4、自动白平衡（AWB）基础：色温与白平衡的关系，AWB的经典算法（灰度世界、完美反射、色温估计），AWB的局限性。

各位同学，今天我们聊聊自动白平衡。说白了，AWB 就是让相机在不同光线下，都能把白色拍成白色。你想想看，一张白纸在日光灯下发青，在白炽灯下发黄，人眼会自动校正，但传感器不会。AWB 就是替人眼干这个活。

我个人习惯把 AWB 看作 ISP 里的“调色盘起点”。起点歪了，后面所有颜色处理都会跑偏。我在项目中遇到过不少案例，降噪和锐化做得再好，白平衡一错，整张图就废了。

4.1 色温与白平衡的关系

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	暖红
白炽灯	2500 - 3000	暖黄
日光灯	4000 - 5000	中性偏冷
正午日光	5000 - 6500	标准白
阴天	6500 - 8000	冷蓝

白平衡的核心逻辑很简单：找到场景中的“参考白”，然后反向补偿。如果参考白偏蓝，就加黄；偏黄，就加蓝。补偿量由 R、G、B 三个通道的增益决定。

4.2 AWB 的经典算法

业界常用的算法就三种。我按出场频率排个序：灰度世界、完美反射、色温估计。每种都有它的脾气。

4.2.1 灰度世界算法

这个算法假设：一张色彩丰富的图片，所有颜色的平均值应该是灰色。也就是 R、G、B 三个通道的均值相等。

实现步骤很简单：

1. 计算整张图的 R、G、B 均值：R_avg、G_avg、B_avg。
2. 计算全局灰度值：Gray = (R_avg + G_avg + B_avg) / 3。
3. 计算各通道增益：R_gain = Gray / R_avg，G_gain = Gray / G_avg，B_gain = Gray / B_avg。
4. 用增益校正每个像素。

// 灰度世界算法伪代码
float R_avg = mean(image, R_channel);
float G_avg = mean(image, G_channel);
float B_avg = mean(image, B_channel);

float Gray = (R_avg + G_avg + B_avg) / 3.0f;

float R_gain = Gray / R_avg;
float G_gain = Gray / G_avg;
float B_gain = Gray / B_avg;

for each pixel (r, g, b) in image:
    r_out = r * R_gain;
    g_out = g * G_gain;
    b_out = b * B_gain;

4.2.2 完美反射算法

这个算法假设：图像中最亮的像素点应该是白色。它认为场景里总有一个区域是纯白反射面。

实现步骤：

1. 找到图像中最亮的像素（通常是 R+G+B 最大的那个）。
2. 以这个像素的 R、G、B 值作为参考白。
3. 计算增益：R_gain = 255 / R_max，G_gain = 255 / G_max，B_gain = 255 / B_max。
4. 用增益校正全图。

嗯，这里要注意。完美反射对高光区域非常敏感。如果场景里有个灯泡或者反光点，算法会把它当成白色，结果整张图偏冷。

4.2.3 色温估计算法

这个算法更聪明一些。它不依赖全局假设，而是直接估算当前场景的色温，然后查表得到增益。

实现思路：

1. 在标定阶段，拍摄不同色温下的灰卡，记录 R/G 和 B/G 的比值。
2. 建立色温-比值映射表。
3. 运行时，计算当前图像的 R/G 和 B/G 比值。
4. 在映射表中找到最接近的色温值。
5. 用该色温对应的增益校正图像。

// 色温估计算法伪代码
// 标定表：色温 -> (R_gain, G_gain, B_gain)
struct CalibrationEntry {
    float color_temperature;
    float R_gain;
    float G_gain;
    float B_gain;
};

CalibrationEntry table[] = {
    {3000, 1.8, 1.0, 1.4},
    {4000, 1.4, 1.0, 1.2},
    {5000, 1.2, 1.0, 1.1},
    {6500, 1.0, 1.0, 1.0},
    {8000, 0.9, 1.0, 0.8}
};

// 运行时估算色温
float R_over_G = mean(R_channel) / mean(G_channel);
float B_over_G = mean(B_channel) / mean(G_channel);

// 查表找到最接近的色温
float estimated_CT = lookup(table, R_over_G, B_over_G);

4.3 AWB 的局限性

没有完美的算法。AWB 的局限性我总结为三点：

• 场景假设失效：灰度世界要求色彩丰富，完美反射要求存在白点。现实场景往往不满足这些假设。比如日落时的暖色调场景，算法会强行“校正”成白色，反而破坏了氛围。
• 混合光源难处理：室内窗边，一边是日光，一边是灯光。两种色温混在一起，AWB 不知道该听谁的。我见过不少手机在这种场景下拍出“阴阳脸”。
• 低光噪声放大：暗光下信号弱，AWB 的增益计算会被噪声干扰。增益一高，噪声跟着放大，颜色就飘了。

下面这张图是我自己整理的 AWB 算法对比，方便你快速理解差异。