📚 课程目录第4章 AWB核心算法——灰度世界法

4、AWB核心算法——灰度世界法

灰度世界法，是我入行时接触的第一个白平衡算法。说实话，它简单得让人有点不敢相信——就这么几个步骤，就能把偏色的图像拉回来？后来在实际项目中摔过几次跟头，我才真正理解它的边界在哪里。

今天咱们就把这个算法掰开揉碎了讲。从原理到代码，从优点到坑点，我都会结合自己的经验来说。

4.1 灰度世界假设：它到底在假设什么？

这个算法的核心假设就一句话：一张色彩丰富的自然图像，其所有像素的R、G、B三个通道的平均值，应该趋于同一个灰度值。

说白了，就是大自然在“平均”意义下是灰色的。你想想看，一片森林里有绿叶、红花、蓝天、黄土，如果把所有颜色混在一起平均，应该接近中性灰。这个假设在统计意义上是有道理的——只要场景里的颜色足够多、分布足够均匀。

数学表达：

如果图像满足灰度世界假设，那么：

R_avg ≈ G_avg ≈ B_avg ≈ Gray

其中 R_avg、G_avg、B_avg 分别是三个通道的像素均值。

但这里有个关键问题——这个假设什么时候会失效？我在项目中遇到过好几次，拍了一片纯蓝色的天空，结果算法把整个画面强行往黄色方向拉，天空变成了灰蒙蒙的。原因很简单：场景里蓝色占主导，平均值根本不“灰”。

4.2 算法实现步骤：从理论到代码

灰度世界法的实现流程非常清晰。我习惯把它分成四个步骤，每一步都有对应的数学操作。

步骤一：计算各通道均值

遍历整幅图像，分别累加R、G、B三个通道的像素值，然后除以总像素数。

// 伪代码：计算各通道均值
float sumR = 0, sumG = 0, sumB = 0;
int totalPixels = width * height;

for (int y = 0; y < height; y++) {
    for (int x = 0; x < width; x++) {
        sumR += image[y][x].r;
        sumG += image[y][x].g;
        sumB += image[y][x].b;
    }
}

float avgR = sumR / totalPixels;
float avgG = sumG / totalPixels;
float avgB = sumB / totalPixels;

步骤二：确定目标灰度值

目标灰度值怎么定？常见的有三种方式：

方法	计算公式	特点
取G通道均值	Gray = G_avg	最简单，假设G通道最接近真实亮度
取三通道均值	Gray = (R_avg + G_avg + B_avg) / 3	最常用，平衡性较好
取固定值	Gray = 128（8位图像）	适用于已知标准光源的场景

我个人习惯用第二种——取三通道均值。原因很简单：它不偏向任何一个通道，在大多数自然场景下表现最稳定。

步骤三：计算各通道增益

有了目标灰度值，增益就很好算了：

// 计算各通道增益
float gainR = Gray / avgR;
float gainG = Gray / avgG;
float gainB = Gray / avgB;

这里有个细节要注意：增益值可能大于1，也可能小于1。如果某个通道的均值比目标灰度低，增益就大于1，需要提亮；反之则压暗。

步骤四：应用增益，校正每个像素

最后一步，对图像中的每个像素应用增益：

// 对每个像素应用增益
for (int y = 0; y < height; y++) {
    for (int x = 0; x < width; x++) {
        int newR = clamp(image[y][x].r * gainR, 0, 255);
        int newG = clamp(image[y][x].g * gainG, 0, 255);
        int newB = clamp(image[y][x].b * gainB, 0, 255);
        
        output[y][x].r = newR;
        output[y][x].g = newG;
        output[y][x].b = newB;
    }
}

注意：增益后的像素值一定要做截断处理（clamp），否则会出现溢出。我曾经在早期版本里忘了这一步，结果高光区域出现了诡异的色斑——像素值超过255后回绕到了0附近，画面直接崩了。

4.3 灰度世界法的完整流程

下面这张图把整个算法流程串起来了，你可以对照着看：

4.4 优缺点分析：它适合什么场景？

灰度世界法能成为经典，自然有它的道理。但咱们做工程的人，更关心的是——它什么时候好用，什么时候会翻车？

优点

实现极其简单：整个算法只需要一次遍历和几个除法运算，计算量非常小。我在嵌入式平台上跑过，几百K的图像处理时间不到1毫秒。
无需任何先验知识：不需要知道光源色温，不需要传感器标定数据，拿来就能用。
对自然场景效果不错：只要场景颜色足够丰富，校正后的色彩还原度是合格的。
可作为预处理步骤：我经常用它做粗校正，然后再用更复杂的算法做精细调整。

缺点

对大面积单色场景失效：这是最致命的。拍蓝天、草地、红墙，算法会强行把主色调往灰色拉，结果就是偏色更严重。
对暗光场景敏感：低照度下噪声会严重影响均值计算，增益会变得很不稳定。
无法处理多光源场景：如果画面里同时有日光灯和窗外的自然光，一个全局增益根本搞不定。
高光区域容易过曝：增益提亮暗部的同时，高光区域可能被推到255以上，细节全丢。

我的经验：灰度世界法最适合的场景是——户外自然光下的风景照、多色物体的产品图、以及作为其他算法的初始化步骤。如果你要处理的是单一主色调的场景（比如医疗内窥镜、工业检测），建议直接跳过这个方法。

4.5 避坑指南：我曾经踩过的三个坑

做算法调试这些年，我在灰度世界法上栽过不少跟头。挑三个典型的说说：

忘记排除过曝/欠曝区域：有一次处理夜景照片，画面里有很多纯黑区域（像素值接近0），这些区域拉低了均值，导致增益计算偏大，结果暗部被提亮后噪声全出来了。后来我加了一个阈值判断——只统计像素值在[16, 240]范围内的点。
增益钳位没做好：前面提到过，增益过大时像素值会溢出。我见过有人直接把溢出值截断到255，结果高光区域变成了纯白色块。更好的做法是做平滑衰减——在接近255时逐渐降低增益。
对黑白图像过度校正：如果输入图像本身就是黑白或接近黑白（比如雪景），灰度世界法会错误地引入色偏。我曾经在雪景照片上跑这个算法，结果白色的雪被染成了淡黄色。解决方案是加一个色偏检测——如果原始图像已经很接近中性，就降低校正强度。

4.6 改进思路：让经典算法更实用

虽然灰度世界法有局限性，但我们可以通过一些改进让它更实用：

改进方向	具体做法	效果
排除极端像素	只统计亮度在[16, 240]范围内的像素	减少噪声和过曝区域的影响
加权灰度世界	根据像素饱和度给不同权重，低饱和度像素权重更高	减少大面积纯色区域的干扰
分块处理	将图像分成N×N块，每块独立计算增益，再插值融合	能处理部分非均匀光照场景
结合色温估计	先估算光源色温，再决定是否启用灰度世界法	提高算法鲁棒性