第四章 色彩空间与色彩科学：RGB、YCbCr、HSV、Lab等色彩空间转换、色温与白平衡基础
色彩科学是ISP（图像信号处理器）算法的基石。从传感器输出的RAW数据到最终显示或存储的图像，每一个像素都要经历多次色彩空间的转换。理解不同色彩空间的数学定义、物理含义与适用场景，是进行白平衡、色彩校正、色调映射等后续操作的前提。本章将系统梳理RGB、YCbCr、HSV、Lab等核心色彩空间的特性与转换逻辑，并深入解析色温与白平衡的底层原理与工程实现方法。
上图展示了ISP中色彩处理的核心链路：从RAW域的线性RGB开始，经过白平衡增益调整、色彩校正矩阵（CCM）后，再根据不同的应用需求转换到YCbCr、HSV或Lab等色彩空间。这条链路中，每一个环节的精度都会直接影响最终图像的色彩表现。下面我们逐一深入剖析。
4.1 核心色彩空间原理与数学定义
RGB色彩空间是最基础、最贴近硬件采集与显示的色彩模型。在ISP中，RGB通常分为线性RGB和非线性RGB（即经过Gamma校正后的RGB）。线性RGB直接反映光强，适合做数学运算（如白平衡、CCM），但不符合人眼对亮度的感知特性；非线性RGB（sRGB、Adobe RGB等）则用于显示和存储。RGB的缺点是三个分量高度相关，对亮度与色度的分离性差，不适合做压缩和图像分析。
YCbCr色彩空间将亮度（Y）与色度（Cb、Cr）分离，是视频编码和传输的标准格式。其转换公式基于ITU-R BT.601（标清）或BT.709（高清）标准。以BT.601的有限范围（16-235）为例，RGB（8bit）转YCbCr的核心公式为：
Y = 0.257R + 0.504G + 0.098B + 16
Cb = -0.148R - 0.291G + 0.439B + 128
Cr = 0.439R - 0.368G - 0.071B + 128YCbCr的优势在于：人眼对亮度细节敏感、对色度细节不敏感，因此可以对Cb、Cr进行下采样（如4:2:0）而不易察觉画质损失，极大节省带宽。在ISP中，降噪、边缘增强等操作通常在Y域进行，而色度去伪彩则在Cb/Cr域进行。
HSV色彩空间（色相Hue、饱和度Saturation、明度Value）是一种面向视觉感知的圆柱坐标模型。H用角度表示（0°-360°），S和V用百分比或0-1表示。RGB转HSV的算法是：
V = max(R,G,B)
S = (V - min(R,G,B)) / V (当V≠0)
H = 根据max分量计算角度（60°为间隔）HSV的最大价值在于将颜色属性解耦：调整H可以改变色调而不影响亮度，调整S可以改变鲜艳程度，调整V可以改变明暗。这使得它在颜色检测（如肤色分割）、色彩风格化（如美颜中的口红换色）中非常高效。
Lab色彩空间（CIELAB）是感知均匀的色彩空间，其设计目标是让数值上的欧氏距离与人眼感知的颜色差异成正比。L表示亮度（0-100），a表示从绿到红（-128到127），b表示从蓝到黄（-128到127）。Lab由XYZ空间经非线性变换得到，而XYZ由线性RGB经3x3矩阵转换而来。Lab在色彩管理、色差评估（ΔE）和高端色调映射中不可或缺。
4.2 色彩空间转换的工程实现与判断方法
在ISP代码中，色彩空间转换通常以查找表（LUT）或定点整数运算实现，以避免浮点运算带来的性能开销。转换流程遵循以下步骤：
- 归一化：将RGB从0-255映射到0-1浮点范围（或定点Q格式）。
- 去Gamma：若输入为sRGB，需先进行线性化（即应用2.2次幂的反函数），得到线性RGB。
- 矩阵运算：根据目标色彩空间（如BT.709 YCbCr）乘以对应的3x3转换矩阵。
- 加偏移与量化：对Y加16偏移，对Cb/Cr加128偏移，再量化到目标位深。
判断一个转换实现是否正确，最直接的方法是使用标准色卡（如X-Rite ColorChecker）的已知RGB值，转换后对比标准YCbCr/HSV/Lab值，计算最大误差。工程上，8bit数据转换误差应控制在±1以内，16bit数据误差应控制在±2以内。
| 转换方向 | 关键参数 | 典型应用 | 精度要求 |
|---|---|---|---|
| RGB→YCbCr | BT.601/BT.709矩阵 | 视频编码、降噪 | 8bit: ±1 |
| RGB→HSV | 极坐标变换 | 颜色分割、特效 | H角度误差<1° |
