2. 光源估计

光源估计，说白了就是猜出当前场景下光源的颜色。你想想看，一张白纸在日光灯下发青，在白炽灯下发黄，但人眼总能认出它是白的。相机不行，它得靠算法去猜。这一章我们就来聊聊三种最经典的光源估计方法。

2.1 灰度世界法（Gray World）

这个方法的名字很直白——它假设整个世界是灰色的。什么意思呢？就是认为一张色彩丰富的自然图像，所有像素的 R、G、B 通道平均值应该相等，都趋向于一个共同的灰度值。

我个人习惯用这个算法做快速预调。它简单到令人发指：

// 伪代码：灰度世界法
avgR = mean(image[:,:,0])
avgG = mean(image[:,:,1])
avgB = mean(image[:,:,2])

// 计算各通道增益
gainR = avgG / avgR
gainB = avgG / avgB

// 校正后的图像
output[:,:,0] = image[:,:,0] * gainR
output[:,:,1] = image[:,:,1] * 1.0
output[:,:,2] = image[:,:,2] * gainB

我在项目中遇到过一个问题：如果场景里大面积都是同一种颜色，比如一片蓝天或一片绿草地，灰度世界法就会翻车。它会强行把蓝色或绿色拉成灰色，结果整张图都偏色了。

2.2 完美反射法（White Patch）

这个方法又叫“白点法”。它的假设是：图像中一定存在某个区域是纯白色的，或者至少是接近白色的。找到这个最亮的点，把它当作光源颜色的参考。

嗯，这里要注意：完美反射法找的不是整张图最亮的像素，而是每个通道最亮的像素。我刚开始做的时候也犯过这个错——直接找 RGB 总和最大的像素，结果经常找到的是过曝的灯泡。

// 伪代码：完美反射法
// 取每个通道前 1% 最亮像素的平均值
sortedR = sort(image[:,:,0].flatten())
sortedG = sort(image[:,:,1].flatten())
sortedB = sort(image[:,:,2].flatten())

topPercent = 0.01
whiteR = mean(sortedR[-int(len(sortedR)*topPercent):])
whiteG = mean(sortedG[-int(len(sortedG)*topPercent):])
whiteB = mean(sortedB[-int(len(sortedB)*topPercent):])

// 计算增益
gainR = max(whiteG, whiteB) / whiteR
gainG = max(whiteR, whiteB) / whiteG
gainB = max(whiteR, whiteG) / whiteB

完美反射法的好处是它对色彩偏差的纠正很彻底，尤其是当场景里确实有白色参考物时。但它的缺点也很明显——如果场景整体偏暗，或者高光区域很少，结果就会很不稳定。

2.3 Shades of Grey 方法

这个方法可以看作是灰度世界法和完美反射法的“混血儿”。它引入了一个参数 p，通过调整 p 的值，可以在两种极端之间平滑过渡。

说白了，灰度世界法用的是 p=1 的 Minkowski 范数（均值），完美反射法用的是 p=∞ 的 Minkowski 范数（最大值）。Shades of Grey 则允许 p 取其他值，比如 p=6 或 p=12。

// 伪代码：Shades of Grey 方法
p = 6  // 常用值，可根据场景调整

// 计算每个通道的 p-范数
normR = (mean(image[:,:,0]**p))**(1/p)
normG = (mean(image[:,:,1]**p))**(1/p)
normB = (mean(image[:,:,2]**p))**(1/p)

// 计算增益
gainR = normG / normR
gainB = normG / normB

2.4 三种方法的对比与选择

这三种方法没有的好坏，关键看场景。我整理了一个对比表格，方便你快速决策：

我个人习惯在工程中这样选：如果是移动端实时预览，用灰度世界法，速度快；如果是拍照后处理，用 Shades of Grey 加 p=6；如果是专业摄影后期，我会结合完美反射法做二次校验。

2.5 本章知识结构图

下面这张图帮你理清三种方法的关系和适用边界：