浓淡补正（阴影校正/光照不均匀校正）算法综述：从原理到工程实现

摘要：在工业视觉、显微成像、文档处理与安防监控等领域，光照不均匀（Uneven Illumination，或称 Shading、浓淡不均）是影响图像质量与后续算法稳定性的最常见问题之一。本文系统梳理了当前主流的几类光照校正算法------标定类平场校正、空域低通滤波残差法、除法模型法、形态学方法、统计基准法以及频域同态滤波法，从统一的数学模型出发，逐一分析各方法的原理、假设与局限，并给出可直接运行的 Python/OpenCV 参考实现。文末以对比表与实践指南收尾，帮助读者根据场景特征选择合适的算法路径。本文由用户与AI助手协作完成，代码部分可直接复现。

一、引言：问题的由来

一台相机成像时，实际观测到的图像往往并非"理想场景的忠实记录"。即便被摄物体本身均匀，由于以下原因，图像仍可能出现亮度漂移、暗角或渐晕：

光源几何：点光源近场照明产生的平方反比衰减；
光学系统：镜头渐晕、CRA 失配、传感器像元响应不一致；
时间漂移：光源老化、温漂、荧光漂白；
场景遮挡 ：阴影、遮挡或表面反射率差异。
这些因素叠加，会导致图像背景亮度呈现缓慢的空间变化 。对于缺陷检测、OCR、细胞分割等任务而言，一个全局阈值根本无法同时适配"亮区"与"暗区"，从而产生漏检或误检。
在工业视觉软件（如 Cognex VisionPro、基恩士 CV 系列）中，这类功能通常被封装为"阴影校正 / 浓淡补正"工具；在科研与显微成像中，它被称为 Flat-Field Correction 或 Background Correction；在计算摄影领域，则与 Retinex 理论与同态滤波一脉相承。

二、统一的数学模型

要理解所有后续算法，只需掌握一个核心模型：

I(x,y)=R(x,y)⋅L(x,y)+D(x,y)+N(x,y) I(x,y) = R(x,y) \cdot L(x,y) + D(x,y) + N(x,y) I(x,y)=R(x,y)⋅L(x,y)+D(x,y)+N(x,y)

其中：

I(x,y)I(x,y)I(x,y)：观测图像；
R(x,y)R(x,y)R(x,y)：反射分量，代表物体本身的纹理与细节（高频）；
L(x,y)L(x,y)L(x,y)：光照分量，代表缓慢变化的照明分布（低频）；
D(x,y)D(x,y)D(x,y)：暗电流 / 偏置；
N(x,y)N(x,y)N(x,y)：噪声。
不同流派的算法，本质上是采用不同手段估计 L(x,y)L(x,y)L(x,y)，然后通过减法、除法或统计映射将 LLL 的影响消除 ，从而恢复 RRR。这个模型是理解下文所有方法的钥匙。
根据 LLL 与 RRR 的组合关系，可以进一步简化为两种基本模型：
加性模型 ：I=R+LI = R + LI=R+L（当光照变化幅度较小时近似成立）
乘性模型 ：I=R⋅LI = R \cdot LI=R⋅L（物理上更准确，光照改变的是亮度倍率）
加性模型对应"减法"类算法，乘性模型对应"除法"类算法。 这也是区分各流派的关键线索。

三、方法一：标定类平场校正

原理

这是最古老也最可靠的工业方法。其核心假设是：光照与光学系统的响应是固定的，可以通过拍摄参考图来预先标定 。显微成像中的标准公式为：

Itrue=Imeas−IdarkIflat−Idark I_{\text{true}} = \frac{I_{\text{meas}} - I_{\text{dark}}}{I_{\text{flat}} - I_{\text{dark}}} Itrue=Iflat−IdarkImeas−Idark

其中 IflatI_{\text{flat}}Iflat 是对均匀白色参考物（如空白载玻片）拍摄的"亮场图"，IdarkI_{\text{dark}}Idark 是盖住镜头后拍摄的"暗场图"。通过这两个参考图，可以逐像素地补偿传感器灵敏度差异与光照不均。

