镜头阴影校正原理：增益补偿模型与LSC算法概述

镜头阴影，说白了就是拍出来的照片四角发暗、中间亮。你想想看，用手机拍一张纯白墙壁，放大看四角是不是有点灰蒙蒙的？这就是镜头阴影在作怪。我刚开始接触ISP时，总觉得这问题不大，直到有一次做车载摄像头项目，客户拿测光表对着四角一量，差了好几个灰度级……嗯，从那以后我再也不敢小看LSC了。

为什么会有镜头阴影？

镜头阴影的成因主要有两个：

• 光衰减（Cos⁴ Law）：光线从镜头中心到边缘，入射角度越来越大，到达传感器的光强按cos⁴θ衰减。说白了，边缘收到的光比中心少得多。
• 机械遮挡：镜头镜筒、滤光片支架等结构，会挡住一部分边缘光线。尤其是小光圈时，这种遮挡更明显。

这两种效应叠加，就形成了我们看到的亮度从中心到边缘逐渐下降的“阴影”。

增益补偿模型：最直观的思路

既然边缘暗，那就把边缘的信号放大呗。这就是增益补偿模型的核心思想——给每个像素乘一个系数，让四角亮起来。

数学上很简单：

I_out(x, y) = I_in(x, y) × Gain(x, y)

其中Gain(x, y)就是补偿增益，中心区域接近1.0，边缘区域可能到2.0甚至更高。我在一个安防项目中遇到过极端情况，边缘增益需要调到3.5倍才能和中心亮度一致——结果噪声也被放大了3.5倍，画面边缘全是噪点。所以LSC不是简单的乘法，还要考虑信噪比平衡。

LSC算法的两种主流实现

实际工程中，LSC算法主要分两大类：

类型	原理	存储开销	适用场景
网格式LSC	将图像分成M×N网格，每个网格顶点存一个增益值，中间像素插值	低（几十到几百字节）	手机、安防、车载等量产产品
多项式拟合LSC	用多项式曲面拟合增益分布，计算时直接代入坐标	极低（几个系数）	资源受限的嵌入式设备

我个人习惯用网格式LSC，因为它能更精细地适配不同镜头的阴影特性。多项式拟合虽然省资源，但遇到非对称阴影（比如镜头装歪了）就抓瞎了。

网格式LSC的工作流程

这里我画了一张流程图，帮你理清整个校正链路：

双线性插值：让增益平滑过渡

网格顶点之间的像素怎么算？用双线性插值。我举个例子：

// 假设像素位于网格 (i, j) 到 (i+1, j+1) 之间
// dx, dy 是归一化偏移量（0~1）
G00 = gain_grid[i][j]
G10 = gain_grid[i+1][j]
G01 = gain_grid[i][j+1]
G11 = gain_grid[i+1][j+1]

// 先插值两行
G_top = G00 * (1 - dx) + G10 * dx
G_bot = G01 * (1 - dx) + G11 * dx

// 再插值列方向
G_pixel = G_top * (1 - dy) + G_bot * dy

这样算出来的增益是连续平滑的，不会出现块状痕迹。我曾经见过一个方案，直接用最近邻取整，结果校正后的照片上全是马赛克一样的网格线——嗯，这种坑踩过一次就不会再犯了。

增益上限与噪声控制

实际项目中，我一般这样配置增益上限：

• 手机摄像头：增益上限 2.0~2.5 倍（传感器信噪比好）
• 安防监控：增益上限 2.5~3.0 倍（暗光场景多）
• 车载摄像头：增益上限 1.8~2.2 倍（安全优先，避免噪声误判）

校准流程：如何生成增益表

增益表不是拍脑袋定的，得靠实际标定。标准流程如下：

1. 拍摄均匀光源：用积分球或均匀白板，拍一张RAW图
2. 计算参考值：取图像中心区域的平均亮度作为参考
3. 逐网格计算增益：每个网格顶点的增益 = 参考亮度 / 该顶点亮度
4. 平滑处理：对增益表做低通滤波，去除噪声和异常点
5. 量化存储：将浮点增益转为定点数（比如Q8.8格式），写入设备

多项式拟合LSC：轻量级方案

如果存储空间实在紧张，可以用多项式拟合。常见的是二阶或三阶多项式：

Gain(x, y) = a0 + a1·r² + a2·r⁴ + a3·r⁶

其中 r = sqrt((x - cx)² + (y - cy)²) / R_max

只需要存4~6个系数，计算时直接代入坐标。但缺点也很明显——遇到非对称阴影就无能为力了。我建议只在低端MCU或FPGA资源紧张时用这种方案。

两种方案的对比总结

对比维度	网格式LSC	多项式拟合LSC
校正精度	高（可适配任意阴影形状）	中（仅适配对称阴影）
存储开销	中等（几百字节~几KB）	极低（几十字节）
计算复杂度	低（查表+插值）	中（多项式求值）
调试难度	低（可视化增益表）	高（系数调优靠经验）
量产适配	每颗镜头单独标定	同一型号共用系数

我个人更推荐网格式LSC，尤其是现在存储成本越来越低，多花几百字节换来的校正精度提升，值。