光圈时更明显。
- 像素角度响应：sensor 上的微透镜对斜入射光的收集效率下降，这个在 CMOS 上尤其突出。
所以，实际镜头阴影是光学渐晕 + 像素响应衰减的叠加结果。校正时不能只考虑 cos⁴ 模型，得用实测数据来拟合。
4.2 LSC 增益矩阵的生成
校正的思路很简单：给暗的地方补光，亮的地方不动。具体做法就是生成一个增益矩阵（Gain Map），每个像素位置对应一个增益值。
增益矩阵的生成流程，我一般分三步走：
- 采集平场图像：用均匀光源（积分球或均匀白板）拍摄一张 raw 图。注意，光源要均匀，曝光要适中，不能过曝也不能太暗。
- 计算相对响应：以图像中心为参考，计算每个像素相对于中心的亮度比值。公式很简单：
gain(x,y) = center_value / pixel_value(x,y)。 - 平滑与压缩：原始增益矩阵有噪声，需要做平滑滤波。然后根据硬件资源，压缩成网格形式（Grid Gain）或多项式系数。
实战技巧：采集平场时，我习惯拍多张（比如 16 张）然后取平均，这样可以消除随机噪声和光源的微小波动。另外，记得把镜头光圈调到常用档位，因为不同光圈下阴影特性不一样。
增益矩阵的存储格式，常见的有两种：
| 格式 | 描述 | 典型大小 | 适用场景 |
|---|---|---|---|
| 全分辨率矩阵 | 每个像素一个增益值 | 几 MB 到几十 MB | 高精度、离线校正 |
| 网格增益 | 均匀采样网格，插值得到全图 | 几 KB 到几百 KB | 实时 ISP、嵌入式系统 |
| 多项式系数 | 用多项式模型拟合增益曲面 | 几十字节到几百字节 | 极低资源、固定镜头 |
我个人最常用的是网格增益，17×13 或者 33×25 的网格，配合双线性插值，精度和资源消耗都比较平衡。
4.3 径向模型与多项式模型
既然镜头阴影是径向对称的（以图像中心为圆心），那我们可以用更简洁的模型来描述它。
径向模型
径向模型假设增益只与像素到图像中心的距离 r 有关。公式如下：
gain(r) = 1 + a₁·r² + a₂·r⁴ + a₃·r⁶其中 r 是归一化距离（0 到 1）。这个模型的好处是参数少，只需要 3-4 个系数就能描述整个增益曲面。
但有个坑——实际镜头阴影并不完全径向对称。尤其是手机镜头，因为模组组装公差，中心点往往不在图像正中心，而且不同方向的衰减速度也不一样。我曾经遇到过一台设备，左上角和右下角的阴影差了 15%，用纯径向模型怎么调都调不好。
多项式模型
多项式模型更灵活，它用二维多项式来拟合增益曲面：
gain(x,y) = c₀₀ + c₁₀·x + c₀₁·y + c₂₀·x² + c₁₁·x·y + c₀₂·y² + ...阶数越高，拟合精度越好，但计算量也越大。我一般用 4 阶或 5 阶多项式，再高就容易过拟合了。
注意：多项式模型在图像边缘容易出现“翘曲”现象——增益值突然变得很大或很小。这是因为多项式在边界处缺乏约束。解决办法是加正则项，或者在拟合时对边缘区域加权。
两种模型的对比：
| 特性 | 径向模型 | 多项式模型 |
|---|---|---|
| 参数数量 | 3-6 个 | 10-30 个（4-5 阶） |
| 拟合精度 | 中等（依赖对称性） | 高（可拟合非对称） |
| 计算开销 | 极低 | 低到中等 |
| 适用场景 | 高质量镜头、对称性好 | 手机镜头、模组公差大 |
4.4 校正精度与性能权衡
做 LSC 最头疼的就是精度和性能的取舍。你想想看，一个 4K 图像有 800 多万像素，每个像素都要算一次增益，再乘回去，这计算量可不小。
我总结了几种常见的工程方案：
- 查表法：预计算好增益值，存成 LUT。速度快，但占存储。适合固定场景。
- 插值法：存网格增益，运行时双线性或双三次插值。平衡方案，我推荐这个。
- 实时计算：用多项式或径向模型，每个像素现场算。最省存储，但计算量大。
精度方面，有几个指标要关注：
| 指标 | 定义 | 典型要求 |
|---|---|---|
| 校正残差 | 校正后图像的最大亮度偏差 | < 2% |
| 色差残留 | R/G/B 通道校正后的比例偏差 | < 1% |
| 块效应 | 网格插值导致的块状痕迹 | 不可见 |
我曾经在一个项目中，为了省存储空间，把网格从 33×25 压缩到 17×13，结果校正后的图像出现了明显的块状条纹。后来改成 25×17 网格 + 双三次插值，块效应才消失。嗯，这里要注意，网格密度和插值算法要匹配，不能一味压缩。
我的建议：如果硬件资源允许，优先用网格增益 + 双线性插值。网格密度选 33×25 或 25×17，每个通道独立存储。这样精度够用，性能也跟得上。如果芯片算力紧张，再考虑多项式模型，但一定要做边缘约束。
4.5 知识结构总览
下面这张图，把 LSC 的核心脉络串起来了：
这张图把 LSC 的三大块——物理成因、增益矩阵生成、数学模型——以及它们之间的关联都画清楚了。最下面那条“校正精度 vs 性能权衡”，是实际工程中绕不开的决策点。
好了，关于镜头阴影校正，核心内容就这些。记住，理论是基础，但真正落地时，一定要拿实拍数据说话。每个镜头模组都有自己的“脾气”，校准参数得一个一个调，没有万能公式。