在工业相机（如 Basler、Baumer）中，Flat-Field Correction 是标准功能，其原理为逐像素的增益与偏置补偿：

Icorr(x,y)=(Iraw(x,y)−Offset(x,y))⋅Gain(x,y) I_{\text{corr}}(x,y) = (I_{\text{raw}}(x,y) - \text{Offset}(x,y)) \cdot \text{Gain}(x,y) Icorr(x,y)=(Iraw(x,y)−Offset(x,y))⋅Gain(x,y)

适用场景

相机、镜头、光源位置固定的封闭系统；
可以暂停生产线拍摄参考图；
对精度要求高、对实时性要求一般的离线分析。

局限

无法应对光照动态变化的场景；
标定过程需要中断工作流；
光源漂移后需要重新标定。

OpenCV 参考实现

python 复制代码

import cv2
import numpy as np
def flat_field_correction(img, flat_img, dark_img=None):
    """
    标定类平场校正
    img:     实际观测图像
    flat_img: 均匀白参考图（亮场）
    dark_img: 暗场图（可选，盖住镜头拍摄）
    """
    img_f = img.astype(np.float32)
    flat_f = flat_img.astype(np.float32)
    if dark_img is not None:
        dark_f = dark_img.astype(np.float32)
        numerator = img_f - dark_f
        denominator = flat_f - dark_f
    else:
        numerator = img_f
        denominator = flat_f
    # 防止除零
    denominator[denominator < 1e-6] = 1e-6
    corrected = numerator / denominator
    # 拉伸到0-255
    corrected = cv2.normalize(corrected, None, 0, 255, cv2.NORM_MINMAX)
    return corrected.astype(np.uint8)

四、方法二：空域低通滤波残差法

原理

这是用户最初提到的"均值滤波 → 残差 → 像素重置 "的思路。它不依赖外部参考图，而是假设：光照分量是低频的，物体细节是高频的 。

具体步骤：

用大核均值 / 高斯 / 中值滤波器对原图 III 做低通滤波，得到 LestL_{\text{est}}Lest（即光照的估计）；
用原图减去（或除以）这个估计，得到"残差"，即反射分量 RRR：
- 加性模型：R=I−LestR = I - L_{\text{est}}R=I−Lest
- 乘性模型：R=I/LestR = I / L_{\text{est}}R=I/Lest
对 RRR 做线性拉伸或归一化，得到校正后图像。
这个思路在文档图像增强与显微图像处理中极为常见。

关键参数：核尺寸

滤波核尺寸是这类方法最关键的参数，它决定了"什么尺度的亮度变化被视为光照"。核太小，物体细节会被误当作光照滤除；核太大，光照估计变得过于平滑，局部突变无法校正。

经验值：核尺寸应大于图像中目标物体的最大尺寸，通常取图像短边的 1/10 到 1/4。

适用场景

光照呈缓慢渐变（如中央亮四周暗的渐晕）；
目标物尺寸相对较小；
无法拍摄参考图的在线场景。

局限

大核滤波计算量大（可用积分图或递归高斯加速）；
对高频目标敏感，核尺寸选择困难；
减法会使整体亮度下降，需要后处理。

OpenCV 参考实现

python 复制代码

def illumination_correction_filter(img, kernel_size=101, mode='div'):
    """
    空域低通滤波法光照校正
    mode: 'sub' 减法模型，'div' 除法模型
    """
    # 背景估计：大核高斯模糊
    background = cv2.GaussianBlur(img, (kernel_size, kernel_size), 0)
    if mode == 'sub':
        # 加性模型：R = I - L
        # 为避免负值，加128偏移到中间灰度
        diff = cv2.subtract(img, background)
        result = cv2.add(diff, 128)
    else:
        # 乘性模型：R = I / L * 255
        img_f = img.astype(np.float32)
        bg_f = background.astype(np.float32)
        bg_f[bg_f < 1e-6] = 1e-6
        div = img_f / bg_f * 255.0
        result = np.clip(div, 0, 255).astype(np.uint8)
    return background, result

五、方法三：除法模型（Retinex 理论）

原理

Retinex 理论由 Land 与 McCann 提出，其核心假设是：人眼感知的物体颜色只取决于其反射率，与入射光强无关 。数学上正是乘性模型 I=R⋅LI = R \cdot LI=R⋅L。

