📚 课程目录第3章自动白平衡（AWB）原理与调优

3、自动白平衡（AWB）原理与调优：色温与色度学基础、AWB算法（灰度世界、完美反射、色温估计）、AWB参数（增益限幅、色温范围）对偏色的影响

自动白平衡，说白了就是让相机在各种光线下都能把白色拍成白色。你想想看，一张白纸在日光灯下发蓝，在白炽灯下发黄，人眼会自动校正，但传感器不会。AWB 就是替人眼做这个校正的活儿。

我刚开始调 AWB 时，总觉得这玩意儿玄学成分大。后来踩的坑多了，才发现它背后全是扎实的色度学原理。今天咱们就把这块硬骨头啃下来。

3.1 色温与色度学基础

色温不是温度，是光色的度量。单位是开尔文（K）。数值越低，光越偏红黄；数值越高，光越偏蓝。

光源类型	典型色温（K）	视觉感受
烛光	1800-2000	暖黄
白炽灯	2700-3200	暖白
日光灯	4000-5000	中性白
正午日光	5500-6500	标准白
阴天	6500-8000	冷白偏蓝
蓝天阴影	8000-12000	偏蓝

色度学里有个关键概念——色度坐标。常用的是 CIE 1931 xy 色度图。所有真实颜色都能在这个马蹄形图里找到位置。黑体辐射的轨迹叫普朗克轨迹，色温就是沿着这条线定义的。

我习惯把色温理解成「光的性格」。低温光像老式灯泡，温暖慵懒；高温光像正午太阳，冷峻锐利。调 AWB 时，你得先知道当前场景的「性格」是什么。

核心要点：色温决定了 R/G/B 通道的增益比例。低色温场景下，B 通道增益要远大于 R 通道；高色温场景则相反。这个比例关系是 AWB 算法的数学基础。

3.2 AWB 三大经典算法

市面上 AWB 算法五花八门，但万变不离其宗。最核心的就三种：灰度世界、完美反射、色温估计。我一个个说。

3.2.1 灰度世界算法

这个算法的假设很简单：一张色彩丰富的图片，所有像素的 R、G、B 均值应该相等。如果不等，说明有色偏，需要校正。

数学表达就是：

R_avg = G_avg = B_avg

增益计算：
gain_R = G_avg / R_avg
gain_B = G_avg / B_avg
gain_G = 1.0

听起来很完美对吧？但实际用起来问题不少。我在项目中遇到过一片绿色草原的场景，灰度世界算法直接把整张图拉成了灰色——因为绿色占主导，算法误判为偏绿，强行补偿成洋红。

避坑指南：灰度世界算法对大面积单色场景极度敏感。我曾经在调试户外监控摄像头时，画面里全是蓝天，结果 AWB 把蓝天拉成了黄色。后来加了场景检测，发现大面积单色时自动切换到其他算法。

3.2.2 完美反射算法

这个算法假设：图像中最亮的像素应该是白色。找到这些「疑似白色」的像素，用它们的 R/G/B 比例来计算增益。

实现步骤：

统计所有像素的亮度值
取亮度最高的前 1%-5% 的像素
计算这些像素的 R、G、B 均值
用均值比例计算增益

完美反射比灰度世界更鲁棒一些，但也不是万能的。如果场景里本身就没有白色物体，比如拍一片红色晚霞，算法就会把最亮的红色区域当成白色，结果整个画面偏青。

我个人习惯把两种算法结合起来用。先跑灰度世界，再跑完美反射，然后根据场景置信度做加权融合。效果比单一算法好不少。

3.2.3 色温估计算法

这是目前主流 ISP 用的方法。核心思路是：先估计当前场景的色温，再查表得到对应的 R/G、B/G 增益。

色温估计通常基于色度空间统计。把图像从 RGB 转到 YCbCr 或 Lab 空间，在色度平面上做聚类分析。找到色度分布的中心点，再映射到色温曲线上。

// 伪代码示例
function estimateColorTemperature(image):
    // 1. 转换到 YCbCr
    ycbcr = rgb2ycbcr(image)
    
    // 2. 统计 Cb、Cr 均值
    cb_avg = mean(ycbcr.Cb)
    cr_avg = mean(ycbcr.Cr)
    
    // 3. 映射到色温曲线
    ct = lookupColorTemperature(cb_avg, cr_avg)
    
