4、白平衡基础：色温与色彩恒常性、白平衡算法（灰度世界、完美反射、色温估计）的原理与适用场景

在Edge AI摄像头应用中，白平衡（White Balance, WB）是决定图像色彩真实性的第一道关卡。不同于PC端可以事后用RAW格式进行精细调整，Edge AI设备（如机器人、无人机、工业相机、智能门锁）通常直接输出YUV或压缩后的RGB图像，ISP（图像信号处理器）中的白平衡模块一旦设置不当，后续的AI识别算法（如颜色分类、缺陷检测、交通灯识别）将直接受到系统性偏差的干扰。本章将深入剖析色温与色彩恒常性的物理本质，并重点讲解三种经典白平衡算法——灰度世界法、完美反射法、色温估计法——的数学原理、工程实现路径及在边缘场景下的选型策略。

上图展示了本章的核心决策逻辑：从光源色温出发，经由色彩恒常性目标，最终落到三种算法的选型路径。在Edge AI的实际部署中，我们不仅要理解算法本身，更要清楚其背后的物理假设与失效边界。下面逐一展开。

4.1 色温与色彩恒常性：人眼与CMOS传感器的本质差异

核心原理：色温（Color Temperature）是描述光源光谱特性的物理量，单位为开尔文（K）。黑体辐射理论表明，当绝对黑体被加热到不同温度时，会发出不同颜色的光：约2800K时呈暖黄色（白炽灯），约5500K时接近正午日光（中性白），约7000K以上呈冷蓝色（阴天阴影）。CMOS图像传感器本身不具备色彩恒常性——它只是被动记录进入每个像素的光子能量分布。如果光源从5500K变为2800K，同一张白纸在传感器上输出的RGB值会从(200, 210, 190)漂移到(230, 180, 120)。而人眼通过大脑的视觉皮层自动补偿光源变化，使我们感知到的白纸始终为白色，这种能力称为色彩恒常性（Color Constancy）。

工程意义：白平衡算法的本质，就是在数字域模拟人眼的色彩恒常性。对于Edge AI摄像头，这意味着算法必须实时估计当前光源的色温，并调整RGB三个通道的增益，使中性色（灰、白）在输出图像中呈现为R=G=B。如果这一环节失效，后续的AI模型（尤其是基于颜色特征的分类器）将面临严重的域偏移问题。例如，一个在D65标准光源（6500K）下训练的交通灯识别模型，若部署在2800K的隧道灯光下，红色灯可能被误判为橙色，绿色灯可能偏黄。

4.2 灰度世界算法（Gray World Assumption）

原理与数学表达：灰度世界算法基于一个统计假设：自然场景中所有颜色的平均反射率是中性灰（R=G=B）。换句话说，一幅色彩足够丰富的图像，其RGB三个通道的均值应当相等。算法通过计算图像各通道的平均值，然后求取增益系数：

// 伪代码：灰度世界白平衡
avgR = mean(R_channel)
avgG = mean(G_channel)
avgB = mean(B_channel)

// 以绿色通道为参考（或取三通道均值）
gainR = avgG / avgR
gainB = avgG / avgB

// 应用增益
R_out = clamp(R_in * gainR, 0, 255)
B_out = clamp(B_in * gainB, 0, 255)
G_out = G_in  // 绿色通道通常保持不变

适用场景：灰度世界法最适合色彩丰富且分布均匀的场景。例如户外风景、多物体抓取机器人、仓储物流分拣。在这些场景中，画面包含红、绿、蓝、黄等多种颜色，统计均值趋近于灰色。其最大优势是计算量极低——只需一次全图遍历求均值，非常适合在MCU或低功耗DSP上实时运行。

案例拆解：某农业机器人使用灰度世界法进行田间作物识别。初始调试时，在晴天正午（色温约5500K）下效果良好，但傍晚（色温约3500K）时，绿色叶片的识别置信度从0.92降至0.71。分析发现，傍晚暖光导致图像整体偏黄，灰度世界算法虽然进行了校正，但由于田间土壤（棕色）占比超过60%，三通道均值不再满足灰色假设，增益计算出现偏差。解决方案是引入ROI（感兴趣区域）加权——只对图像中央区域的作物冠层计算均值，避开土壤背景，最终将置信度恢复至0.88。

4.3 完美反射算法（Perfect Reflector / White Patch）

原理与数学表达：完美反射算法假设图像中最亮的像素点代表场景中的完美白或镜面反射区域。该算法在图像中寻找RGB三通道的最大值，并以此为白点基准进行增益校正：

// 伪代码：完美反射白平衡
maxR = max(R_channel)
maxG = max(G_channel)
maxB = max(B_channel)