单尺度 Retinex（SSR）通过对原图取对数，将对数域中的乘性关系转换为加性关系，再用高斯滤波估计 log⁡L\log LlogL：

log⁡R(x,y)=log⁡I(x,y)−log⁡(Gσ∗I)(x,y) \log R(x,y) = \log I(x,y) - \log (G_{\sigma} * I)(x,y) logR(x,y)=logI(x,y)−log(Gσ∗I)(x,y)

多尺度 Retinex（MSR）则是多个不同尺度 σ\sigmaσ 的 SSR 结果加权平均，兼顾全局校正与局部细节。近年还有研究用双边滤波替代高斯滤波，以在光照估计时更好地保留物体边缘，或用 Gamma 校正替代滤波以加速。

适用场景

光照不均匀程度剧烈（超过 25%~30% 的亮度变化范围）；
需要同时增强对比度；
计算资源允许（对实时性要求不严苛）。

局限

计算量大于空域滤波法；
参数（尺度 σ\sigmaσ、增益）调节较复杂；
极端情况下会产生"光晕"伪影。

简化版 OpenCV 实现

python 复制代码

def single_scale_retinex(img, sigma=30):
    """单尺度 Retinex（SSR）"""
    img_f = img.astype(np.float64) + 1.0  # 避免 log(0)
    log_img = np.log(img_f)
    # 高斯滤波估计光照
    blur = cv2.GaussianBlur(img_f, (0, 0), sigma)
    log_blur = np.log(blur)
    # 对数域相减
    log_retinex = log_img - log_blur
    # 拉伸回显示范围
    result = cv2.normalize(log_retinex, None, 0, 255, cv2.NORM_MINMAX)
    return result.astype(np.uint8)
def multi_scale_retinex(img, sigmas=[15, 80, 250], weights=None):
    """多尺度 Retinex（MSR）"""
    if weights is None:
        weights = [1.0 / len(sigmas)] * len(sigmas)
    img_f = img.astype(np.float64) + 1.0
    log_img = np.log(img_f)
    msr = np.zeros_like(log_img)
    for sigma, w in zip(sigmas, weights):
        blur = cv2.GaussianBlur(img_f, (0, 0), sigma)
        msr += w * (log_img - np.log(blur))
    result = cv2.normalize(msr, None, 0, 255, cv2.NORM_MINMAX)
    return result.astype(np.uint8)

六、方法四：形态学法

原理

形态学的核心思想是：用结构元素"探测"图像中与该形状匹配的几何结构。对于光照校正：

开运算 （先腐蚀后膨胀）：删除小于结构元素的亮目标，得到背景估计。因此顶帽 = 原图 − 开运算，用于提取亮目标（白缺陷、亮划痕）。
闭运算 （先膨胀后腐蚀）：填充小于结构元素的暗孔洞。因此黑帽 = 闭运算 − 原图，用于提取暗目标（黑缺陷、污点）。
将两者结合，即可同时拉平背景并保留双向的细节信息。
相比低通滤波，形态学滤波更好地保留了物体的边缘锐度，不会像均值滤波那样将边缘"抹糊"。

适用场景

目标尺寸已知（结构元素尺寸可选）；
背景相对平坦但存在颗粒噪声；
需要同时提取亮/暗缺陷（如晶圆检测）。

局限

结构元素尺寸需与目标尺寸匹配，否则会滤除目标；
形态学运算对极端灰度值敏感。

OpenCV 参考实现

python 复制代码

def morphology_correction(img, kernel_size=51):
    """
    形态学光照校正 + 缺陷增强
    kernel_size: 应大于目标缺陷尺寸
    """
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,
                                        (kernel_size, kernel_size))
    # 顶帽：提取亮特征
    tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
    # 黑帽：提取暗特征
    blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
    # 校正结果：原图 + 顶帽 - 黑帽
    result = cv2.add(img, tophat)
    result = cv2.subtract(result, blackhat)
    return tophat, blackhat, result

