164、锐化与边缘增强：USM、拉普拉斯算子和深度学习超分辨率的调优边界

164、锐化与边缘增强：USM、拉普拉斯算子和深度学习超分辨率的调优边界

一、一个让我熬夜三天的锐化Bug

2019年某旗舰机项目，Sensor是IMX586，ISP用高通Spectra 380。实验室里看样张，边缘锐利得像刀切，但到了户外拍树叶，边缘出现一圈白边——典型的“光晕效应”。更诡异的是，拍人脸时法令纹被锐化成沟壑，用户投诉“像老了十岁”。

我打开ISP的调试工具，发现锐化模块的gain值设到了2.8，threshold压到8。当时团队里新来的算法工程师说：“锐化嘛，越强越清晰。” 结果就是：实验室的ISO12233测试卡满分，真实场景翻车。

这个案例让我意识到：锐化不是“加多少”的问题，而是“在哪里加、加多少、怎么避免副作用”的系统工程。今天这篇笔记，就从USM、拉普拉斯、深度学习超分辨率三个维度，聊聊我踩过的坑和调优边界。

二、USM（Unsharp Masking）：最老派但最稳的锐化

2.1 原理别背公式，理解“减法逻辑”

USM的核心不是“加锐”，而是“减模糊”。原始图像减去高斯模糊后的图像，得到高频细节（边缘信息），再把高频信息按比例加回去。

伪代码里有个关键参数：

• Amount（强度）：高频信息加回去的比例，0.5~1.5是安全区，超过2.0容易出白边
• Radius（半径）：高斯模糊的核大小，1₃