4、数学模型：二维增益模型、多项式拟合模型、网格插值模型
好，咱们接着聊。上一节我们搞清楚了镜头阴影是怎么来的，也知道了校正的核心就是给每个像素乘上一个增益系数。那问题来了——这个增益系数怎么算？怎么存？怎么用？
说白了，就是怎么用数学去描述“画面边缘暗、中间亮”这个现象。我这些年折腾下来，发现主流的数学模型就三种：二维增益模型、多项式拟合模型、网格插值模型。各有各的脾气，咱们一个一个说。
4.1 二维增益模型——最朴素的思路
二维增益模型，其实是最早被用在硬件里的方法。为什么？因为它简单，计算量小，适合在ISP流水线里硬跑。
它的核心思想是：假设镜头阴影是旋转对称的，也就是说，离画面中心越远，亮度衰减越厉害。那增益就只跟像素到中心的距离有关。
数学表达式长这样：
G(x, y) = 1 + k1 * r² + k2 * r⁴ + k3 * r⁶其中 r = sqrt((x - cx)² + (y - cy)²)，(cx, cy) 是图像中心坐标。k1、k2、k3 是拟合出来的系数。
关键点：这个模型只用了径向距离，不考虑角度。所以它只能处理完美的圆形阴影。如果你的镜头有偏心，或者模组装配有倾斜，那这个模型就不太够用了。
我记得有一次，客户反馈说画面左上角比右下角暗很多。我一开始用二维增益模型去调，怎么调都调不好。后来才发现，是镜头的光轴偏了。嗯，这时候就得换模型了。
我的经验：二维增益模型适合做快速原型验证。我一般先用它跑一遍，看看残差有多大。如果残差在5%以内，那就直接用这个模型，省事。如果超过5%，再考虑更复杂的模型。
4.2 多项式拟合模型——更灵活，也更费劲
多项式拟合模型，说白了就是把二维增益模型给“升级”了。它不再假设阴影是旋转对称的，而是允许增益在x方向和y方向上独立变化。
它的通用形式是：
G(x, y) = a00 + a10*x + a01*y + a20*x² + a11*x*y + a02*y² + ...阶数越高，拟合精度越好，但计算量也越大。我一般用到3阶或4阶，再高就容易过拟合了。
你想想看，这个模型的好处是什么？它能捕捉到非对称的阴影。比如镜头装配有点歪，或者传感器表面有微小的倾斜，这些都能被多项式拟合出来。
注意：多项式拟合有个坑——边界效应。在图像边缘，多项式可能会“放飞自我”，算出一些离谱的增益值。我曾经遇到过，在图像角落增益突然飙到2.0以上，结果画面直接过曝。后来我加了边界约束，才把这个问题压下去。
实际项目中，我一般这样用：
- 先拍一张均匀光照下的灰卡图
- 提取每个像素的亮度值
- 用最小二乘法拟合多项式系数
- 检查残差分布，如果某个区域残差特别大，就增加局部权重
代码实现也不复杂，用numpy的polyfit或者scipy的curve_fit都能搞定。我贴一段伪代码，大家感受一下：
# 假设我们已经提取了每个像素的坐标和亮度值
# x, y 是归一化后的坐标，范围 [-1, 1]
# z 是目标增益值
# 构造多项式特征矩阵
def poly_features(x, y, order=3):
features = []
for i in range(order+1):
for j in range(order+1-i):
features.append(x**i * y**j)
return np.column_stack(features)
# 最小二乘拟合
X = poly_features(x, y, order=3)
coeffs = np.linalg.lstsq(X, z, rcond=None)[0]避坑指南：我曾经把坐标直接用了像素值（比如x从0到1920），结果拟合出来的系数数量级差了好几个量级，数值稳定性一塌糊涂。后来我养成了习惯——先把坐标归一化到[-1, 1]或者[0, 1]区间。这个小动作，能省掉你很多调试时间。
4.3 网格插值模型——精度之王，但吃资源
网格插值模型，是这三种模型里精度最高的。它的思路很简单：把图像分成网格，每个网格顶点存一个增益值，网格内部的像素用插值算出来。
为什么精度高？因为它不假设任何数学形式。阴影长什么样，它就存什么样。哪怕你的镜头阴影是个不规则形状，它也能完美还原。
网格的划分方式一般有两种：
| 网格类型 | 优点 | 缺点 |
|---|---|---|
| 均匀网格 | 实现简单，硬件友好 | 在阴影变化剧烈的区域，精度不够 |
| 非均匀网格 | 在边缘区域可以加密网格 | 实现复杂，需要额外的坐标映射 |
我个人习惯用均匀网格，网格大小取 16x16 或者 32x32。为什么？因为大多数ISP硬件都支持这个粒度，而且存储开销可控。一个1920x1080的图像，用32x32的网格，只需要存 33x33=1089 个增益值，每个值用16位定点数存，也就2KB出头。
插值方法也有讲究：
- 双线性插值：最常用，计算量小，效果够用
- 双三次插值：精度更高，但硬件实现成本高
- 最近邻插值：千万别用，会有明显的块状效应
我的建议：如果你在做手机摄像头，用网格插值模型准没错。现在的ISP芯片基本都内置了LSC（Lens Shading Correction）模块，支持网格增益表。你只需要把标定好的网格数据烧进去就行。
但要注意，网格插值模型有个“软肋”——标定过程比较繁琐。你需要采集多张不同亮度的灰卡图，然后逐网格计算增益值。我记得有一次，为了标定一个广角镜头的阴影，我拍了200多张图，处理了一整天。
警告：网格插值模型对噪声非常敏感。如果标定用的灰卡图有噪声，那算出来的网格增益也会带噪声，最终校正出来的画面会出现“水波纹”。我的做法是：先对灰卡图做降噪处理，然后再计算增益。另外，网格增益表最好做一次平滑滤波，去掉高频抖动。
4.4 三种模型怎么选？
好了，三种模型都讲完了。你可能会问：那我到底该用哪个？
我根据项目经验，给个参考：
| 场景 | 推荐模型 | 理由 |
|---|---|---|
| 低成本方案，硬件资源紧张 | 二维增益模型 | 只需要3-4个系数，计算量极小 |
| 中端方案，需要处理非对称阴影 | 多项式拟合模型 | 灵活，精度够用，存储开销小 |
| 高端方案，追求极致画质 | 网格插值模型 | 精度最高，能处理任意形状的阴影 |
其实，在实际产品中，这三种模型并不是互斥的。我见过一些方案，先用多项式拟合做一个粗校正，再用网格插值做细调。这样既保证了精度，又降低了网格的存储量。
嗯，关于数学模型，今天就聊这么多。下一节我们讲讲标定流程——怎么从一张灰卡图，算出这些模型需要的参数。那才是真正考验工程能力的地方。