// 取三通道最大值的最大值作为参考白
whiteRef = max(maxR, maxG, maxB)

gainR = whiteRef / maxR
gainG = whiteRef / maxG
gainB = whiteRef / maxB

// 应用增益（同样需要clamp）

适用场景：完美反射法在工业检测、医疗内窥镜、显微镜成像等场景中表现优异，因为这些场景通常包含高光区域（金属反光、白色陶瓷、组织液反光）。它特别适合处理已知存在高光点的固定工位摄像头。在Edge AI中，如果摄像头安装位置固定且视场内必然出现白色校准块或高光区域，完美反射法能提供比灰度世界法更精准的校正。

案例拆解：某电子元件焊接质量检测系统，使用完美反射法进行白平衡。系统安装在流水线上方，视场内包含锡焊点（高光）、绿色PCB板、黑色芯片。初始使用灰度世界法时，由于PCB板绿色占比过高，导致焊点颜色偏紫，误判率高达5%。切换至完美反射法后，算法锁定焊点的高光区域作为白点参考，焊点颜色还原准确，误判率降至0.8%。但工程师发现，当流水线空载（无PCB板）时，视场内只有黑色传送带，完美反射法找不到有效白点，输出图像严重偏色。最终方案是增加“白点有效性检查”——若检测到的白点亮度低于阈值（如maxR < 180），则自动回退至灰度世界法。

4.4 色温估计法（Color Temperature Estimation）

原理与数学表达：色温估计法不直接依赖图像统计特征，而是基于光源色温的先验知识或实时估计。其核心思想是：建立色温与RGB通道增益之间的映射关系（通常通过标定获得）。算法首先估计当前光源色温，然后查表或通过多项式拟合得到对应的R/G和B/G增益。

// 伪代码：基于色温估计的白平衡
// 1. 估计色温（可通过灰度世界法粗估，或使用专用色温传感器）
estimatedTemp = estimateColorTemperature(image)

// 2. 查表或插值获取增益
// 标定表：[(2800K, gainR=1.8, gainB=1.2), (5500K, gainR=1.0, gainB=1.0), (7500K, gainR=0.8, gainB=1.4)]
gainR = interpolate(estimatedTemp, tempTable.gainR)
gainB = interpolate(estimatedTemp, tempTable.gainB)

// 3. 应用增益

适用场景：色温估计法最适合光源类型已知且相对固定的场景。例如：智能交通摄像头（路灯色温固定）、室内固定监控（LED灯或荧光灯）、车载摄像头（车灯色温已知）。在这些场景中，算法可以预先标定好增益表，运行时只需快速估计色温即可获得精准校正。相比灰度世界法，色温估计法在单色背景下依然有效，因为它不依赖场景色彩丰富度。

案例拆解：某隧道监控项目，隧道内使用高压钠灯（色温约2200K），洞口处为自然光（色温约5500K）。摄像头安装在隧道入口处，视场同时覆盖洞内和洞外。使用灰度世界法时，由于洞内暖光区域占画面70%，算法将整体色温拉向暖色，导致洞外车辆颜色失真。改用色温估计法后，系统通过检测画面中已知的白色车道线（反光率稳定），实时估计色温并切换增益。当车辆进入隧道时，算法平滑过渡增益，避免了色彩跳变。最终方案在FPGA上实现，色温估计频率为30fps，延迟小于1ms。

4.5 算法对比与选型决策表

选型建议：在Edge AI项目中，建议采用分层策略——默认使用灰度世界法作为基础，同时通过场景分类器（如检测画面中是否有大面积单色区域）动态切换至完美反射法或色温估计法。这种混合策略在瑞芯微RV1126、海思Hi3516等边缘SoC上均可实现，额外算力开销小于5%。

4.6 常见误区与工程复盘

误区一：白平衡必须在RAW域进行。虽然RAW域校正信息损失最小，但许多Edge AI摄像头直接输出YUV或RGB，此时在RGB域进行增益校正同样有效，只需注意避免通道溢出（clamp）。若ISP支持，优先在ISP的WB模块中调整，因为其通常包含更精细的色温曲线。

误区二：增益越大越好。当场景色温极低（如2000K）时，蓝色通道增益可能达到2.5倍以上，这会显著放大蓝色通道的噪声。在暗光环境下，建议限制最大增益（如不超过2.0），并配合降噪算法使用。

误区三：忽略自动白平衡的收敛时间。当摄像头从室内移动到室外时，自动白平衡需要数十帧才能收敛。对于移动机器人，这可能导致初始几秒内的识别错误。解决方案是在启动时强制使用固定色温（如5500K），待系统稳定后再切换至自动模式。

总结：白平衡是Edge AI摄像头色彩链路中最基础也最关键的环节。灰度世界法适合大多数场景，但需警惕单色背景陷阱；完美反射法在工业场景中表现优异，但依赖高光存在；色温估计法在固定光源下精度最高，但缺乏灵活性。实际工程中，建议结合场景特点进行算法融合，并在ISP层面预留增益调节接口，以便在AI模型训练和部署阶段进行联合调优。