4. 动态阈值AWB算法

任务目标

实现基于动态阈值（Dynamic Threshold）的自动白平衡（AWB）算法。该算法在YCbCr色彩空间中统计图像色度分布，根据亮度自适应地筛选白点候选区域，并利用筛选出的白点估计场景光照色温，最终通过增益校正恢复图像中性色。

算法原理与实现路径

动态阈值AWB的核心在于：并非所有高亮度像素都是白点，而是需要在色度空间中寻找满足特定分布约束的像素集合。本实现采用以下步骤：

1. 将RGB图像转换至YCbCr空间，分离亮度与色度信息；
2. 对Cb、Cr分量分别计算均值与偏差，形成动态判定阈值；
3. 依据亮度范围与色度偏移距离双重条件筛选白点候选；
4. 对筛选出的白点求取R、G、B三通道均值，计算各通道增益并校正全图。

完整实现代码

import numpy as np
import cv2

def dynamic_threshold_awb(img):
    """
    动态阈值自动白平衡
    img: BGR图像, uint8, 0-255
    返回: 校正后的BGR图像
    """
    # 1. 转换到YCbCr空间
    ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)
    Y, Cr, Cb = cv2.split(ycrcb.astype(np.float32))
    h, w = Y.shape

    # 2. 计算Cb/Cr的均值与偏差
    Cb_mean = np.mean(Cb)
    Cr_mean = np.mean(Cr)
    Cb_abs_dev = np.mean(np.abs(Cb - Cb_mean))
    Cr_abs_dev = np.mean(np.abs(Cr - Cr_mean))

    # 3. 动态阈值判定条件
    # 亮度范围: 避免过暗噪声与过曝区域
    Y_min, Y_max = 0.1 * 255, 0.95 * 255
    # 色度距离阈值: 均值±偏差的缩放(动态自适应)
    scale = 1.5
    Cb_low, Cb_high = Cb_mean - scale * Cb_abs_dev, Cb_mean + scale * Cb_abs_dev
    Cr_low, Cr_high = Cr_mean - scale * Cr_abs_dev, Cr_mean + scale * Cr_abs_dev

    # 4. 构建白点掩膜
    mask = ((Y > Y_min) & (Y < Y_max) &
            (Cb > Cb_low) & (Cb < Cb_high) &
            (Cr > Cr_low) & (Cr < Cr_high))

    # 5. 若白点过少(极端色温), 退化为全图均值
    if np.sum(mask) < max(10, 0.01 * h * w):
        mask = np.ones_like(mask, dtype=bool)

    # 6. 计算白点区域的RGB均值
    bgr = img.astype(np.float32)
    B_mean = np.mean(bgr[:, :, 0][mask])
    G_mean = np.mean(bgr[:, :, 1][mask])
    R_mean = np.mean(bgr[:, :, 2][mask])

    # 7. 计算增益(以G通道为基准)
    gain_B = G_mean / (B_mean + 1e-6)
    gain_R = G_mean / (R_mean + 1e-6)

    # 8. 应用增益并饱和截断
    corrected = img.astype(np.float32)
    corrected[:, :, 0] *= gain_B
    corrected[:, :, 2] *= gain_R
    corrected = np.clip(corrected, 0, 255).astype(np.uint8)

    return corrected

# 最小调用示例
if __name__ == "__main__":
    # 生成模拟偏色图像(纯色块, 便于验证)
    img = np.zeros((200, 200, 3), dtype=np.uint8)
    img[:, :, 0] = 180   # B偏强(模拟低色温偏蓝场景)
    img[:, :, 1] = 120
    img[:, :, 2] = 80

    result = dynamic_threshold_awb(img)
    # 验证: 校正后B/G/R应趋于接近
    b_mean = np.mean(result[:, :, 0])
    g_mean = np.mean(result[:, :, 1])
    r_mean = np.mean(result[:, :, 2])
    print(f"校正后均值 B={b_mean:.1f}, G={g_mean:.1f}, R={r_mean:.1f}")
    print("通过条件: 三通道均值差异小于15")

运行与验证

环境依赖：Python 3.7+，NumPy，OpenCV（pip install numpy opencv-python）。

运行方式：将上述代码保存为 awb_dynamic.py，执行 python awb_dynamic.py。

验证方法：代码内置了模拟偏色图像的测试。输入图像B通道显著高于R通道（模拟偏蓝场景），算法应通过增益调整使三通道均值收敛。判定通过条件为校正后三通道均值差小于15。对于真实图像，可替换 img 为实际图片路径（cv2.imread），观察校正后中性色区域（如白墙、灰卡）是否恢复为无色偏状态。

关键说明

动态阈值相比固定阈值（如Cb、Cr均在[0,255]内取固定区间）的优势在于：阈值随图像内容自适应变化，对色温跨度大的场景鲁棒性更强。本实现中 scale 参数控制色度筛选的严格程度，值越小白点筛选越严格；当筛选白点过少时自动回退至全图均值，避免极端色温下无白点可用的失效情况。亮度上下限用于排除暗部噪声与高光裁剪区域对色度统计的干扰。