课程导入：AWB自动白平衡的定义、重要性、在成像系统中的作用，以及课程整体学习路径与目标
在数字成像系统中，色彩还原的准确性直接决定图像质量的优劣。当我们用手机或相机拍摄一张白纸时，如果画面偏蓝或偏黄，通常会被认为是“白平衡不准”。自动白平衡（Auto White Balance, AWB）正是解决这一问题的核心算法模块。它通过分析传感器捕获的原始数据，估计场景中的光源色温，并据此调整RGB通道的增益，使白色物体在任何光照条件下都呈现为中性白，从而保证整体色彩的客观还原。AWB不仅是ISP（图像信号处理器）流水线中的关键环节，更是连接硬件传感器特性与用户主观视觉感受之间的桥梁。本章作为《AWB自动白平衡调优手册》的开篇，将系统阐述AWB的定义、工程意义、在成像链路中的位置，并给出本课程的学习路径与目标，帮助读者建立完整的知识框架。
1.1 AWB的定义与核心原理
自动白平衡是指成像系统通过算法自动检测场景光源的色温与色调，并据此调整红、绿、蓝三通道的增益，使得场景中的中性色（白色、灰色）在输出图像中呈现为R=G=B的等量关系。从物理本质上看，不同光源具有不同的色温——例如正午阳光约为5500K，白炽灯约为2800K，阴天阴影处可达7500K以上。人眼具备色彩恒常性，能够自动适应光源变化，但图像传感器本身不具备这种能力。传感器输出的RAW数据中，R、G、B通道的响应比例会随光源色温变化而显著改变。AWB算法的任务，就是通过统计RAW域或RGB域中的颜色分布，估计当前光源的色温，并计算出对应的通道增益。
从数学表达上看，AWB的核心是一个对角矩阵变换：
[R_out] [Gain_R 0 0 ] [R_in]
[G_out] = [0 Gain_G 0 ] × [G_in]
[B_out] [0 0 Gain_B] [B_in]其中Gain_G通常固定为1.0，Gain_R和Gain_B根据估计的色温在预设的增益曲线上取值。例如在低色温（暖光）环境下，蓝色通道增益需要提高，红色通道增益相对降低；在高色温（冷光）环境下则相反。这个增益曲线通常由产线标定获得，是AWB调优的基础数据之一。
1.2 AWB在成像系统中的作用与地位
在完整的ISP流水线中，AWB位于RAW域处理阶段，通常在黑电平校正、镜头阴影校正之后，在颜色校正矩阵（CCM）和Gamma之前。这个位置决定了AWB的输出质量直接影响后续所有色彩处理环节。如果AWB增益不准确，CCM的线性变换将无法正确校正色彩串扰，Gamma和色调映射也会放大色偏。因此，AWB是色彩还原的“地基工程”。
从系统层面看，AWB的作用体现在三个维度：
- 物理准确性：确保白色物体在不同光源下的RGB响应比例一致，这是客观指标（如色卡测试的ΔE、灰卡中性度）的基础。
- 主观舒适度：人眼对肤色、蓝天、绿草等记忆色非常敏感。AWB调优需要在物理准确和主观偏好之间取得平衡，例如在混合光源场景下，略微保留暖色调往往更讨喜。
- 系统鲁棒性：AWB算法需要应对复杂场景——大面积单色物体、强光源直射、夜景霓虹灯、室内混合照明等。一个优秀的AWB模块能够快速收敛、避免色偏漂移，并且不产生明显的增益跳变。
| 成像环节 | AWB的影响 | 调优关注点 |
|---|---|---|
| RAW域统计 | 决定色温估计的输入数据质量 | 统计区域选择、权重分配、异常点剔除 |
| 增益计算 | 直接改变RGB通道比例 | 增益曲线平滑性、最大增益限制 |
| CCM颜色校正 | 依赖AWB后的中性色准确性 | AWB与CCM的配合、色温分段 |
| Gamma/色调映射 | 影响高光/阴影区域的色彩表现 | 不同亮度区域的AWB一致性 |
| 视频/连拍 | 需要时间域平滑，避免增益抖动 | 收敛速度、防闪烁、场景切换响应 |
1.3 课程整体学习路径与目标
本课程共30章，按照“基础理论→核心算法→工程调优→实战验证→系统落地”的逻辑展开。第1章作为导入，帮助读者建立全局视野；第2-5章深入AWB的物理基础与算法原理，包括色温估计、灰度世界假设、边缘保持算法、深度学习AWB等；第6-12章聚焦调优方法论，涵盖光源箱搭建、灰卡采集、增益标定、DCC调试、场景分类策略等；第13-20章针对不同场景（人像、风景、夜景、室内、运动等）进行专项调优讲解；第21-26章涉及AWB与其他ISP模块的协同、性能优化、功耗控制、多摄像头一致性等；第27-30章则通过完整项目案例，带领读者从零开始完成一个AWB调优项目，并介绍自动化测试与产线量产导入。
课程目标分为三个层次：
- 理解层：掌握AWB的物理模型、算法分类、优缺点对比，能够阅读并解释AWB相关的代码和文档。
- 应用层：能够独立完成AWB调优流程——从光源选择、灰卡拍摄、增益计算到效果验证，熟练使用Imatest、DCC等工具。
- 专家层：具备解决复杂色偏问题的能力，能够针对特定场景设计AWB策略，优化算法性能，并建立自动化的调优与回归测试体系。
1.4 常见误区与课程学习注意事项
在AWB学习和调优过程中，初学者容易陷入几个典型误区，这里提前说明，帮助读者建立正确的认知框架。
误区一：认为AWB只是“调色温”。色温是AWB的主要估计对象，但AWB还需要处理色调（Tint）——即光源在绿色-品红色轴上的偏移。荧光灯、LED灯往往带有明显的绿色或品红色偏，仅调整色温无法解决。因此，AWB调优必须同时关注R/G和B/G两个维度的增益。
误区二：盲目追求“白纸必须纯白”。在混合光源场景下（例如室内暖光+窗外冷光），物理上不存在单一色温。此时AWB需要做出“场景决策”——是优先还原主体肤色，还是保持整体氛围。调优的目标是“合理”而非“正确”。
误区三：忽略传感器与镜头的个体差异。同一型号的传感器，不同批次、不同温度下的暗电流和量子效率可能存在差异；镜头的光学镀膜也会影响色彩响应。因此，AWB调优必须基于实际模组的标定数据，不能直接套用参考设计。
误区四：只关注静态图像，忽视视频场景。视频AWB需要处理时间域平滑、曝光变化、场景切换等问题。如果静态调优效果很好，但视频中增益跳变明显，用户会感到画面闪烁。本课程将在第18-20章专门讲解视频AWB的调优技巧。