课程导论：镜头阴影与AWB是什么？为什么重要？

各位同学好，我是这门课的主讲。在图像处理这个行当摸爬滚打了十几年，我见过太多「看起来不错，一放大就露馅」的案例。今天咱们要聊的这两个东西——镜头阴影和AWB（自动白平衡），恰恰是决定一张照片「专不专业」的关键分水岭。

说白了，它们一个是管亮度的均匀性，一个是管颜色的准确性。你想想看，一张照片如果四角发暗、中间偏亮，或者整个画面偏蓝偏黄，哪怕分辨率再高、细节再丰富，观感也会大打折扣。我在项目中遇到过不少这样的场景：硬件选型没问题，传感器参数也调好了，但最终成像就是「脏脏的」。查来查去，根因往往就出在这两个环节。

镜头阴影：为什么四角总是比中间暗？

先说说镜头阴影。它的学名叫Lens Shading，也叫暗角。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。

为什么会这样？原因主要有两个：

• 光学原因：镜头本身是个凸透镜，光线从中心区域直射到传感器，路径短、损失小；而从边缘区域斜射过来，路径长、还要穿过更多镜片边缘，能量自然衰减。这叫余弦四次方定律，是物理规律，躲不开。
• 传感器原因：像素本身对入射角度有要求。边缘光线斜着打进来，微透镜和光电二极管的耦合效率会下降，这叫像素响应非均匀性。

嗯，这里要注意：镜头阴影不是「坏」的，它是物理限制。我们要做的不是消除它（也消除不了），而是用算法去补偿它。

AWB白平衡：为什么白纸拍出来是蓝色的？

再来看AWB。你拿手机在室内暖光灯下拍一张白纸，如果照片偏黄，或者在阴天室外拍偏蓝，那就是白平衡没做好。

人眼有「色彩恒常性」——不管光源是暖色还是冷色，我们的大脑会自动把白纸「校正」成白色。但传感器没这个本事，它老老实实地记录进入镜头的光线。所以，AWB的任务就是模拟人眼的色彩恒常性。

我刚开始做ISP的时候，总觉得AWB不就是找个白色区域算个增益嘛，能有多难？直到有一次在混合光源场景下（一半日光灯、一半钨丝灯），算法彻底翻车，画面一半蓝一半黄。从那以后，我再也不敢小看AWB了。

光源类型	色温（K）	典型场景	未校正偏色
烛光	1500-2000	烛光晚餐	严重偏橙红
钨丝灯	2500-3000	家庭暖光	偏黄
日光	5000-6500	正午户外	中性（参考基准）
阴天	6500-8000	多云/阴影	偏蓝

为什么这两个问题要放在一起讲？

你可能觉得，镜头阴影管亮度，AWB管颜色，两者各管各的，没什么交集。但实际工程中，它们会互相干扰。

举个例子：镜头阴影校正需要知道每个像素的增益系数。但这个增益系数如果算错了，或者在不同色温下不一致（因为镜头的透光率随波长变化），就会导致校正后的图像出现颜色阴影——四角偏绿或偏紫。反过来，AWB如果先做了，但没考虑边缘亮度衰减对颜色统计的影响，也会算出色温偏差。

所以，成熟的ISP pipeline里，这两个模块通常是紧耦合的。先做镜头阴影校正，再做AWB，但AWB的统计信息又会反过来微调阴影校正的参数。这就是实战中容易踩坑的地方。

课程目标与前置知识

这门课的目标很明确：让你能独立完成镜头阴影校正和AWB的算法实现、参数调试和工程落地。不是纸上谈兵，是真正能跑在硬件上的代码。

具体来说，学完这门课，你应该能：

1. 理解镜头阴影和AWB的数学模型和物理原理
2. 手写一套基于多项式拟合的镜头阴影校正算法
3. 实现灰度世界、完美反射、色温估计等多种AWB算法
4. 掌握联合调试的方法，解决实际项目中的偏色和暗角问题
5. 用Python快速验证算法，再用C++移植到嵌入式平台

前置知识方面，你需要：

• 熟悉Python基础（numpy、opencv的基本操作）
• 了解C++语法（指针、数组、类）
• 对图像格式（Bayer、RGB、YUV）有基本概念
• 一点线性代数的底子（矩阵乘法、最小二乘法）

如果你这些还不太熟，也别慌。每章我都会给出代码注释和数学推导的详细说明。你跟着敲一遍，跑一遍，自然就理解了。

本章知识体系

下面这张图，把镜头阴影和AWB在整个ISP pipeline中的位置，以及它们之间的关系，画了出来。你可以把它当作整门课的地图。

从这张图你能看到，整个流程是串行的：RAW数据进来，先过LSC，再过AWB，最后输出校正后的RGB图像。但中间有一条虚线反馈——AWB的统计结果可以用来微调LSC的增益表。这就是我前面说的「紧耦合」。