一面均匀的墙，为什么拍出来不均匀#

如果场景亮度是 $S(x,y)$，镜头—传感器系统在位置 $(x,y)$ 的相对响应是 $V(x,y)$，暂时忽略噪声和黑电平，RAW 测量可以写成：

中心响应通常归一化为 $V\approx1$，角落可能只有 0.5。LSC 保存的增益场近似为其倒数：

于是角落 0.5 乘 2.0，理论上回到与中心一致。实际系统会留出增益上限、平滑网格并处理噪声，因此不会简单地对每个像素做一次完全自由的除法。

组件用径向函数制造了一张均匀灰场。真实镜头的阴影可能偏心、椭圆，甚至因为装配误差出现不对称；径向模型适合建立直觉，却不是量产标定必须遵守的形状。

阴影从哪里来#

“四角暗”常被统称为渐晕，但它背后有几类机制。

亮度阴影和颜色阴影是两件事#

假设中心中性块测得：

1
R = 0.50, G = 0.50, B = 0.50

角落若变成：

1
R = 0.30, G = 0.30, B = 0.30

三个通道同比例下降，主要表现为亮度阴影。若角落是：

1
R = 0.34, G = 0.30, B = 0.25

除了总体变暗，通道比例也变了，角落会带颜色。只用一张公共亮度增益图，可以把明暗大致拉平，却无法同时让中性区域恢复中性。

RAW Bayer 又不是每个位置都有完整 RGB。以 RGGB 为例：

1
R  Gr
2
Gb B

工程实现通常分别为 R、Gr、Gb、B 保存四张低分辨率 gain mesh。两个绿色平面理论上响应相近，但空间位置、读出路径或微透镜布局不同，保留两张表更容易覆盖细微差异。

这四张图不是四张输出彩色图，而是四类 CFA 样本各自的空间系数。应用时，程序根据 Bayer pattern 和像素坐标，为当前位置选择正确平面的插值增益。

为什么用 gain mesh，而不是逐像素表#

一张 4000×3000 的 RAW 有 1200 万个采样点。如果每个像素、每个通道都保存一个浮点增益，标定文件和硬件 SRAM 都会很大，而且逐像素测量噪声容易被直接拟合进去。

镜头阴影通常是低频变化，所以可以只保存例如 17×13、33×25 这样的稀疏网格节点，再在节点间插值。这样做有三点好处：

• 存储和带宽显著下降；
• 平滑插值自然抑制平场拍摄中的随机噪声；
• ISP 可以用固定流水线逐像素生成增益。

代价是网格太稀时无法描述局部变化，太密时又可能拟合灰尘、照明不均或噪声。网格尺寸是模型能力与稳健性之间的选择，不是越大越好。

二维双线性插值怎样工作#

假设像素落在四个网格节点之间。左上、右上、左下、右下的增益分别为 $g_{00},g_{10},g_{01},g_{11}$，像素在当前单元内的归一化位置为 $(u,v)$，其中 $u,v\in[0,1]$。

先沿水平方向插值：

再沿垂直方向插值：

合并后就是：

四个权重非负且相加为 1，所以结果位于四个节点增益的范围内。它对节点值是线性的，但二维曲面在每个小格内是双线性的。

真实实现还要明确网格覆盖的是有效成像区还是包含 optical black 的完整 RAW、节点位于像素中心还是边界、裁切和缩放后的坐标怎样映射。半个像素的坐标约定差异可能形成格状残差，不能只确认“公式写了双线性”就结束。

怎样从平场图标定一张 LSC 表#

最直接的标定输入是一张平场图：相机对准亮度和光谱尽量均匀的积分球或漫射光源，在固定曝光、模拟增益、光圈和焦距下采集多帧 RAW。

1
import numpy as np
2

3

4
def estimate_plane_gain(plane, rows=13, cols=17, max_gain=3.0):
5
    """从已经减黑电平的单个 Bayer 平面估计节点增益。"""
6
    h, w = plane.shape
7
    y_edges = np.linspace(0, h, rows + 1, dtype=int)
8
    x_edges = np.linspace(0, w, cols + 1, dtype=int)
9
    response = np.empty((rows, cols), dtype=np.float32)
10

