IR-Cut滤光片与红外感知控制机制全解析：材料工艺、结构路径与实战部署策略

关键词：

IR-Cut Filter、近红外感知、红外滤光、夜拍增强、Sensor Spectral Response、窄带滤波、双色温校准、移动终端感知、材料工程

摘要：

在多摄融合与低光环境拍摄能力日益重要的今天，红外滤光组件（IR-Cut Filter）及近红外感知控制能力成为提升成像质量、保障图像一致性的重要一环。本文从材料工程与结构路径出发，系统分析 IR-Cut 滤光片的原理、工艺演进与主流结构配置，结合实际项目中红外干扰控制、夜拍优化、AI 白平衡增强、双色温 LED 联动等应用案例，详解移动终端如何在色彩还原与红外透射之间取得平衡，并探讨未来基于 AI 的多波段成像与主动感知方向的技术融合趋势。

目录

  1. 红外光谱基础与 CMOS Sensor 的红外响应特性
  2. IR-Cut 滤光片的结构构成与光谱抑制机制
  3. 硬件集成中的滤光器配置方案与封装路径
  4. 夜拍、闪光灯与双色温下的红外干扰控制实战
  5. 多模感知场景下的近红外透过设计与算法协同
  6. 双摄/多摄系统中 IR 滤光一致性的对齐机制
  7. 工程调试与 Spectral Shift 校准流程分享
  8. 未来发展方向：AI 感知 + 可变滤波结构的融合探索

第 1 节：红外光谱基础与 CMOS Sensor 的红外响应特性

图像传感器（尤其是 CMOS）在结构设计上主要响应可见光范围（约 400~700nm），但由于硅材料本身对 700nm 以上波段的红外光具备较强的感光能力，因此在实际应用中，传感器往往会接收到一定比例的红外辐射，尤其是在低光、夜间或强红外光源场景（如阳光直射）下更加明显。这种“非可见光”信号若不加处理，将导致图像泛红、色彩不真实、皮肤色失真等问题。

传感器光谱响应实测数据显示，以 IMX766 为例，其 700nm 以上波段仍保持 30% 以上响应效率，而 850nm 附近的近红外光（常用于人脸识别、夜拍补光）依然具备感应能力。这种特性对于夜拍增强、AI 感知场景有利，但同时对可见光成像构成干扰。

典型红外干扰案例包括：

  • 在白炽灯环境下人脸图像偏红，无法准确还原肤色；
  • 开启夜景模式后，由于红外透过率提升，画面整体偏暖；
  • 使用双色温闪光灯拍摄时，因两路光谱中存在红外泄露，导致部分区域色彩漂移。

因此，如何在硬件路径中合理屏蔽非必要红外光，或通过算法进行光谱分离与融合，是提升成像质量的关键一环。

第 2 节：IR-Cut 滤光片的结构构成与光谱抑制机制

IR-Cut（Infrared Cut-off）滤光片作为阻隔红外光的核心器件，通常由多层薄膜构成，通过多次介质膜层反射干涉实现对 700~1050nm 波段的高效截止。

结构构成：
常见的 IR-Cut 滤光片结构为：

  • 基材层（如光学玻璃）
  • 多层介质反射膜（如 SiO₂/TiO₂ 等高低折射率交替膜）
  • 表面 AR（抗反射）涂层

针对移动端模组的尺寸限制与成本控制，IR-Cut 滤光片通常封装于：

  1. Sensor 上盖玻璃中（单独贴合）
  2. 镜头内某一组镜片表面（内置镀膜）
  3. 模组封装中与 CSP 封装玻璃共结构（IR-Cut on Glass）

性能指标包括：

  • 截止波长（Cut-off λ）：通常为 700nm 或 750nm
  • 透过带宽（可见光范围内透过率应 >90%）
  • 光谱陡峭度（决定色彩还原的准确性）
  • 入射角依赖性（需考虑广角镜头成像角度）

常用测试手段：
通过分光光度计获取光谱曲线，判断在 700~1100nm 是否有较大泄露区间。同时需结合实拍图像（肤色卡、色彩靶标）进行主观评估。

值得注意的是，部分特殊场景（如 TOF、夜视、安全监控）并不使用 IR-Cut 滤光片，反而会设计“可透红外”的 IR-Pass 架构，或采用电动可切换 IR-Cut 结构，在不同模式间动态调整感光光谱。

