1. 光照校正概述

光照校正，说白了就是让图像恢复它「本来该有的样子」。我做了这么多年图像处理，遇到最多的坑反而不是算法多复杂，而是——输入图像的光照压根就不正常。

你想想看，一个均匀光照下拍出来的文档，OCR识别率能到98%。换到角落阴影里拍一张，直接掉到60%。这不是算法不行，是光照在捣鬼。

1.1 什么是光照不均

光照不均，就是图像里不同区域的亮度差异太大。正常图像应该亮度分布平滑，但光照不均的图像，有的地方亮得发白，有的地方暗得看不清细节。

我习惯把光照不均分成两类：

类型	特点	典型表现
全局不均	整体偏暗或偏亮	逆光人脸、欠曝文档
局部不均	部分区域异常	角落阴影、中心过曝
渐变不均	亮度从一端到另一端渐变	扫描仪边缘衰减、球面光照
纹理不均	光照在纹理上产生明暗条纹	褶皱文档、曲面物体

1.2 常见场景

我接触过的项目里，光照校正需求最集中的就三个方向。每个方向我都踩过坑，一个一个说。

文档扫描

这是最典型的场景。你拿手机拍一张合同，办公室顶灯在左上角，右下角就是阴影。或者扫描仪老化，中间亮两边暗。

我记得有一次做银行票据识别项目，客户说「你们的OCR怎么老识别错金额」。我一看原始图像——票据中间被手指压出一个弧形，光照在弯曲处形成了一条暗带。校正前识别率72%，校正后直接跳到94%。

文档光照校正的难点在于：

• 文字和背景的对比度不能丢失
• 不能把纸张本身的纹理当成阴影去掉
• 校正后不能出现伪影（比如边缘发黑）

人脸识别

人脸识别对光照极其敏感。同一个人的脸，正面光下识别通过，侧光下直接拒识。我参与过一个安防项目，闸机装在走廊尽头，头顶只有一盏日光灯。人脸一半亮一半暗，识别率惨不忍睹。

为什么会这样？因为人脸是三维曲面，光照方向不同，鼻子、眼窝、颧骨产生的阴影完全不同。这些阴影在特征空间里被当成了「不同的人」。

医学影像

医学影像的光照不均更隐蔽。X光片、CT、MRI，这些图像本身就不是「自然光照」拍的，但采集设备的不均匀性依然存在。

举个例子，MRI线圈的灵敏度从中心到边缘是衰减的。同一张片子，中心区域亮，边缘暗。如果不做校正，医生看边缘区域可能会漏掉病灶。

医学影像的特殊要求：

• 校正不能改变像素值的医学意义
• 不能引入伪影（伪影可能被误诊为病灶）
• 必须保持组织间的相对对比关系

1.3 校正的难点

说了这么多场景，其实核心难点就三个。我一个个拆开讲。

1. 光照和纹理分不开
   光照不均和物体本身的纹理在频域上经常重叠。你没法用一个简单的滤波器把它们完美分离。我试过高通滤波、同态滤波、小波分解，每种方法都有取舍。
2. 校正过度比不校正更糟
   我曾经犯过一个错误：对一张暗部细节丰富的图像做全局直方图均衡，结果暗部噪声被放大了十倍，图像变得没法看。校正不是越强越好，要适可而止。
3. 实时性要求
   很多场景需要实时处理，比如视频通话的美颜、闸机的人脸识别。复杂的校正算法跑不动，简单的算法效果又不够。这是个工程取舍问题。

1.4 校正的意义

做光照校正到底图什么？我总结了三层价值：

层面	具体收益	我见过的案例
提升识别率	OCR、人脸识别、目标检测的准确率提升10%~30%	票据识别项目，校正后从72%到94%
减少数据依赖	不需要采集各种光照条件下的训练数据	安防项目，一套模型适配全天光照变化
改善视觉体验	图像更自然、细节更清晰	手机拍照的自动增强功能

说白了，光照校正是图像预处理里性价比最高的操作之一。你花10%的算力做校正，可能换来20%的识别率提升。这笔账，怎么算都划算。

1.5 本章知识体系

下面这张图是我自己梳理的光照校正知识框架。你可以把它当成整个课程的地图。

这张图把光照校正拆成了四个模块：问题来源、常见场景、校正方法、核心难点。后面的章节会沿着这个框架展开。你先把这张图记在脑子里，后面学起来会顺很多。