七、方法五：统计基准法

原理

这一类方法不做任何空间滤波，而是将整幅图像（或 ROI）的统计量（均值/中值）视为"当前光照的代表值" ，然后通过线性映射将这个基准值变换到某个固定灰度。

用户最初提供的 Halcon 代码即属此类：

复制代码

Result = 255 - ((Median - NoiseCut) - Input) * Gain

展开后就是一个标准的线性变换 y=ax+by = ax + by=ax+b，其中：

a=Gaina = Gaina=Gain（斜率）
b=255−(Median−NoiseCut)⋅Gainb = 255 - (Median - NoiseCut) \cdot Gainb=255−(Median−NoiseCut)⋅Gain（截距）
其物理意义是：将"中值减去抗干扰容差"的像素强行拉伸到 255（纯白），使所有背景变成统一的白，只保留比该基准更暗的细节。工业视觉软件中的"平均值补正 / 中间值补正"即是此类。

适用场景

光照整体偏暗或整体偏亮，但空间变化不剧烈；
后续要做二值化或 OCR；
对计算速度要求极高（仅需一次直方图统计）。

局限

假设"统计量代表光照"，在光照空间梯度大时会失效；
属于全局变换，无法校正局部不均。

Python 复现（与 Halcon 代码完全对应）

python 复制代码

def statistics_based_correction(img, noise_cut=16, gain=1.0):
    """
    统计基准法（对应 Halcon 代码）
    img:        uint8 灰度图
    noise_cut:  抗干扰值
    gain:       增益
    """
    # 1. 计算中值（对应 gray_histo_range + 中值统计）
    median_val = float(np.median(img))
    # 2. 计算基准
    base = median_val - noise_cut
    # 3. 线性映射
    img_f = img.astype(np.float32)
    result_f = 255.0 - ((base - img_f) * gain)
    # 4. 截断并转回 uint8
    result = np.clip(result_f, 0, 255).astype(np.uint8)
    return result

八、方法六：频域同态滤波

原理

同态滤波建立在乘性模型 I=R⋅LI = R \cdot LI=R⋅L 的频域表述上：

对原图取对数：log⁡I=log⁡R+log⁡L\log I = \log R + \log LlogI=logR+logL
进行 FFT 变换到频域；
用一个高通型滤波器 H(u,v)H(u,v)H(u,v) 抑制低频（光照分量），保留高频（反射分量）；
IFFT 回空域，取指数还原。
典型的高通传递函数：
H(u,v)=(γH−γL)⋅ $1-e-c\cdotD2(u,v)/D02$ +γL H(u,v) = (\gamma_H - \gamma_L) \cdot \left $1 - e\^{-c \\cdot D\^2(u,v)/D_0\^2}\\right$ + \gamma_L H(u,v)=(γH−γL)⋅ $1-e-c\cdotD2(u,v)/D02$ +γL
其中 γH>1\gamma_H > 1γH>1（高频增益），γL<1\gamma_L < 1γL<1（低频衰减），D0D_0D0 为截止频率。
相比空域 Retinex，同态滤波一次性处理整幅图像，在频域中的滤波边界效应更可控；且 FFT 有成熟快速算法，中等尺寸图像的计算量可以接受。

适用场景

光照不均呈明显的低频特征（大尺度渐晕）；
需要同时增强对比度；
图像尺寸适中（FFT 对超大图像较慢）。

局限

参数（γH,γL,D0\gamma_H, \gamma_L, D_0γH,γL,D0）调节相对抽象；
边界效应可能引入"振铃"伪影。

OpenCV 参考实现

python 复制代码

def homomorphic_filter(img, gamma_h=2.0, gamma_l=0.5, c=1.0, d0=30):
    """
    频域同态滤波
    gamma_h: 高频增益 (>1)
    gamma_l: 低频增益 (<1)
    d0:      截止频率
    """
    img_f = img.astype(np.float64) + 1.0
    log_img = np.log(img_f)
    # FFT 并中心化
    fft = np.fft.fft2(log_img)
    fft_shift = np.fft.fftshift(fft)
    # 构建高斯型高通滤波器
    rows, cols = img.shape
    crow, ccol = rows // 2, cols // 2
    y, x = np.ogrid[:rows, :cols]
    dist_sq = (x - ccol)**2 + (y - crow)**2
    H = (gamma_h - gamma_l) * (1 - np.exp(-c * dist_sq / (d0**2))) + gamma_l
    # 滤波
    filtered = fft_shift * H
    fft_back = np.fft.ifftshift(filtered)
    img_back = np.fft.ifft2(fft_back)
    # 取指数还原
    result = np.exp(np.real(img_back)) - 1.0
    result = cv2.normalize(result, None, 0, 255, cv2.NORM_MINMAX)
    return result.astype(np.uint8)