第 3 节：硬件集成中的滤光器配置方案与封装路径

在手机成像模组中，IR-Cut 滤光片的集成方式直接影响光学性能、成像一致性与生产良率。根据模组结构和成本设计的差异，主流配置路径主要分为以下三类：

1. Sensor 封装上集成（IR-Cut on Glass）
该方式将 IR-Cut 膜层直接镀在 Sensor 的上盖玻璃上，一体化封装，具备稳定性高、厚度可控、对位精准的优势。

  • 典型应用：高端旗舰主摄（如 IMX989、GN2）
  • 封装方式：CSP + Cover Glass + Coating
  • 工艺挑战：高温封装过程中应避免膜层裂纹与透光率变化
  • 优势：良好的量产一致性，避免镜头装配误差引入色彩偏移

2. 镜头内部集成（IR-Cut in Lens）
部分成本敏感型产品将 IR-Cut 膜层集成在其中一片塑料或玻璃镜片表面，优点是可复用现有模组结构，降低 BOM 成本。

  • 常见于：副摄、低端主摄、小尺寸超广角镜头
  • 问题点：镜片面形误差与入射角变化易引发色偏、鬼影

3. 独立片材结构（IR-Cut Sheet）
采用独立滤光玻璃片，与镜头或 Sensor 之间通过胶体或机械固定方式拼装，适用于模组定制需求大、IR 管控要求严苛的场景。

  • 应用于：TOF + 主摄组合、双色温补光高端模组
  • 问题：增加封装厚度，易引入对位偏移，产线调试复杂

补充：IR-Cut 滤光片的角度依赖性控制
在超广角模组中，由于成像角度大，入射光倾斜角增加，导致部分滤光片透过率发生明显变化（入射角变化引发光谱位移），因此需选用角度补偿型膜层结构或定制膜设计。

第 4 节：夜拍、闪光灯与双色温下的红外干扰控制实战

在复杂光照条件下（尤其是夜拍、LED 补光、双色温灯环境），红外干扰对色彩成像的影响更加明显。为了实现真实肤色、准确色温与良好暗部细节表现，系统通常采取软硬件协同控制策略：

1. 夜拍场景中的红外干扰控制

  • 夜景算法多使用长曝光 + 多帧降噪，Sensor 红外响应增强
  • 若未配备 IR-Cut，背景区域常出现偏红、偏紫现象
  • 部分平台通过调整 ISP 中的 Color Matrix 与 Lens Shading 参数进行颜色补偿
// Qualcomm 平台 ISP 中夜拍偏红修正调节伪代码
isp_pipeline->color_matrix_override = TRUE;
isp_pipeline->matrix_coeffs = {
    {1.05, -0.02, -0.03},
    {-0.05, 1.08, -0.03},
    {-0.02, -0.01, 1.03}
};

2. 闪光灯与双色温环境下的 IR 干扰

  • RGBW 或双色温闪光灯中，W 通道可能带出更多红外，导致局部曝光区域颜色失真
  • 闪光灯控制中需同步 IR-Cut 有效性判断，并通过 AWB 模块实时调整
<!-- MTK 平台 Flash Color Temperature 配置 -->
<flash_awb_map>
    <led_index>0</led_index>
    <color_temp_range>2500~5000K</color_temp_range>
    <ir_response_curve>-0.05</ir_response_curve>
</flash_awb_map>

3. AI 红外感知判断与参数自适应

  • 部分平台结合 AI 场景识别引擎（Scene Recognition）识别“光谱偏移场景”，动态启用 LUT 修正
  • 典型案例：夜景模式下动态切换至“肤色优先”色彩策略，降低红外影响

4. 工程调试实战建议

  • 使用 IR 光源靶标与标准肤色卡（如 X-Rite ColorChecker）进行实测校准
  • 低照度下进行拍摄偏色统计，构建 LUT 修正表
  • 同步 IR-Pass 渠道采集信息，用于 AI 补偿模型训练（如 TOF 辅助夜景场景）

第 5 节：多模感知场景下的近红外透过设计与算法协同

随着 TOF、结构光、深度视觉与 AI 场景识别等功能的广泛应用，近红外波段（NIR, 700–1050nm）在成像系统中正由“干扰源”转变为“功能信号源”。这类场景要求模组在可见光成像与近红外感知之间实现有效透光平衡，并结合 ISP 与 CV 层算法协同处理：

1. 近红外感知类模组的设计目标差异化

应用方向NIR 透过率需求IR-Cut 设置主流方案
TOF 深度测距高透（850~940nm）不可存在 IR-CutBare Glass + NIR Pass Coating
人脸识别/生物识别可穿透 800~1000nm半透型 IR-Cut 或切片设计IR Cut + Partial Pass 或可控升降滤片
AI 场景识别可选透光可编程式可切换结构Liquid Lens + AI 识别融合控制