11
    for j in range(rows):
12
        for i in range(cols):
13
            patch = plane[y_edges[j]:y_edges[j + 1],
14
                          x_edges[i]:x_edges[i + 1]]
15
            response[j, i] = np.median(patch)
16

17
    center = response[rows // 2, cols // 2]
18
    gain = center / np.maximum(response, 1e-6)
19
    return np.clip(gain, 1.0, max_gain)
20

8 collapsed lines
21

22
raw_linear = raw.astype(np.float32) - black_level
23
r  = raw_linear[0::2, 0::2]
24
gr = raw_linear[0::2, 1::2]
25
gb = raw_linear[1::2, 0::2]
26
b  = raw_linear[1::2, 1::2]
27

28
meshes = [estimate_plane_gain(p) for p in (r, gr, gb, b)]

在 Bayer 域应用四张增益网格#

应用阶段要把低分辨率 mesh 插值到每个 Bayer 样本位置。教学代码可以先把单平面网格放大，再写回相应位置：

1
import numpy as np
2

3

4
def bilinear_sample(mesh, x, y):
5
    """x、y 是 0 到 1 的归一化坐标数组。"""
6
    rows, cols = mesh.shape
7
    gx = x * (cols - 1)
8
    gy = y * (rows - 1)
9
    x0 = np.floor(gx).astype(int)
10
    y0 = np.floor(gy).astype(int)
11
    x1 = np.minimum(x0 + 1, cols - 1)
12
    y1 = np.minimum(y0 + 1, rows - 1)
13
    tx = gx - x0
14
    ty = gy - y0
15

16
    top = mesh[y0, x0] * (1 - tx) + mesh[y0, x1] * tx
17
    bottom = mesh[y1, x0] * (1 - tx) + mesh[y1, x1] * tx
18
    return top * (1 - ty) + bottom * ty
19

20

20 collapsed lines
21
def apply_lsc_rggb(raw, meshes):
22
    """raw 已减黑电平；meshes 顺序为 R、Gr、Gb、B。"""
23
    output = raw.astype(np.float32).copy()
24
    locations = [
25
        (slice(0, None, 2), slice(0, None, 2)),
26
        (slice(0, None, 2), slice(1, None, 2)),
27
        (slice(1, None, 2), slice(0, None, 2)),
28
        (slice(1, None, 2), slice(1, None, 2)),
29
    ]
30

31
    for location, mesh in zip(locations, meshes):
32
        plane = output[location]
33
        yy, xx = np.meshgrid(
34
            np.linspace(0, 1, plane.shape[0]),
35
            np.linspace(0, 1, plane.shape[1]),
36
            indexing="ij",
37
        )
38
        output[location] = plane * bilinear_sample(mesh, xx, yy)
39

40
    return output

生产实现通常边扫描边递增插值权重，不会真的创建与图像同尺寸的 xx、yy 数组。硬件还可能把增益量化成定点数，所以要测试系数量化、累加位宽和舍入误差是否产生条带或网格边界。

LSC 在 ISP 管线的什么位置#

一条简化的 RAW 路径可以写成：

1
RAW 读取
2
  ↓
3
BLC 黑电平校正
4
  ↓
5
DPC / RAW 域降噪
6
  ↓
7
LSC 镜头阴影校正
8
  ↓
9
Bayer 域 WB
10
  ↓
11
Debayer
12
  ↓
13
CCM / Tone Mapping / Gamma

具体产品会调整 DPC、降噪、LSC 和 WB 的次序，但几个原则很稳定。

校正会放大四角噪声#

设角落信号为 $sV$，噪声为 $n$。乘以 $G=1/V$ 后：

信号均值得到恢复，噪声幅度却也乘了 $G$。LSC 无法重新收集进入镜头时已经损失的光子；它只是改变数字比例。因此一张“亮度完全均匀”的校正图，角落信噪比仍可能比中心差。

Shot noise 与信号相关，read noise 又有不同模型，真实噪声传播不能只用一个固定标准差描述。但结论不变：角落增益越大，暗部噪声越显眼。这也是 LSC 常与空间相关降噪强度、最大增益限制一起设计的原因。

