4、白平衡校正：色温与光源、灰度世界假设、完美反射理论、色温估计方法、AWB算法实现

白平衡校正，说白了就是让相机在不同光线下都能把白色拍成白色。你想想看，白炽灯下拍的照片偏黄，日光灯下偏绿，阴天偏蓝——这些偏色就是色温捣的鬼。我入行那会儿，第一个独立负责的模块就是AWB，踩过的坑到现在还记得清清楚楚。

4.1 色温与光源：偏色的根源

色温不是温度，是光线的颜色属性。单位是开尔文（K）。数值越低，光越暖（偏红黄）；数值越高，光越冷（偏蓝）。

光源类型	典型色温（K）	视觉感受
烛光	1500 - 2000	暖黄
白炽灯	2500 - 3000	暖白
日光（正午）	5000 - 5500	中性白
阴天	6000 - 7000	冷白偏蓝
蓝天阴影	8000 - 10000	深蓝

相机传感器本身没有色温概念，它只记录R、G、B三个通道的响应值。不同色温下，同一白色物体在传感器上的RGB比例完全不同。AWB要做的，就是把这个比例拉回到标准光源下的状态。

4.2 灰度世界假设：最经典的起点

灰度世界假设认为：一张色彩丰富的自然图像，所有像素的R、G、B平均值应该趋于相等，即呈现灰色。

公式很简单：

R_gain = G_avg / R_avg
B_gain = G_avg / B_avg

然后对每个像素应用增益：

R_out = R_in * R_gain
B_out = B_in * B_gain
G_out = G_in  // G通道通常不动

我在项目中遇到过一个问题：当场景被大面积单色物体占据时（比如一片蓝天、一面红墙），灰度世界假设会彻底失效。整张图会被拉成灰色，偏色反而更严重。

4.3 完美反射理论：找最亮的点

完美反射理论换个角度思考：图像中最亮的像素点，通常对应真实世界中的白色或镜面反射区域。这些点的R、G、B值应该相等。

实现步骤：

1. 统计每个像素的亮度（比如取max(R,G,B)或Y分量）
2. 选出亮度最高的前1%-5%的像素
3. 计算这些像素的R、G、B平均值
4. 用这个平均值计算增益

// 伪代码示例
bright_pixels = select_top_percent(image, 0.02)  // 取最亮2%
R_ref = mean(bright_pixels.R)
G_ref = mean(bright_pixels.G)
B_ref = mean(bright_pixels.B)

R_gain = G_ref / R_ref
B_gain = G_ref / B_ref

这个方法对高光区域敏感。如果场景里没有真正的白色物体，或者高光区域本身带颜色（比如彩色灯光），结果就会跑偏。

4.4 色温估计方法：从像素到色温

更高级的做法是直接估计场景色温，然后查表或计算对应的增益。常见方法有两种：

4.4.1 基于色温曲线的映射

提前标定不同色温下，标准白色在传感器上的R/G和B/G比值。形成一条色温曲线。运行时，统计图像中“疑似白色”区域的R/G和B/G，在曲线上找到最近的色温点。

4.4.2 基于色度空间的分类

把图像转换到色度空间（比如CbCr或u'v'），用统计方法判断主色温区域。我见过有的方案直接用CNN分类器，输入是小块图像，输出是色温类别。

方法	优点	缺点
灰度世界	简单、计算快	大色块场景失效
完美反射	对高光场景鲁棒	依赖白色参考点
色温曲线	物理意义明确	需要标定、泛化性一般
深度学习	精度高、适应性强	算力开销大、需要数据集

4.5 AWB算法实现：从理论到代码

下面是一个完整的AWB实现流程，我把它拆成几个清晰的步骤。这是我在一个手机ISP项目中实际用过的简化版本。

// 完整AWB流程（简化版）
// 输入：Bayer域或RGB域图像
// 输出：白平衡校正后的图像

Step 1: 统计图像统计量
  - 将图像分成MxN个块（比如16x16）
  - 对每个块计算R、G、B均值
  - 剔除过暗（噪声大）和过亮（可能饱和）的块

Step 2: 候选白色点检测
  - 对每个有效块，计算R/G和B/G
  - 如果R/G和B/G都在预设的“白色区域”内，标记为候选白点
  - 白色区域通常是一个多边形，由不同色温下的白点标定得到

Step 3: 色温估计
  - 对候选白点做聚类，找到最密集的色温区域
  - 或者直接取所有候选白点的R/G和B/G中位数

Step 4: 增益计算
  - 根据估计的色温，查表得到R_gain和B_gain
  - 或者直接用候选白点的统计值计算增益

Step 5: 增益应用
  - 对每个像素：R_out = R_in * R_gain, B_out = B_in * B_gain
  - G通道保持不变

Step 6: 后处理（可选）
  - 增益限幅，防止颜色过饱和
  - 空间平滑，避免块状效应

嗯，这里要注意：增益不能无限大。如果某个通道的增益超过2.0，说明场景色温极偏，或者算法估计有误。我一般会设一个上限，比如1.5到2.5之间，超出部分截断。

4.6 知识体系总览

下面这张图把本章的核心逻辑串起来了。从物理世界的色温光源，到两种经典假设，再到工程实现中的具体步骤。

从这张图可以看得很清楚：物理世界的色温是源头，两种理论是两种不同的“找白”思路，色温估计是中间桥梁，最后落到具体的算法实现上。每一步都有坑，但每一步也都有成熟的应对方法。