1. 色差到底是什么从一片树叶边缘的紫边说起去年秋天我在一个水库边拍逆光红叶相机里回放时一切正常回家放大到100%才发现问题——每一处高反差的树枝边缘都缠着一圈紫红色的边有一部分还带着青绿色的细线。当时我第一反应是传感器老化漏光或者后期拉曲线拉坏了后来仔细看才发现这是纯粹的镜头色差Chromatic Aberration也就是常说的紫边、绿边。也是从那时候起我才认真研究起CACChromatic Aberration Correction色差校正。色差这玩意并不新鲜原理一句话就能说清玻璃对不同波长的光线折射率不同所以一束白光经过镜头透镜后红、绿、蓝三种成分根本不会落在同一个点上。镜头设计得再好只要用的是折射式光学系统色差就存在区别只是控制得好不好。而CAC要做的事情就是利用已知的光学参数把这个偏差算出来然后在校正阶段把偏差补偿回去。这篇内容不是给光学专业的同学写的而是给像我一样天天拿相机拍东西、做后期的人看的。我会把色差的成因拆开讲清楚再重点说明CAC和普通去紫边工具的差别以及一套完整的CAC实操流程包括怎么拍测试目标、怎么算偏移量、怎么重采样通道。最后还会聊几个我实际踩过的坑比如副厂镜头数据缺失、大光圈全开时校正失效这些问题。你不需要懂光学设计公式但看完之后应该能判断自己的照片里那个边到底该不该用CAC以及用的时候要注意什么。2. 先分清两类色差再好的镜头也逃不过这个物理定律2.1 轴向色差与横向色差表现完全不同色差严格分成两类处理方式也截然不同。第一种叫轴向色差也叫纵向色差指的是不同波长的光在光轴方向上聚焦位置不一样红色光可能聚焦在传感器平面之后蓝色光聚焦在传感器平面之前。拍出来的表现就是——焦点位置的东西边缘泛紫或泛绿焦外的高光边缘带着一圈明显的彩色晕而且越是大光圈、长焦距越明显。第二种叫横向色差也叫倍率色差不同波长的成像倍率不同红色通道的画面比蓝色通道稍微大了一圈。这种色差最明显的特征是不随光圈收缩而消失只随着视场角增大而增大所以画面边缘、尤其是对角线位置红蓝通道错位最严重。屏幕上看就是物体边缘有红蓝两色的细边一边红、一边蓝。我做过的测试里有一个特别直观拿同一颗50mm定焦镜头分别用f/1.4和f/8拍同一面墙墙面上有一排黑白相间的竖条纹。f/1.4时条纹边缘全是紫绿晕圈收光圈到f/8后晕圈明显减少这说明轴向色差占主导但画面最右侧靠近边缘的条纹f/1.4和f/8下都有红蓝边只是f/8时颜色淡了一些这就是横向色差它根本不指望靠收光圈解决。2.2 为什么现在色差看起来比以前严重不少老玩家说以前胶片时代没觉得紫边这么厉害这话有道理但不全对。胶片时代后期放大倍数有限报纸杂志照片最多也就放大到8×10英寸色差在那个尺度上根本不明显。现在不一样三千万像素起步的机身100%放大看是整个传感器在屏幕上铺开边缘像素点全都被放大了。像素密度过高微小的色差偏移就可能跨过好几个像素视觉上自然刺眼。还有一个隐形的推手是后期锐化。很多人拍完照片习惯加一个较大的锐化量锐化算法在高对比边缘会强化相邻像素的差异而色差形成的边缘本来RGB三通道就已经错位再一锐化那层彩边就像加了描边效果一样越锐越明显。CAC在处理这类问题时顺序上一定要抢在锐化之前否则你锐化已经硬生生把边缘颜色焊死了后期再校正就需要更大的重采样幅度画质损失也更明显。2.3 一个判断色差类型的简单方法实操中想快速判断自己面对的是轴向还是横向色差不用拿仪器做两个动作就行。第一缩小光圈连拍两张如果彩边明显减弱说明轴向色差占大头第二分别看画面中心和边缘的同一条边缘线如果中心处彩边很轻、越往边缘越严重那么横向色差跑不了。这两个测试可以叠加拍一张中心边缘小光圈大光圈的四宫格测试图基本就能把镜头色差画像画出来。这样做的好处是决定用哪种校正策略时心里有底。轴向色差的校正更复杂因为它和焦点位置有关说白了就是不同波长在不同焦深处弥散圆大小不一样而横向色差是纯粹的几何映射问题只需要做通道间的坐标变换。