4、镜头阴影校正：LSC原理、增益矩阵、AI自适应校正

镜头阴影校正，英文叫 Lens Shading Correction，简称 LSC。说白了，就是解决照片四周发暗、发偏色的问题。你拿手机拍一张纯色的白墙，如果发现中间亮、四周暗，或者中间白、四周发绿发红，那就是镜头阴影在作怪。

我刚开始做 ISP 的时候，觉得这玩意儿不就是乘个系数嘛，有啥难的？后来真上手调了才发现，坑多着呢。不同镜头、不同光圈、不同焦距，阴影表现完全不一样。今天咱们就把这块彻底讲透。

4.1 镜头阴影是怎么产生的？

镜头阴影主要分两种：亮度阴影和颜色阴影。

• 亮度阴影（Luma Shading）：也叫 vignetting。光线从镜头中心进入和从边缘进入，路径长度不一样，边缘的光线衰减更严重。再加上镜头本身的机械遮挡，边缘亮度自然就低了。
• 颜色阴影（Color Shading）：这个更麻烦。不同波长的光（红绿蓝）通过镜头时，折射角度不同，导致 sensor 不同位置对颜色的响应不一致。结果就是，边缘区域偏色了。

我记得有一次调试一个广角镜头，拍出来的天空，中间是蓝的，四周居然发紫。一开始我还以为是 sensor 坏了，后来一查，就是颜色阴影没校正好。

4.2 LSC 的经典实现：增益矩阵

最传统的做法，就是给每个像素乘一个增益系数。但这个系数不是随便给的，得根据像素在图像中的位置来查表。

具体流程是这样的：

1. 采集参考图：用均匀光源拍一张灰卡或白墙，得到一张 raw 图。
2. 计算增益：以图像中心为基准，计算每个像素位置需要的补偿增益。
3. 生成增益矩阵：通常是一个二维网格，比如 16x16 或者 32x32 的网格，每个网格点存一个增益值。
4. 插值应用：实际运行时，对不在网格点上的像素，用双线性插值算出它的增益，然后乘上去。

代码实现大概长这样：

// 假设 gain_grid 是 16x16 的增益矩阵，img_w, img_h 是图像尺寸
// 对每个像素 (x, y) 计算增益
float grid_step_x = img_w / 16.0f;
float grid_step_y = img_h / 16.0f;

int gx = (int)(x / grid_step_x);
int gy = (int)(y / grid_step_y);

float fx = (x - gx * grid_step_x) / grid_step_x;
float fy = (y - gy * grid_step_y) / grid_step_y;

// 双线性插值
float gain = (1-fx)*(1-fy)*gain_grid[gy][gx] 
           + fx*(1-fy)*gain_grid[gy][gx+1]
           + (1-fx)*fy*gain_grid[gy+1][gx]
           + fx*fy*gain_grid[gy+1][gx+1];

pixel_out = pixel_in * gain;

嗯，这里要注意：增益矩阵的精度很关键。我见过有人用 8bit 存增益，结果校正完出现明显的带状条纹。建议至少用 12bit 定点数或者 float16。

4.3 增益矩阵的标定流程

标定这一步，很多人觉得简单，其实最容易翻车。我分享一个我踩过的坑：

正确的标定流程应该是：

步骤	操作	注意事项
1	准备均匀光源（积分球或均匀面光源）	光源均匀性 < 1%，色温稳定
2	拍摄多张 raw 图，取平均降噪	至少 16 张，消除随机噪声
3	计算每个像素的增益	增益 = 中心亮度 / 当前亮度
4	下采样生成增益网格	网格密度要匹配镜头阴影的平滑度
5	验证校正效果	用另一组光源拍摄验证，看均匀性

你想想看，如果光源本身就不均匀，那标定出来的增益矩阵就是错的。所以第一步的硬件条件，千万别省。

4.4 传统方法的局限性

增益矩阵方法虽然成熟，但有几个硬伤：

• 对焦依赖：镜头阴影会随着对焦距离变化。变焦镜头更麻烦，不同焦段阴影完全不同。
• 温度漂移：sensor 温度变化时，颜色阴影会漂移。我实测过，温度升高 10 度，边缘的红色增益需要调整 2%-3%。
• 个体差异：同一批镜头，每颗的阴影曲线都不一样。量产时如果共用一套参数，效果参差不齐。

说白了，传统方法是一个"静态"的校正方案。它假设镜头阴影是固定不变的，但现实世界不是这样。

4.5 AI 自适应校正：让算法学会"看情况"

那怎么解决动态变化的问题？我的思路是：让算法自己判断当前场景需要什么样的校正。

AI 自适应校正的核心思想是：不依赖预标定的增益矩阵，而是根据图像内容实时预测校正参数。

具体做法有两种主流方案：

1. 参数预测网络：输入 raw 图的一些统计特征（比如各通道的亮度分布），输出一组增益网格参数。网络很小，几万参数就够了。
2. 端到端校正网络：直接输入 raw 图，输出校正后的 raw 图。这个方案效果最好，但计算量也最大。

我个人更倾向于第一种方案。为什么呢？因为增益网格是 ISP 硬件直接支持的，你只需要替换网格参数，不需要改硬件流水线。部署起来方便很多。

4.6 知识体系总览

下面这张图，把镜头阴影校正的完整知识结构画出来了。从问题根源到解决方案，再到 AI 进阶，一目了然。

4.7 落地时的一些经验

最后分享几个我在实际项目中踩过的坑和总结的经验：

• 增益不要太大：边缘增益超过 2.5 倍时，噪声会被严重放大。这时候要考虑是不是镜头本身太差了，该换镜头而不是硬调算法。
• 颜色阴影要分通道处理：R、G、B 三个通道的阴影曲线不一样，不能共用一套增益。我见过有人偷懒只做亮度校正，结果颜色偏得更厉害了。
• AI 模型要量化：ISP 通常跑在 DSP 或者 NPU 上，浮点模型跑不动。我建议训练时就用 QAT（量化感知训练），直接输出 int8 模型。
• 别忘了验证：校正完一定要用真实场景验证，别只看实验室数据。户外自然光、室内暖光灯、夜景，每种场景都要测。