    // 4. 查表得到增益
    gain_r = lookupGainR(ct)
    gain_b = lookupGainB(ct)
    
    return gain_r, gain_b

色温估计算法的精度取决于标定数据。我见过一些方案用 20 个标准光源做标定，效果已经不错。但高端方案会用 50-100 个光源，覆盖更细的色温区间。

经验之谈：色温估计算法的标定数据质量直接决定最终效果。我建议至少用 DNP 色卡和 X-Rite 色卡各做一次标定，交叉验证。单靠一种色卡容易过拟合。

3.3 AWB 参数对偏色的影响

算法选好了，参数调不对照样偏色。我重点说两个最关键的参数：增益限幅和色温范围。

3.3.1 增益限幅

增益限幅就是给 R、G、B 通道的增益设置上下限。为什么要限幅？因为极端场景下算法会算出离谱的增益值。

举个例子：在纯红色场景下，灰度世界算法算出的 G/R 增益可能高达 5.0。如果直接应用，B 通道会被拉到极高，产生严重噪声和色偏。

参数	典型范围	偏大影响	偏小影响
R 增益上限	1.5 - 3.0	低色温场景偏红	高色温场景偏蓝
B 增益上限	1.5 - 3.0	高色温场景偏蓝	低色温场景偏黄
G 增益范围	0.8 - 1.2	亮度波动大	校正力度不足

我一般把 R 和 B 的增益上限设在 2.5 左右。太保守的话，极端色温下校正不到位；太激进的话，噪声和偏色风险都高。

我曾经踩过的坑：有一款手机摄像头，在室内白炽灯下总是偏黄。我以为是算法问题，调了三天没效果。后来发现是 B 增益上限设成了 1.8，根本不够补偿低色温场景。改到 2.8 后问题解决。所以调参前先确认限幅没卡死。

3.3.2 色温范围

色温范围决定了 AWB 算法在哪些色温区间内工作。超出范围的场景，要么不校正，要么用边界值。

典型设置：

室内模式：2500K - 4500K
室外模式：4500K - 7500K
全自动模式：2000K - 10000K

范围设得宽，覆盖场景多，但极端色温下容易偏色。范围设得窄，稳定性好，但某些场景会校正不到位。

我建议分场景配置色温范围。比如安防摄像头主要拍室外，就把范围设在 4000K-8000K。手机摄像头要兼顾室内外，用 2500K-7500K 比较稳妥。

3.4 AWB 调优实战流程

说了这么多理论，来点实际的。我总结了一套 AWB 调优流程：

标定阶段：用标准光源箱拍摄 DNP 色卡，记录各色温下的 R/G、B/G 参考值
算法选型：根据场景选择主算法和备选算法
参数初始化：设置增益限幅、色温范围、收敛速度等参数
主观评测：在 10+ 种典型场景下拍摄，观察偏色情况
客观指标：用色卡计算 ΔE 色差，目标 ΔE < 3
迭代调优：根据评测结果调整参数，重复步骤 4-5

关键指标：ΔE 色差是衡量 AWB 效果的核心指标。ΔE < 2 表示人眼几乎看不出偏色；ΔE 在 2-5 之间，轻微偏色可接受；ΔE > 5 就需要重新调参了。

下面这张图展示了 AWB 调优的核心流程和参数关系：

3.5 常见偏色问题与解决方案

调 AWB 久了，你会发现偏色问题就那么几种。我整理了一个对照表：

偏色现象	可能原因	解决方案
整体偏黄/橙	低色温场景下 B 增益不足	提高 B 增益上限，或扩大色温范围下限
整体偏蓝	高色温场景下 R 增益不足	提高 R 增益上限，或扩大色温范围上限
绿色场景偏洋红	灰度世界算法误判	切换为色温估计算法，或增加场景检测
红色场景偏青	完美反射算法误判	降低完美反射权重，或增加白色像素筛选阈值
画面闪烁偏色	AWB 收敛速度过快	增加帧间平滑系数，降低收敛速度
暗部偏色严重	低信噪比下增益放大噪声	增加暗部保护机制，降低暗区增益

我的调试习惯：每次只改一个参数，改完拍 20 张不同场景的图。不要同时调增益限幅和色温范围，否则出了问题你根本不知道是哪个参数导致的。调参是个细活，急不得。

嗯，AWB 这块内容确实不少。色温基础、三大算法、关键参数、调优流程，每个点都能单独讲一节课。但核心就一句话：理解色温，选对算法，卡好限幅，分场景调优。把这四点做到位，偏色问题能解决 80%。