2. IR-Pass 光学结构与可见波段的干扰隔离

  • 常用方案：NIR Pass 滤膜采用多层干涉膜设计，增强 850nm950nm 透过率，同时抑制 400700nm 可见光穿透
  • 模组设计需考虑角度依赖性，以免大视角 TOF 传感器边缘信号衰减

3. NIR 与 RGB 通道的联合算法处理路径

在某些视觉任务中（如暗光人脸检测、夜间姿态识别），ISP 层通过融合 RGB + IR 数据实现成像增强：

// AI ISP 中 NIR 融合路径示意（OpenCV + 自研模型处理）
cv::Mat rgb_img = getRGBFrame();
cv::Mat nir_img = getNIRFrame();
cv::Mat fused_img;

cv::addWeighted(rgb_img, 0.8, nir_img, 0.2, 0.0, fused_img);
runSceneRecognition(fused_img);
  • Qualcomm 平台中 NIR 通道通过 VFE pipeline 独立处理
  • MTK 平台则通过 RAW 后处理阶段引入融合模块（需关闭强制 IR-Cut）

4. 多模 AI 感知场景识别控制建议

  • 在场景中加入 IR Map，供 ISP 或 CV 层参考信号强度
  • 夜间或复杂光照时，允许算法侧下发切换 IR-Cut 滤光状态的指令
  • 使用 AI 建模估计 IR 信息对图像清晰度与对比度的影响程度，自适应加权融合

第 6 节：双摄/多摄系统中 IR 滤光一致性的对齐机制

多摄系统在进行色彩融合、景深建图、图像拼接（如超分/变焦）时，若各模组的 IR 滤光特性存在差异，将直接导致色彩偏差、图像重叠不准与几何失真等问题。因此，工程上必须进行如下控制：

1. 滤光器规格选型一致性

  • 所有摄像头模组需使用光谱响应曲线（Transmission vs Wavelength）匹配误差 < 3% 的 IR-Cut 滤光片
  • 建议主摄与长焦模组使用同批次同结构滤膜，以减少色差问题

2. 近红外截止点统一校准（Cut-off Wavelength）

  • 主副摄 IR 截止波长一致（常见于 650~700nm），避免色温漂移
  • 色彩 LUT 中引入 IR 补偿因子，使 ISP 层可统一矫正

3. 多摄平台 ISP 协同矫正流程

平台级一般通过 Image Signal Chain 中以下策略实现 IR 滤光差异补偿：

// MTK 平台 Dual-Cam IR 统一 LUT 接口设置
<dual_cam_ir_calibration>
    <sensor_id_0>IMX766</sensor_id_0>
    <sensor_id_1>OV64B</sensor_id_1>
    <ir_response_alignment>
        <gain>0.95</gain>
        <offset>0.01</offset>
    </ir_response_alignment>
</dual_cam_ir_calibration>
  • Qualcomm QMMF 平台支持 IR 响应曲线的标定文件导入，与色彩矩阵联动

4. 物理结构与视角差异引发的滤光误差处理

  • 主副摄 FOV 不一致时，入射角导致 IR-Cut 有效性差异（IR 色散现象）
  • 部分平台通过角度 LUT 修正 + 实时 AI 判断进行校准
  • 若使用滑动变焦模组，应加入动态色彩变换矩阵（DCCM）

5. 工程调试建议

  • 使用可控红外光源（850nm/940nm）在黑房中采集主副摄响应曲线
  • 实拍肤色卡 + 灰阶卡，分析主副摄通道差异并构建配色校准表
  • 记录多模组响应延迟、色彩漂移信息，调试 ISP 联动调色策略

第 7 节：工程调试与 Spectral Shift 校准流程分享

在实际工程调试中，IR 滤光器与 Sensor 的光谱响应匹配往往受到多个变量影响，包括角度依赖性（AOI）、批次材料差异、封装温漂，以及主副摄模组组合产生的 Spectral Shift 问题。为了保证多摄系统成像色彩统一性与近红外场景下的信噪比稳定性，需开展系统化的校准流程。

1. 实验室调试环境搭建
  • 红外校准光源：使用标准 850nm 与 940nm LED 光源，配合积分球或漫反射板保证均匀照射
  • 白光与双色温校准灯组：模拟多场景色温变化（2800K~6500K）
  • 目标卡件：色彩卡（ColorChecker）、灰阶卡（18%灰）、IR 滤波参考板（带可见/NIR 标识区）
2. Spectral Shift 响应采样