现在市面上CAC做得好的方案主要解决的也是横向色差。3. CAC不是去紫边光学校正和图像处理的根本区别3.1 大多数后期软件的去边到底在做什么Lightroom里有一个消除色差勾选框很多人的理解是勾上它紫边绿边就没了。这本身没问题但要知道它背后的机制。常规的去边是基于像素检测的——软件扫描高对比边缘检测边缘两侧的颜色是否出现了不自然的偏紫或偏绿然后把检测到的色调用邻近像素的颜色替换掉或者降低饱和度。这种做法是典型的图像处理思路它不需要了解镜头特性纯粹是画面层面的修图。优点是普适性强什么镜头拍的都能处理缺点是它本质是在猜——如果你照片的主体本身是紫色或者背景有紫色的灯光算法很可能把真实颜色当成色差给抹掉。我见过最典型的误判案例是拍夜市霓虹灯招牌招牌上紫色的LED字周围所有紫边都被抹了一遍导致字母边缘发灰发暗。这不是软件蠢是基于图像内容的方法天花板就在那里。3.2 CAC走的是另一条路数据驱动校正CAC不是猜它是有依据的。CAC全称Chromatic Aberration Correction核心逻辑是在镜头出厂前厂商已经通过光学设计数据知道了镜头在视场各个位置、各个波长下的像差分布。拿到这张镜头体检报告后CAC可以计算出每一个像素位置上R、G、B三个通道应该在水平方向和垂直方向偏移多少才能精确地重新对齐。我用一个生活化的例子解释。普通去边像是一个人站在远处看一面歪了的相框他根据看起来歪了的感觉伸手把相框推正。CAC则像是你手里拿到了这面墙的施工图纸知道相框当初设计安装时的精确坐标直接计算出需要移动的厘米数一击到位。所以CAC的校正更彻底不会误伤真实颜色尤其适合高像素机身加高素质镜头的大图输出。但注意CAC依赖的是镜头配置文件或镜头测量数据。原厂镜头配合原厂软件或相关后期软件里的对应镜头模块效果最好因为它们拿到的数据最全。副厂镜头和一些老手动镜头软件内部根本没有对应数据要么不校正要么只能用通用模型硬套效果就会打折扣。3.3 两种方案的对比与取舍维度普通去边图像处理CAC光学数据校正原理依据检测边缘颜色异常镜头设计/测量数据是否依赖镜头型号不依赖依赖误伤真实颜色的风险较高低对横向色差的处理只能淡化精确重对齐对轴向色差的处理勉强需要专用数据实用前提边必须清晰可辨有对应的镜头配置我的建议是把两者的关系理解成先CAC、后去边的先后关系。先用CAC把能通过光学数据对齐的部分对齐掉剩下的边缘溢出再用像素检测方式做最后的清理。两个工具不是替代关系而是合作关关系——真正的行业工作流里它们经常是叠在一起用的。4. CAC的实战闭环机身校正、后期校准与数据来源4.1 机身内置CAC和后期软件CAC能力不一样现在不少数码相机机身内部有镜头校正选项包括周边光量校正、畸变校正和色差校正。机内CAC的优势是直接在RAW数据还是线性状态时就做几何重采样信息损失比较小而且对于原厂镜头机身里存储的设计数据非常精确。但机内CAC也有局限性。做过实测就会发现机身内置的色差校正在画面中心的校正幅度很小边缘位置明显这是符合预期的毕竟横向色差本来就是边缘更严重。但如果你的镜头是副厂或者通过转接环转接的老镜头机内往往不识别镜头信息校正选项变成灰色不可用。这时候你就只能回到后期软件里去处理。后期软件里Lightroom和Capture One都已经接入了主流镜头的配置文件可以读取EXIF信息后自动套用对应镜头的色差数据。DxO的处理方式更特别它建了一套基于实测数据的镜头模块——每支镜头在光学平台上实际测量各个光圈、各个焦距下的色差表现然后建立模型。我测试过同一支变焦镜头DxO的边缘校正明显比单纯勾选消除色差更干净这充分说明数据越精确、效果越好的道理。4.2 没有镜头数据时的解决方案手动测量副厂镜头没有配置文件怎么办我以前遇到过一支比较小众的国产手动广角镜拍城市夜景时边缘红蓝错位严重但软件里找不到它的配置当时的感觉就是有劲儿使不出。