聊聊手机上使用的防抖技术( 二 ) 本周三早上一点

（图片来自谷歌博客，注意画面中央和边缘的抖动幅度）
相对于传统的电子防抖，基于物理层面进行矫正的光学防抖还是有很大优势的：
它不会产生运动模糊，同时来自于手机陀螺仪的数据也避免了被场景欺骗的可能。此外，通过对光学防抖组件进行编程，还可以实现超分辨等画质提升的进阶玩法。
文章插图
（图片来自谷歌博客）
但是缺点也同样存在。除了之前所说难以完美纠正旋转方向上的抖动之外，光学防抖受体积和空间的限制，修正的幅度比较有限——通常为 1°~2° ，这就导致在面对走动产生的大幅度抖动场景时，会有些力不从心。
另外，随着图像传感器越做越大，镜头也变得越来越重，为了驱动更加沉重的镜头又需要更大更强力的防抖马达。这对于寸土寸金的手机空间来说也是一大挑战。
3.陀螺仪电子防抖在光学防抖逐渐在手机中普及的同时，电子防抖阵营也开始了升级：新方案不再通过识别画面来反求运动信息，而是直接从陀螺仪数据读取数据。
相较于传统电子防抖，该方案的优势在于直接使用手机真实的运动信息进行防抖补偿，所以做到防抖效果更好的同时还减轻了算力要求，使得在手机或者运动相机上实现高品质的电子防抖成为可能。
文章插图
（左为原始素材，右为陀螺仪电子防抖，图片来自三星半导体）
相对于光学防抖来说，由于不需要改动镜头模组，相机模组的结构更简单，因此成本更低、空间占用更少且相对更耐用。
另外，只要允许更大尺度的裁剪，电子防抖能提供比光学防抖多得多的补偿范围，即便在剧烈运动下仍能保证画面稳定，例如 OPPO Reno4 Pro 上的视频超级防抖 Pro 。
文章插图
（左为原始素材，右为视频超级防抖 Pro ，图片来自 OPPO）
此外，使用陀螺仪的电子防抖同样能够分析前后帧的运动趋势，从而给出更好的修正结果。例如谷歌就利用机器学习来判断视频流内哪些运动是用户无意中的手抖，哪些是故意的运镜从而分别进行不同的修正——这是依靠实时修正的光学防抖做不到的。
文章插图
（经过电子防抖修正之后的运镜，来自谷歌博客）
虽然利用了陀螺仪和陀螺仪同步器，但是电子防抖终究是电子防抖，抖动造成的运动模糊还是难以消除的。
那么有没有一种两全其美的方法呢？
4.光学 + 电子混合防抖解决方法就是这么暴力：既然光学防抖和电子防抖各有各的好，那么我们为啥不直接全都要呢？
简单点说就是同时采用光学和电子防抖对图像进行稳定。一方面，利用光学防抖来尽可能减少因为抖动造成的图像模糊；另一方面，利用电子防抖超大的补偿范围来弥补光学防抖对大范围抖动修正不足的问题。
文章插图
（左为原始素材，右为混合防抖，图片来自 OPPO）
当然这种方式的难点在于如何让光学防抖和电子防抖进行联动：在混合防抖的流程中，由于光学防抖已经用陀螺仪数据稳定过一次画面了，如果电子防抖再拿相同的数据稳定画面就而会弄巧成拙。所以在这个方案里电子防抖除了需要输入陀螺仪数据以外还需要输入光学防抖的动作数值用于防止这俩防抖的修正效果打架。
文章插图