053、LSC镜头阴影校正：从理论模型到产线标定
去年夏天，我在产线蹲了三天，就为了一个LSC问题。某款旗舰机的主摄，边缘亮度比中心低了将近40%，用户拍出来的照片像戴了墨镜。更诡异的是，同样的模组，换到另一家平台的ISP上，阴影表现完全不同。产线工程师拿着标定数据来找我，说“算法没问题，是镜头不行”。我看了眼数据，笑了——不是镜头不行，是LSC模型和产线标定流程之间，差了整整一个物理世界。
阴影从哪里来
镜头阴影，学名叫“渐晕效应”。说白了，就是光线从镜头中心到边缘，走过的路径不一样长，入射角度也不一样。中心区域光线直来直去，边缘区域光线要斜着穿过多层镜片，能量自然衰减。这还不算完，CMOS传感器本身也有“角度响应”——像素对斜入射光的敏感度天生就低。两个效应叠加，边缘亮度能掉30%-50%。
手机镜头因为要做薄，镜片组又小又密，渐晕尤其严重。车载镜头为了大视场角，边缘阴影更是家常便饭。医疗内窥镜那种鱼眼镜头，阴影曲线能给你画个抛物线出来。
理论模型：别被公式骗了
LSC校正的数学基础，说穿了就是“乘一个增益”。对每个像素点(x,y)，算出一个增益值G(x,y)，把暗的地方乘亮，亮的地方不动。理想情况下，G(x,y)应该是镜头衰减函数的倒数。
最经典的模型是“径向多项式模型”。假设镜头中心最亮，亮度随半径r单调递减，那么增益可以写成：
G® = 1 + a1r^2 + a2r^4 + a3*r^6 + …
注意，这里只有偶次项。为什么？因为镜头的光学特性是旋转对称的，奇次项会破坏对称性。我见过有人把奇次项加进去，结果校正完的照片，一边亮一边暗，像打了聚光灯。别这样写，物理直觉比数学公式更重要。
实际工程中，4阶多项式（a1和a2）就够用了。6阶以上容易过拟合，尤其是边缘像素少的时候，高阶项会疯狂震荡。这里踩过坑：某次量产，我们用了8阶多项式，标定数据完美拟合，R²=0.999。结果产线换了一批镜头，边缘出现环形亮斑——高阶项把噪声也拟合进去了。
更精确的模型是“网格增益表”。把图像分成16x16或32x32的网格，每个网格存一个增益值，像素之间双线性插值。这个模型不依赖任何物理假设，能处理非对称阴影——比如镜头装配偏了，或者传感器倾斜了。代价是标定数据量大，存储开销高。
产线标定：理想和现实的差距
实验室里，你可以在暗室用均匀光源拍一张灰卡，然后逐像素算增益。但产线上，每一秒都是成本。标定时间超过3秒，产线节拍就崩了。
产线标定的核心矛盾是：要快，还要准。
第一个坑：光源均匀性。产线上的积分球，标称均匀性99%，实际边缘能差2%。这2%会被LSC校正“完美”地补偿掉——然后用户拍出来的照片，中心比边缘暗2%。解决方案是：先标定光源，再标定镜头。或者用差分法，拍两张不同位置的灰卡，把光源不均匀性消掉。
第二个坑：镜头和传感器的配对。同一个镜头型号，不同个体之间，阴影曲线能差5%。同一个传感器，不同批次的角度响应也不一样。所以产线必须“一对一”标定——每个模组单独算增益。有人想偷懒，用“黄金模组”的标定数据批量复制，结果边缘一致性一塌糊涂。别这样写代码，除非你想被产线经理追杀。
第三个坑：温度漂移。镜头材料的热膨胀系数不是零，温度变了，镜片间距微变，阴影曲线跟着变。车载影像尤其敏感，夏天车内70度，冬天零下30度，同一个LSC参数，效果天差地别。解决方案是：做温度查表，或者用自适应算法，根据图像统计量实时调整增益。
实战：从标定到校正
产线标定的标准流程是这样的：
第一步，暗室环境，积分球光源，色温D65（或者根据产品定义选其他色温）。模组上电，拍一张raw图。
第二步，提取亮度通道。注意，不要用RGB的G通道代替亮度，因为拜耳阵列的G像素只占一半，直接取G会引入莫尔条纹。正确的做法是：对raw图做简单的去马赛克，或者用加权平均（R:G:B=0.2126:0.7152:0.0722）。这里踩过坑：某次偷懒直接用G通道，结果校正完的照片，绿色区域正常，红色和蓝色区域阴影残留——因为R和B的衰减曲线和G不一样。
第三步，计算增益。对每个像素，理想增益 = 中心亮度 / 当前亮度。但直接除会放大噪声，尤其是边缘暗区，信噪比本来就低，增益一乘，噪声跟着放大。所以要做平滑：要么用多项式拟合，要么用低通滤波。
第四步，压缩存储。增益值一般是浮点数，但产线要烧录到模组的OTP里，空间有限。通常用8bit或10bit定点数，配合查表。注意量化误差——增益值差1个LSB，在暗区可能造成1%的亮度误差，肉眼可见。
校正算法本身很简单：读raw图，查增益表，逐像素乘。但性能优化有讲究。手机ISP里，LSC通常放在BLC（黑电平校正）之后，Demosaic之前。因为raw域的数据是线性的，乘增益不会引入色偏。如果在RGB域做，增益会改变白平衡，需要额外补偿。
调优经验：那些年踩过的坑
中心点不准：径向模型依赖镜头中心坐标。产线上镜头装配有公差，中心偏移几个像素，校正效果就崩了。解决方案：标定时自动检测中心，或者用网格模型，不依赖中心假设。
边缘过曝：增益值太大，边缘像素乘完之后直接饱和。尤其是大光圈镜头，边缘增益能到2.0以上。对策：限制最大增益，或者改用“减法校正”——先降中心亮度，再统一提亮。代价是动态范围损失。
色差耦合：LSC只校正亮度，但镜头阴影往往伴随色差——边缘的R和B衰减比例不同，导致偏色。需要额外做“色阴影校正”（CFA LSC），对每个颜色通道独立算增益。
产线标定失败：最常见的原因是“灰卡没拍平”。灰卡有褶皱，或者光源角度不对，标定出来的增益曲线全是假的。产线质检要加一道“验证标定”的环节：用标定参数校正另一张灰卡，看残差是否在阈值内。
个人建议
别迷信理论模型。径向多项式在教科书上很漂亮，但产线上，网格增益表才是王道。它鲁棒、灵活、不依赖物理假设。代价是存储和计算，但现在的ISP硬件，16x16网格的查表插值，一个时钟周期就搞定了。
另外，永远不要忽略“人眼感知”。LSC校正的目标不是“物理上均匀”，而是“看起来均匀”。人眼对中心区域的亮度变化更敏感，对边缘区域相对宽容。所以有些厂商会故意保留一点边缘暗角，让照片更有“氛围感”。这不是偷懒，是审美。
最后，产线标定不是一次性的。镜头老化、传感器衰减、环境变化，都会让LSC参数失效。车载影像要求终身标定——每次OTA升级，都要根据用户实际拍摄的数据，微调增益表。这是算法工程师的终极噩梦，也是系统架构师的终极挑战。
下次产线再出LSC问题，别急着骂镜头供应商。先看看你的标定流程，是不是把物理世界简化成了数学公式。
