📚 课程目录第3章经典色温估计方法

3. 经典色温估计方法：灰度世界、白点假设与完美反射

好，我们进入正题。色温估计是 AWB 的核心，说白了就是让相机知道「当前场景下，什么颜色才算白」。

我刚开始做 ISP 时，觉得这问题很简单——找个白色物体不就行了？后来发现，真实场景哪有那么多纯白物体等你拍。所以前辈们总结了几套经典假设，今天咱们一个一个拆开看。

3.1 灰度世界假设（Gray World）

这个假设很直观：一张色彩丰富的自然图像，所有像素的 RGB 平均值应该趋近于灰色。换句话说，R、G、B 三个通道的均值应该相等。

为什么能这么假设？因为自然界中各种颜色混合在一起，统计上会抵消成中性灰。你想想看，蓝天、绿树、红墙……平均下来确实接近灰色。

3.1.1 算法流程

计算图像 R、G、B 三个通道的均值：R_avg、G_avg、B_avg
计算灰色参考值：Gray = (R_avg + G_avg + B_avg) / 3
计算各通道增益：R_gain = Gray / R_avg，G_gain = Gray / G_avg，B_gain = Gray / B_avg
用增益校正每个像素

// 灰度世界算法核心实现
void grayWorldAWB(uint8_t* img, int width, int height) {
    double sumR = 0, sumG = 0, sumB = 0;
    int total = width * height;

    // 第一步：统计各通道总和
    for (int i = 0; i < total; i++) {
        sumR += img[i * 3 + 0];
        sumG += img[i * 3 + 1];
        sumB += img[i * 3 + 2];
    }

    // 第二步：计算均值
    double avgR = sumR / total;
    double avgG = sumG / total;
    double avgB = sumB / total;

    // 第三步：计算灰色参考和增益
    double gray = (avgR + avgG + avgB) / 3.0;
    double gainR = gray / avgR;
    double gainG = gray / avgG;
    double gainB = gray / avgB;

    // 第四步：应用增益
    for (int i = 0; i < total; i++) {
        img[i * 3 + 0] = clamp(img[i * 3 + 0] * gainR);
        img[i * 3 + 1] = clamp(img[i * 3 + 1] * gainG);
        img[i * 3 + 2] = clamp(img[i * 3 + 2] * gainB);
    }
}

我的经验：灰度世界在色彩丰富的户外场景表现很好。但遇到大面积单色场景（比如蓝天、绿草地），假设就失效了。我曾经在一个全是蓝色包装的仓库里调试，结果图像被硬生生拉成了黄色——因为蓝色通道均值太高，增益压得太狠。

3.1.2 适用场景与局限

场景类型	效果	原因
色彩丰富的户外	优秀	颜色分布均匀，假设成立
单一主色调场景	较差	均值偏离灰色，校正过度
低光照环境	一般	噪声干扰均值计算
室内混合光源	中等	局部色温不一致，全局假设失效

3.2 白点假设（White Patch）

这个方法和灰度世界正好相反。灰度世界看「平均」，白点假设看「最亮」。

它的核心思想是：图像中最亮的像素点，应该对应场景中的白色区域。找到这些白点，用它们来估计光源色温。

我个人习惯把 White Patch 叫做「找最亮的仔」——你找到图像里最亮的那几个像素，假设它们就是白色，然后算增益。

3.2.1 算法实现

遍历图像，找到 R、G、B 各通道的最大值：R_max、G_max、B_max
计算各通道增益：R_gain = 255 / R_max，以此类推
用增益校正全图

注意：直接取全局最大值容易被单个噪点干扰。我建议先做高斯模糊降噪，或者取前 1% 亮度的像素做平均，而不是直接用最大值。

3.2.2 改进版本：多白点假设

基础版 White Patch 太脆弱了。我在项目中常用的是「多白点假设」——不是只找一个最亮点，而是找一批候选白点。

// 多白点假设算法
void multiWhitePatchAWB(uint8_t* img, int width, int height) {
    int total = width * height;
    double sumR = 0, sumG = 0, sumB = 0;
    int count = 0;

    // 计算亮度阈值（取前 5% 亮度）
    // 实际项目中会用直方图统计
    int threshold = 200; // 简化示例

    for (int i = 0; i < total; i++) {
        uint8_t r = img[i * 3 + 0];
        uint8_t g = img[i * 3 + 1];
        uint8_t b = img[i * 3 + 2];

        // 亮度足够高，且接近灰色（防止彩色高光干扰）
        int luminance = (r + g + b) / 3;
        int maxDiff = max(abs(r - g), max(abs(r - b), abs(g - b)));

        if (luminance > threshold && maxDiff < 30) {
            sumR += r;
            sumG += g;
            sumB += b;
            count++;
        }
    }

    if (count == 0) return; // 没找到白点，跳过

    double avgR = sumR / count;
    double avgG = sumG / count;
    double avgB = sumB / count;

    double gainR = 255.0 / avgR;
    double gainG = 255.0 / avgG;
    double gainB = 255.0 / avgB;

    // 应用增益...
}

  关键点：白点假设在室内灯光场景表现很好，因为灯、白墙、白纸这些常见物体提供了可靠的白点参考。但遇到没有白色物体的场景（比如日落、森林），它就抓瞎了。

3.3 完美反射理论（Perfect Reflector）

这个名字听起来很唬人，其实它和白点假设是一家人。完美反射理论认为：场景中存在一个完美反射面，它能完全反射入射光的所有波长。这个反射面的颜色，就是光源的真实颜色。

说白了，完美反射就是 White Patch 的「理论升级版」。白点假设找的是「最亮像素」，完美反射找的是「最接近理想白体的像素」。

3.3.1 与 White Patch 的区别

对比维度	White Patch	Perfect Reflector
理论基础	经验假设	物理光学模型
白点判定	亮度最高	反射率最高（接近 1）
抗噪能力	弱	中等（可结合反射率估计）
实现复杂度	低	中

3.3.2 实际应用中的折中

我在实际项目中很少严格按完美反射理论去算反射率——那需要知道场景的几何信息和光源分布，太复杂了。通常的做法是：

用 White Patch 的思路找候选白点
加一个「色度一致性」约束：候选点的 R/G、B/G 比值要接近
再加一个「空间分布」约束：白点不能全集中在某个角落

这样既保留了完美反射的物理合理性，又保持了 White Patch 的计算效率。

避坑指南：我曾经在一个博物馆项目里用完美反射理论做 AWB，结果展品上的高光点全被当成了白点——那些是玻璃反射的灯光，根本不是场景的真实白色。后来我加了「高光检测」模块，把镜面反射和漫反射分开处理，效果才正常。

3.4 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。我一般这样选：

灰度世界：色彩丰富的户外场景，首选
白点假设：室内有人造光源、有白色参照物的场景
完美反射：需要高精度色温估计的专业场景（比如医疗影像、工业检测）

但说实话，现代 ISP 很少只用一种方法。我习惯的做法是：用灰度世界做基础校正，用白点假设做局部修正，再用完美反射做异常检测。三个方法互相兜底，效果才稳。

3.5 本章小结

三种经典方法，各有各的脾气。灰度世界稳但怕单色，白点假设灵但怕没白，完美反射准但怕复杂。我建议你从灰度世界入手，先跑通基础流程，再逐步叠加其他方法。