4、镜头阴影校正(LSC)：从现象到实战

镜头阴影校正，圈里人常叫 LSC。这玩意儿说白了，就是解决照片四周发暗、发偏色的问题。你拿手机拍一张纯白墙壁，如果中间亮、四角暗，那就是典型的镜头阴影。

我刚开始做 ISP 时，觉得这步不就是乘个增益嘛，有啥难的？直到有一次，客户反馈说他们的无人机拍出来的画面，左上角总是偏绿...嗯，从那以后，我再也不敢小看 LSC 了。

4.1 镜头阴影现象：为什么会暗角？

镜头阴影分两种：亮度阴影和色度阴影。咱们先看物理成因。

阴影类型	物理原因	表现特征
亮度阴影（Luma Shading）	镜头光学余弦四次方定律：边缘光线入射角大，到达 sensor 的光强按 cos⁴θ 衰减	四角变暗，亮度下降明显
色度阴影（Color Shading）	不同波长光线通过镜头时折射率不同，导致 RGB 通道衰减不一致	边缘偏色，常见偏绿或偏紫
微透镜串扰	sensor 像素微透镜对边缘入射光的收集效率下降	加剧暗角和偏色

你想想看，一个 1200 万像素的 sensor，中心像素和边缘像素接收到的光量可能差 30%-50%。如果不校正，整张图就没法看了。

4.2 增益补偿原理：怎么把暗角拉回来？

原理其实很简单：给每个像素乘一个补偿系数。中心区域系数接近 1.0，边缘区域系数大于 1.0。但这里有个坑——你不能简单粗暴地乘一个固定值。

为什么？因为镜头阴影不是线性的。它跟镜头焦距、光圈、对焦距离都有关系。我记得有一次调试一个广角镜头，F1.8 光圈下阴影比只有 60%，但收到 F4.0 就变成 80% 了。同一个镜头，不同光圈，补偿曲线完全不同。

增益补偿的数学模型：

// 基本补偿公式
I_corrected(x, y) = I_raw(x, y) × G(x, y)

// 其中 G(x, y) 是位置相关的增益系数
// 对于 Bayer 格式，每个通道独立计算
G_r(x, y) = 1 / gain_r(x, y)
G_gr(x, y) = 1 / gain_gr(x, y)
G_gb(x, y) = 1 / gain_gb(x, y)
G_b(x, y) = 1 / gain_b(x, y)

这里要注意，Bayer 格式下 R、Gr、Gb、B 四个通道的阴影曲线不一样。如果你只用一个增益矩阵，色度阴影就校正不了。我见过不少方案，亮度拉回来了，但边缘偏色更严重了。

4.3 网格校正算法：工程上怎么实现？

理论讲完了，咱们聊聊工程实现。你不可能给每个像素都存一个增益系数——那太费内存了。实际做法是：用网格（Grid）来近似。

网格校正的核心思路：

1. 标定阶段： 拍一张均匀光照下的灰卡或白板，计算出每个像素的理想增益
2. 网格采样： 按固定步长（如 16x16、32x32 像素）采样增益值，形成网格表
3. 插值计算： 运行时对网格内的像素做双线性插值，得到每个像素的增益
4. 增益应用： 将插值后的增益乘到原始像素上

网格大小怎么选？我个人的经验：

网格步长	内存占用（1080P）	校正精度	适用场景
8x8	~1.2MB	高	高精度、大光圈镜头
16x16	~300KB	中	大多数手机镜头
32x32	~75KB	低	小光圈、低要求场景

双线性插值的实现：

// 双线性插值计算增益
float interpolate_gain(float x, float y, float grid[][], int grid_w, int grid_h) {
    // 计算网格索引
    int x0 = (int)(x / grid_step);
    int y0 = (int)(y / grid_step);
    int x1 = min(x0 + 1, grid_w - 1);
    int y1 = min(y0 + 1, grid_h - 1);
    
    // 计算小数部分
    float dx = (x - x0 * grid_step) / grid_step;
    float dy = (y - y0 * grid_step) / grid_step;
    
    // 双线性插值
    float top = grid[y0][x0] * (1 - dx) + grid[y0][x1] * dx;
    float bottom = grid[y1][x0] * (1 - dx) + grid[y1][x1] * dx;
    
    return top * (1 - dy) + bottom * dy;
}

4.4 LSC 与 AI 的融合：新思路

传统 LSC 依赖标定，但标定过程很麻烦。每个镜头模组都要单独标，产线效率低。而且镜头老化、温度变化都会导致阴影曲线漂移。

我最近在尝试用轻量级 CNN 来做自适应 LSC：

• 输入： 原始 Bayer 图像 + 镜头参数（光圈、焦距、温度）
• 输出： 每个通道的增益网格
• 网络结构： 3-4 层卷积，参数量控制在 50K 以内
• 优势： 无需产线标定，自动适应镜头差异和环境变化

当然，AI 方案也有坑。推理延迟要控制在 1ms 以内，否则影响帧率。我建议先用传统 LSC 做粗校正，再用 AI 做精细补偿，这样既保证实时性，又提升精度。

4.5 本章知识体系

下面这张图总结了 LSC 的核心流程和关键点：

4.6 实战要点总结

最后，我把 LSC 调试中的几个关键点列出来，供你参考：

• 标定环境： 用积分球或均匀光源，保证光照均匀度 > 98%。我见过有人用白墙标定，结果墙本身就不均匀，校正完反而更糟。
• 温度补偿： 镜头阴影随温度漂移，建议在 -20°C 到 60°C 范围内做多组标定，运行时根据温度查表。
• 边界处理： 图像边缘的像素可能没有完整的网格邻居，需要做镜像或边界复制，避免插值越界。
• 性能优化： 网格插值可以用定点数实现，避免浮点运算。我习惯把增益放大 256 倍存成整数，运行时移位回来。

好了，LSC 的内容就到这里。记住一句话：镜头阴影校正，不是简单的乘增益，而是对光学系统、sensor 特性和工程实现的综合把控。把基础打牢，后面做 AI 融合才心里有底。