后来我找到一套手动CAC方案原理其实就是我们自己采集镜头数据找一个平面墙贴满黑白格棋盘图案或者用显示器显示星点网格相机稳定在三脚架上光圈全开、对焦精准拍摄RAW在电脑上把RAW转为TIFF在Photoshop里把RGB通道分离取R通道和B通道与G通道分别做局部区域的相位相关匹配算出每个区域内的像素偏移把各区域的偏移量拟合成一个二维偏移场用该偏移场对R、B通道重采样重新合并通道这个方法当然没有厂商数据库那么精细但对单支镜头建立的一阶近似模型已经能校正掉80%以上的横向色差。格子越多、拍摄距离越远偏移场拟合越稳定。我不建议拿它去校正常人像时间成本太高但它特别适合给想深入理解CAC原理的人练手。4.3 一段最简化的OpenCV通道重采样代码用代码实现CAC的通道重采样其实不复杂核心就是算出偏移场然后重映射。这里给一个仅供参考的骨架实际使用时需要根据你的镜头数据修改import cv2 import numpy as np # 假设 img 是已经拆分为 BGR 的彩色图像 # 通过若干测量的偏移点拟合出网格坐标到偏移量的映射 # 这里用最简单的线性模型演示实际建议使用二阶多项式 h, w img.shape[:2] map_x np.zeros((h, w), dtypenp.float32) map_y np.zeros((h, w), dtypenp.float32) # 对于横向色差偏移量与视场位置近似线性 # 实际项目中这组系数来自你对测试图像的分析结果 kx 0.18 # x方向偏移系数 ky 0.10 # y方向偏移系数 for vy in range(h): for vx in range(w): # 归一化坐标中心为0边缘为1 nx (vx - w / 2) / (w / 2) ny (vy - h / 2) / (h / 2) # R通道需要向中心方向补偿示例 map_x[vy, vx] vx - kx * nx * nx map_y[vy, vx] vy - ky * ny * ny # 对R通道重采样B通道按相反方向处理 R img[:, :, 2] R_aligned cv2.remap(R, map_x, map_y, cv2.INTER_LINEAR) img_aligned img.copy() img_aligned[:, :, 2] R_aligned这段代码只是为了展示原理最关键的如何从测试图中求偏移场部分需要自己做的因为每支镜头的像差特征不一样。我在第4章会完整讲一遍这个过程。5. 一条绿边的完整追踪我的一次真实的CAC排查5.1 问题现场转接镜头边缘的绿边有段时间我拿到一支转接的旁轴广角镜头接在微单机身上用光圈收到f/5.6的时候画面右侧边缘的建筑物外墙和天空交界处有一道明显的绿色细边。注意不是紫边是绿边。绿边这个特征有点特殊——很多人在没有对比的情况下会以为它是白平衡偏色或者眩光但当你把图放大到200%看到那条绿色细线严格贴合在亮度边缘上就基本可以锁定是色差。当时我的第一反应是机身校正问题因为转接环不一定能完整传递镜头电子触点信息。我先把机身内所有校正都关掉重新拍一张同样场景。结果绿边依然存在说明问题不在机身自动校正环节是镜头本身在边缘位置的横向色差表现。还有一个关键信息绿边只出现在右侧左侧对应位置几乎没有这说明这支镜头存在一定的光轴偏置或者说装配不对称——左右两边的光学性能并不完全一致。5.2 排查链路是轴向还是横向是镜头还是传感器做CAC之前先拆问题。我按第2章的方法做了两组对比测试同一场景分别用f/1.4和f/8拍绿边亮度变化不大说明主要不是轴向色差因为没有随光圈变化分别拍画面中心和边缘位置中心处几乎看不到绿边边缘处非常明显横向色差特征明显接下来要排除传感器问题。我在同机身上换了另一支无争议的原厂镜头拍同一个墙角边缘没有绿边。这基本确定问题在镜头本身。到这里就可以进入校正环节了。5.3 手动校准过程从拍星点到拟合偏移场我用的是一种最直白的方案让相机对着远处细点光源阵列或者高密度星点拍摄。