📚 课程目录第4章白平衡基础理论

4. 白平衡基础理论

各位做安防监控的同行，咱们直接切入正题。白平衡调不好，画面偏色，客户投诉，项目验收过不了。我见过太多这样的案例了。今天这章，咱们把白平衡的底牌翻出来，讲清楚三个核心理论。

先问个问题：为什么同一张白纸，在室内灯光下发黄，在室外阳光下又发蓝？

答案就是色温。色温用开尔文（K）表示，数值越低，光线越偏红黄；数值越高，光线越偏蓝。我刚开始做安防时，总觉得色温是个物理概念，跟图像处理关系不大。直到有一次，一个仓库项目，白天画面正常，晚上钠灯一开，整个画面黄得像老照片。嗯，从那以后，我再也不敢小看色温了。

白平衡要做的，就是根据当前光源的色温，把画面拉回「白色就是白色」的状态。说白了，就是给图像做一次「色温补偿」。你想想看，如果传感器感知到色温偏高（偏蓝），我们就需要增加红色通道的增益，减少蓝色通道的增益，让白色回归中性。

核心公式（简化版）：

R_gain = G_avg / R_avg × K_r

B_gain = G_avg / B_avg × K_b

其中 K_r 和 K_b 是色温补偿系数，由当前估计的色温决定。

灰世界假设，说白了就是一句话：一张色彩丰富的图像，其所有像素的RGB平均值应该趋近于灰色。

为什么？因为自然界中各种颜色混合在一起，统计上会抵消掉，最终呈现中性灰。这个假设虽然粗糙，但它是很多自动白平衡算法的起点。我记得第一次在嵌入式平台上实现AWB时，用的就是灰世界假设，效果居然还不错——当然，前提是场景足够「丰富」。

算法流程很简单：

实战经验：灰世界假设在安防监控中有一个致命弱点——当场景被大面积单色物体占据时（比如绿色草坪、蓝色天空），均值会严重偏离灰色，导致白平衡完全失效。我曾经在一个高尔夫球场项目中吃过这个亏，后来不得不加入场景检测来规避。

完美反射理论换个说法就是：图像中最亮的像素点，应该反射了光源的全部颜色，因此它应该是白色的。

这个理论比灰世界假设更「聪明」一些。它不依赖全局统计，而是寻找图像中的「高光点」——那些R、G、B值都接近最大值的像素。这些像素被认为是对光源的「完美反射」，它们的颜色就是光源的颜色。

实现步骤：

注意：完美反射理论在安防场景中也有坑。如果画面中没有真正的白色高光（比如阴天、夜间），或者高光区域被彩色物体占据（比如红色车灯），算法会误判。我曾经在隧道监控项目中遇到过——隧道内壁全是灰色，但车灯是红色和白色混杂，完美反射算法直接把整个画面拉成了青色。

在实际工程中，我很少只用一种理论。灰世界假设和完美反射理论各有短板，但它们的短板恰好互补：

我个人的做法是：先做场景分析，再决定用哪种理论，或者加权融合。比如，如果检测到画面中有大面积单色，就降低灰世界假设的权重，提高完美反射的权重；如果画面整体偏暗，就反过来。

融合策略示例：

R_gain_final = α × R_gain_gray + (1 - α) × R_gain_perfect

其中 α 由场景分析模块动态计算，取值范围 0.3 ~ 0.7。

下面这张图，把本章的核心逻辑串起来了。你可以把它当作白平衡基础理论的「地图」。

看到这张图，你应该能明白：白平衡不是「一招鲜吃遍天」的事。色温是物理基础，灰世界假设和完美反射理论是两种不同的「观察角度」。把它们结合起来，才能应对安防监控中千变万化的光照环境。