在白光照射与红外照射下，分别采集主副摄模组的 Raw Bayer 输出，提取 G 通道响应曲线，并拟合波长位移 Δλ：

import numpy as np
from scipy.optimize import curve_fit

def gaussian(x, mu, sigma, A):  # 高斯拟合近红外峰值响应
    return A * np.exp(-(x - mu)**2 / (2 * sigma**2))

x_wavelength = np.array([...])  # 实验波段样本（400nm~1000nm）
y_response_sensor1 = np.array([...])
y_response_sensor2 = np.array([...])

popt1, _ = curve_fit(gaussian, x_wavelength, y_response_sensor1)
popt2, _ = curve_fit(gaussian, x_wavelength, y_response_sensor2)
spectral_shift = abs(popt1[0] - popt2[0])
  • 一般认为 Spectral Shift 在 ±10nm 内为可接受范围
  • 若偏移超过 20nm，需更换 IR Cut 滤膜或采用算法侧矫正
3. 实拍偏差验证与校准表生成
  • 对比主副摄拍摄同一色卡图像，在 sRGB 空间内评估色差 ΔE
  • 生成主副摄之间的色彩映射 LUT，写入 ISP 配置文件：
<color_correction_matrix>
  <sensor_pair>IMX766_OV64B</sensor_pair>
  <matrix>
    0.95, 0.02, 0.01
    0.01, 0.96, 0.03
    0.02, 0.01, 0.97
  </matrix>
</color_correction_matrix>
  • 调用平台配置工具（如 MTK CCT Tool、QTI XML Compiler）更新 ISP 参数
4. 工程侧常见调试问题与经验总结
问题描述根因分析对策与修复路径
暗光下红光泛滥IR Cut 低截止波长或滤光角度失效更换滤膜 / 优化封装入射角 / ISP 限制红通道增益
多摄色温漂移严重滤膜曲线不一致 / Spectral Shift大校准 LUT / 替换一致性更高滤膜批次
近红外场景画面偏灰偏绿红外叠加通道未匹配 / Raw黑电平异常IR通道调零 / 增加 AI 颜色偏差修正模型

第 8 节：未来发展方向：AI 感知 + 可变滤波结构的融合探索

随着智能终端多摄结构与感知能力的发展，传统固定式 IR Cut 滤光方案在灵活性、空间效率、功能扩展等方面面临明显瓶颈。未来的趋势已逐步指向“AI 感知 + 可变滤波”结构，探索在不同拍摄场景下自动切换或调控红外透射策略，以兼顾 RGB 成像质量与 NIR 功能响应。

1. 可切换滤光器结构
  • 机械式切片滤光器（IR Shutter）：如部分夜视手机、工业检测模组，使用滑动机构在 IR Cut 与 Bare Glass 之间切换
  • 电控液晶滤光器（LC Tunable Filter）：通过电场控制滤光透波段，目前已在部分工业相机中验证（需宽温区控制 + 高成本）
  • 液态滤光片（Liquid Crystal Polymer）：结合微流控结构调节透波范围，正在逐步 miniaturize 以适配手机模组需求
2. AI 场景驱动下的智能滤波策略

利用端侧 AI 识别当前拍摄场景是否需要 IR 信息（如夜景、人脸识别、深度建图等），动态控制滤波器：

if (AI_detect_IR_scene()) {
    IR_filter_ctrl("pass");
} else {
    IR_filter_ctrl("block");
}

结合 ISP 中 Scene Mode、Exposure Mode 等上下文信息，可进一步优化滤波行为与色彩表现。

3. 多模融合感知路径探索
  • RGB + NIR 多模并行成像结构：如双 Sensor 模组，一路用于彩色，一路专用于 IR，进行 AI 模型融合（类似华为早期 B&W + RGB 架构）
  • 统一 Sensor 多通道 RAW 输出：部分新型 CMOS（如 Sony IMX800 系列）支持同时输出 RGB 与近红外（Clear）通道
4. 对未来系统架构的启示
方向关键特性工程挑战点
可变滤波器 + AI 场景融合智能透红外 / 低功耗控制滤光器稳定性、耐久性、电磁干扰抑制
多通道 Sensor + AI 融合高灵敏度/低延迟融合感知数据融合对 ISP 算力、时延、调试要求提升
软硬件协同设计高一致性成像与算法输出模组厂商与平台侧标准接口需一致

随着手机 AI 感知能力持续增强与拍照差异化需求提升，滤光器系统也将从“单一阻断”走向“智能透控+系统协同”的路径，对模组设计、平台适配、算法集成提出更高要求。

本文转自 https://zhxin.blog.csdn.net/article/details/148500773