点光源是最好的测量对象因为它在图像上形成的是一个个孤立的光斑光斑中心位置可以通过质心算法精确到亚像素级别。操作路径是这样的把相机稳定在三脚架上远处找一处夜景中的LED灯群尽量把画面填到边缘关闭机身所有降噪和校正使用最低ISO小光圈让点光源成清晰的衍射斑拍摄后在Python里用OpenCV读入图像将R、G、B通道分离对每个通道进行阈值分割找出光斑的轮廓计算每个光斑的质心坐标以G通道为基准计算R和B通道每一个光斑相对于G通道的偏移将偏移量按光斑位置视场坐标进行多项式拟合得到偏移量关于位置的函数关系用拟合函数生成全图的映射表然后对R、B通道做重映射这套流程在最初几次执行时会有点繁琐但熟练之后大概半小时能完成一支镜头的标定。关键是标定结果可以反复使用只要镜头没有磕碰、温度差异不太大。我当时拟合出来的是一个二阶多项式R通道的水平偏移量从画面中心接近0到最边缘处达到1.6个像素B通道的反向偏移约1.1个像素。5.4 校正后的残留与反思用上面这套方法校正完绿边肉眼基本不可见了。但放大到400%还能看到一层很淡的青色残余原因有两个一是单帧拍摄的星点数量有限边缘最外侧区域的拟合精度不够二是镜头本身可能还有一点轴向色差残留横向校正对它无效。更值得注意的是我对焦距离对校正参数有影响。因为横向色差随物距变化不是完全恒定的这次校正是在远处景物上做的标定后来拍近距离物体时边缘又出现了一丝绿边。这说明高精度的CAC其实是需要距离相关的镜头数据表这也是为什么大型光学厂商会投入大量人力做三维的镜头数据库——不是一维的焦距和光圈而是加上对焦距离共三个维度。我们手动标定通常只会做一个距离使用的时候就要清楚它的适用范围。6. CAC之外把镜头数据彻底用起来6.1 数据驱动校正是当前图像处理的大趋势研究CAC给我最大的感受是后期校正的最大瓶颈不是算法水平而是数据积累。横向色差校正、畸变校正、暗角校正本质上都是一件事用镜头的光学数据建立模型反向补偿传感器记录到的偏差。这个思路完全可以推广。比如镜头畸变校正很多人用的也都是配置文件里的数据原理和CAC一样只是偏移场的形式不同。有些第三方软件把畸变、暗角、色差做成了同一个镜头校正模块一次处理三件事效率极高。我甚至见过一些做全景拼接的人先对每一帧做完整的光学校正再拼接这样拼出来的全景边缘细节比先拼接再校正要扎实得多。先校正再拼接和先拼接再校正结果在重叠区域的差异非常明显前者几乎看不出来位移断层。6.2 我的工作流建议哪些照片需要CAC哪些没必要不是每一张图都需要做CAC。我在实际处理时有几个判断标准像素小于2000万的网络分享图CAC的意义不大高反差边缘在画面边缘位置时优先做CAC大尺寸打印输出CAC属于必做项人像磨皮后的皮肤边缘色差先用CAC再统一做肤色处理还有一个很多人忽略的点如果你打算做黑白处理色差的影响其实没有想象中严重。黑白转换时彩色信息被丢弃红蓝通道错位只剩下亮度边缘的轻微锐度差异大部分场景看不出来。但是如果你用通道混合器做精细黑白通道错位反而会导致边缘亮度异常这就另当别论了。6.3 我对CAC的总结性体会做CAC这么久我最大的体会是校正的起点是理解不是工具。以前我以为勾选消除色差这种一步到位的按钮就足够了直到自己动手做了一次完整的光学校准才真正明白那些配置文件里的数字意味着什么也才能真正判断一个校正结果是好是坏——不是看边淡了没有而是看在边淡的同时线条是否仍然锐利、颜色是否仍然真实、过渡是否仍然自然。动手做过一遍CAC的人再回去用软件会更快地判断出某个边缘的色差是否可以校正、以及该用多大强度。最后分享一个小技巧拿到一支陌生的镜头时先别急着拍创作花10分钟对着显示器上的方块图案拍一张f/8的测试照打开后期软件看它边缘的色差情况。这一步几乎不花成本却能让你的镜头库心里有数——哪些镜头适合大光圈逆光哪些镜头必须依赖CAC哪些镜头校正之后还有残留一清二楚。这支镜头数据库一旦积累起来比任何相机参数设置都管用。