| RGB→Lab | D65白点、Gamma | 色彩管理、ΔE评估 | ΔE<1 |
| YCbCr→RGB | 逆矩阵 | 显示、后处理 | 避免色偏 |
4.3 色温与白平衡基础
色温是描述光源颜色的物理量，单位为开尔文（K）。黑体加热到不同温度会发出不同颜色的光：低温（2000K）偏红，高温（10000K）偏蓝。人眼具有色彩恒常性，无论光源如何变化，我们感知的白色始终是白色。但图像传感器没有这种能力，因此必须通过白平衡算法来模拟人眼的适应机制。
白平衡的核心目标是：在任意色温光源下，使场景中的中性灰（反射率均匀的灰卡）在图像中呈现为R=G=B。其数学本质是计算三个通道的增益系数（R_gain、G_gain、B_gain），通常以G通道为基准（G_gain=1.0），然后对R和B通道进行缩放。
工程中常用的白平衡方法有三种：
- 灰度世界法：假设场景中所有颜色的平均反射率是中性灰，即R、G、B三通道的平均值应相等。增益计算为：R_gain = G_avg / R_avg，B_gain = G_avg / B_avg。该方法简单，但在大面积单色场景（如蓝天、绿草）中会失效。
- 完美反射法：假设图像中最亮的像素（高光区域）是白色，以其RGB值作为白点参考。该方法对高光过曝敏感。
- 色温曲线法：在实验室中，用不同色温光源拍摄灰卡，记录R/G和B/G比值，拟合出一条色温曲线。实际使用时，统计图像中灰点的R/G、B/G比值，在曲线上查找最接近的色温点，再查表得到增益。这是目前手机和相机ISP中最常用的方法。
4.4 案例拆解：手机摄像头在混合光源下的白平衡与色彩转换优化
背景与约束：某旗舰手机在室内会议室场景（主光源为4000K荧光灯，窗外射入6500K日光）拍摄人像，出现肤色偏黄、背景白墙偏蓝的问题。硬件为IMX766传感器，ISP为骁龙8 Gen2内置ISP。目标是在不增加额外硬件成本的前提下，通过算法优化使肤色自然、白墙还原为白色。
初始现象与数据：拍摄RAW格式图像，统计灰卡区域RGB均值：R=180，G=160，B=140（8bit）。计算R/G=1.125，B/G=0.875。对照色温曲线，该比值对应约4500K色温，但实际场景是混合光源，单一色温无法准确描述。
分析判断过程：问题根源在于全局白平衡无法同时校正两种色温。若按4500K校正，则日光照射的白墙区域（实际色温6500K）会被过度补偿，导致偏蓝；若按6500K校正，则荧光灯下的肤色会偏黄。解决方案是采用区域白平衡（局部AWB）：将图像划分为16x16网格，对每个网格独立估计色温并计算增益，然后通过双线性插值生成每个像素的增益图。
实际操作步骤：
- 将RAW图分块，每块大小64x64像素，统计每块的R/G、B/G比值。
- 剔除过暗（亮度<10）和过曝（亮度>250）的块，避免噪声和饱和像素干扰。
- 对每块计算色温估计值，并映射到对应的R_gain、B_gain。
- 对增益图进行高斯平滑（σ=3），避免块间增益跳变。
- 将增益图应用到线性RGB域，完成白平衡。
- 随后进行CCM色彩校正，将RGB转换到YCbCr域进行降噪和锐化，最后转回RGB输出。
结果对比：优化前，肤色ΔE（相对标准肤色卡）为8.5，白墙ΔE为6.2；优化后，肤色ΔE降至3.2，白墙ΔE降至2.1。主观评价中，90%的测试者认为肤色自然度显著提升，白墙不再偏蓝。
风险与代价：区域白平衡增加了约15%的ISP运算量（主要是分块统计和插值），且在某些极端场景（如大面积纯色背景）可能产生色块分裂。为此，增加了增益图的平滑强度，并设置相邻块色温差阈值（超过500K时强制平滑）。
复盘经验：混合光源是手机拍摄的常态，单一全局白平衡无法满足高端需求。区域白平衡的关键在于分块大小和插值算法的选择，分块过大则无法区分局部色温，分块过小则噪声过大。此外，白平衡与CCM的配合至关重要——CCM是在D65标准光源下标定的，当实际色温偏离D65时，需要根据色温动态调整CCM矩阵，否则会出现色彩饱和度异常。
4.5 常见误区与总结复盘
总结：色彩空间转换与白平衡是ISP中最基础也最考验功力的模块。理解每个色彩空间的数学定义和物理意义，掌握转换的精度控制方法，熟悉白平衡的多种实现策略及其适用场景，是成为一名合格的ISP算法工程师的必修课。在实际项目中，建议建立标准色彩测试流程：使用色卡在D65、A光源（2856K）、TL84（4000K）等标准光源下拍摄，量化评估ΔE、色偏、饱和度等指标，用数据驱动算法调优。