高光与余量同样要算清楚#

如果角落测量值因为阴影只有 0.6，乘 2.0 会得到 1.2。若中间格式允许浮点或留有整数 headroom，后续曝光、tone mapping 仍能处理这个值；若 LSC 模块立即裁剪到 1.0，超过上限的差异就消失了。

四个 Bayer 平面的增益不同，还可能让某一通道最先越界，从而形成高光偏色。标定时把中心归一化为 1.0 并不代表任何真实场景都不会溢出，整个 ISP 必须共同规划 white level、WB、LSC 与数字增益的余量。

“为了不裁剪，把整张图除以最大 LSC gain”可以换取数值空间，但会降低整体亮度或有效精度；它并不能恢复传感器已经饱和的通道。保留更宽中间位深、延后裁剪通常更稳妥。

什么时候一张 LSC 表不够#

变焦镜头在不同焦距下光学结构明显变化；光圈改变遮挡；对焦会移动镜组；不同光谱让颜色阴影发生变化。因此相机可能保存多组标定表，并根据运行状态插值：

• 焦距节点之间插值；
• 对焦距离或光圈节点之间插值；
• 不同色温或光源类别之间插值；
• 模组个体表与典型 golden table 混合。

这又引入一层参数空间插值。切表必须平滑，否则视频中会看到角落亮度或颜色突然跳变。若设备只使用一张典型表，则要验证模组公差下的最坏情况，并避免过度校正。

常见错误怎样从画面反推#

四角仍然偏暗：增益不足、坐标覆盖范围不对、使用了不匹配的焦距表，或平场标定把光源暗角误当成镜头特性。

四角反而变亮：增益过大、中心参考选择错误，或同一份校正被应用了两次。

出现彩色棋盘或 2×2 周期纹：Bayer pattern、有效区起点或 R/Gr/Gb/B 表映射错误。

出现网格边界：节点顺序、插值坐标或定点精度错误；也可能是增益表本身不连续。

亮度拉平但颜色仍偏：只使用了公共 luma mesh，没有分别校正四个 Bayer 平面，或标定光谱与实际光源相差太大。

角落彩噪明显：可能是预期的噪声放大，不一定是插值错误。检查原始角落 SNR、最大增益和空间降噪策略。

高光边缘变色：不同通道在 LSC 或后续 WB 后先后饱和，且中间阶段过早裁剪。

验证一套 LSC 的清单#

实现完成后，不要只凭一张普通照片判断。至少检查：

1. 单位表测试：所有节点设为 1.0，输出应与输入一致。
2. 常数输入测试：给定解析 gain mesh，逐点比对 CPU 参考结果。
3. 节点与边界测试：像素恰好落在节点、四条边和四个角时，索引不能越界。
4. CFA 映射测试：用 R、Gr、Gb、B 四张明显不同的常数表确认位置对应。
5. 平场均匀性：比较校正前后中心、边缘和角落的均值与色度残差。
6. 独立数据验证：生成表和验证表不能完全来自同一帧，避免把噪声当成能力。
7. 噪声检查：测量不同半径处的均值、方差与 SNR，确认角落代价符合预期。
8. 高光检查：在 LSC 与 WB 的组合最大增益下验证位宽、white level 与裁剪位置。
9. 状态切换检查：变焦、对焦、光圈或色温切表时，视频不能闪烁或跳色。
10. 元数据检查：确认有效区、裁切、旋转、镜像和 binning 后的坐标仍匹配标定。

最后记住：LSC 修正响应，不恢复光子#

LSC 的数学核心只是一个随位置变化的乘法：测得哪里响应弱，就在那里使用更大增益。gain mesh 与二维双线性插值让这张空间函数可以被紧凑保存，Bayer 四平面又让亮度阴影与颜色阴影能够同时处理。

但“校正后看起来均匀”不等于各处图像质量相同。角落失去的光子不会因为乘法回来，噪声会随增益上升，高光也需要更多数值余量。真正可靠的 LSC，既要把平场拉平，也要把 CFA 映射、标定条件、插值坐标、噪声和整条 ISP 的增益预算一起算清楚。