九、方法横向对比

方法	数学模型	核心思路	优势	劣势	典型工具
平场校正	I=D+R⋅LI = D + R \cdot LI=D+R⋅L	标定参考图后除法	精度最高	需中断工作流标定	Basler/Baumer 相机内置
空域低通残差	加性/乘性	滤波估计背景后减/除	简单直观	核尺寸难选	Halcon、OpenCV
Retinex	乘性	对数域减去光照估计	物理意义清晰	计算量大、参数多	MSR、SSR
形态学	加性	开/闭运算提取背景	边缘保持好	目标尺寸需已知	OpenCV、Halcon
统计基准	线性	全局统计量做基准	计算极快	无法处理空间不均	VisionPro、基恩士
同态滤波	乘性（频域）	FFT 后高通抑制低频	一次性整图处理	参数抽象	传统图像处理库

十、实践指南：如何选择

面对一个具体任务，建议按以下顺序决策：

1. 能否拍摄参考图？

能 → 使用平场校正（精度最高）；
不能 → 继续下一步。
2. 光照是空间变化还是全局变化？
空间不均（如渐晕） → 空域滤波法或 Retinex；
全局偏亮/偏暗 → 统计基准法或全局直方图均衡。
3. 目标尺寸是否已知？
已知 → 形态学法（性能可控且边缘保持好）；
未知 → 空域滤波法（调节核尺寸）。
4. 对实时性要求？
极高（>100 FPS） → 统计基准法（一次直方图扫描即可）；
一般 → 滤波法或 Retinex。
5. 图像尺寸？
小/中（<2K） → 同态滤波可行；
大（>4K） → 优先空域方法或分块处理。

十一、局限与改进方向

深度学习浪潮：近年来已出现用 CNN / GAN 直接端到端学习光照校正的方法，绕过显式的光照估计。但在工业场景中，由于对可解释性与稳定性要求高，传统方法仍占主导。
实时性挑战：4K 图像上的大核高斯滤波仍是瓶颈，可通过积分图、递归滤波或 GPU 加速缓解。
自适应参数：如何根据图像内容自动选择核尺寸 / 尺度参数，是工业落地的痛点，目前多数方案仍依赖人工经验。
无监督背景估计：如 BaSiC 等工具尝试从图像序列中盲估计背景与漂移，在显微成像中效果显著。

十二、结论

光照不均匀校正并非"一种算法"，而是一个从"背景估计 → 残差计算 → 像素重置"的统一框架下的不同实现。选择哪种方法，本质上取决于：

能否标定（平场法 vs. 在线法）
模型假设（加性 vs. 乘性）
光照尺度（全局统计 vs. 局部滤波）
实时性要求 （直方图法 vs. FFT 法）
工业软件（如 VisionPro、基恩士）的"浓淡补正"工具，往往是上述几种基本模块的组合与封装，而非单一黑盒算法。理解了底层原理，就能在参数调节与方案选型上游刃有余。

参考文献

Basler. Enhanced Shading and Flat Field Correction.
Baumer. Shading Correction - Technical Information for Industrial Cameras.
UCSF. How to acquire flat-field correction images.
IEEE. Uneven illumination correction of digital images: A survey.
ScienceDirect. Homomorphic filtering based illumination normalization.
Elad M. Retinex by Two Bilateral Filters.
Liu S. et al. Retinex-Based Fast Algorithm for Low-Light Image Enhancement. PMC.
Peng T. et al. A BaSiC tool for background and shading correction of microscopy images. Nature Communications.
Tak YO. et al. Simple Shading Correction Method for Brightfield Whole Slide Imaging. MDPI Sensors.
Zotin A. et al. Adaptive Illumination Correction Algorithm Based on Retinex Technology. ISPRS Archives.
NI Forums. Guidance on smoothing uneven background illumination.