4. AWB经典算法-灰度世界法

灰度世界法，说白了就是图像白平衡领域里最基础、最直觉的一种方法。我最早接触AWB时，第一个上手的就是它。你想想看，如果一张照片里所有颜色的平均值刚好是灰色，那这张照片的白平衡大概率就是对的——这个假设，就是灰度世界法的核心。

4.1 灰度世界假设原理

这个假设其实很朴素：一张色彩丰富的自然图像，其R、G、B三个通道的像素平均值应该趋于相等。换句话说，整张图的平均颜色应该是中性灰（Gray）。

为什么会这样？因为自然界中各种颜色的物体足够多，统计下来，它们的平均反射率就是灰色。我在项目中遇到过一些极端场景，比如整个画面都是蓝色天空或者红色墙壁，这时候灰度世界法就会失效——嗯，这个我们后面再细说。

R_gain = G_avg / R_avg
G_gain = 1.0
B_gain = G_avg / B_avg

4.2 算法实现步骤

灰度世界法的实现步骤其实很简单，我一般把它拆成5步：

1. 计算各通道均值：遍历图像所有像素，分别累加R、G、B值，除以总像素数。
2. 确定参考值：通常取G通道均值作为参考，因为人眼对绿色最敏感。
3. 计算增益系数：用参考值除以各通道均值，得到R_gain、G_gain、B_gain。
4. 应用增益校正：每个像素的R、G、B值乘以对应的增益系数。
5. 像素值裁剪：将超出[0, 255]范围的值截断到边界。

代码实现也很直接，我贴一段我常用的C++实现：

void grayWorldAWB(Mat& src, Mat& dst) {
    // 1. 计算各通道均值
    Scalar meanVal = mean(src);
    double R_avg = meanVal[2];
    double G_avg = meanVal[1];
    double B_avg = meanVal[0];
    
    // 2. 以G通道为参考
    double ref = G_avg;
    
    // 3. 计算增益
    double R_gain = ref / R_avg;
    double G_gain = 1.0;
    double B_gain = ref / B_avg;
    
    // 4. 应用增益
    vector<Mat> channels(3);
    split(src, channels);
    channels[2] *= R_gain;  // R通道
    channels[1] *= G_gain;  // G通道
    channels[0] *= B_gain;  // B通道
    
    // 5. 合并并裁剪
    merge(channels, dst);
    dst.convertTo(dst, CV_8UC3);
}

4.3 优缺点分析

灰度世界法最大的优点就是简单、快速。不需要任何训练数据，不需要标定，几行代码就能跑起来。我早期做手机相机调试时，经常用它做白平衡的快速验证。

但它的缺点也很明显：

4.4 适用场景

灰度世界法虽然简单，但用对地方还是很香的。我个人建议在以下场景优先考虑它：

• 色彩丰富的自然场景：比如风景照、多人合影、街拍等。
• 实时预览：手机相机取景框、视频通话等对延迟敏感的场景。
• 作为其他算法的初始化：很多高级AWB算法会用灰度世界法做第一轮粗调。
• 资源受限的嵌入式设备：比如树莓派、海思芯片等。

但如果你遇到以下情况，建议换算法：

• 画面主体是单一颜色（蓝天、草地、红墙）
• 场景中有明显的主光源色温偏移
• 需要高精度色彩还原的专业摄影

4.5 灰度世界法知识图谱

下面这张图是我自己整理的灰度世界法核心逻辑，方便你快速理解整个流程：

4.6 改进思路

灰度世界法虽然简单，但我们可以给它打几个补丁：

• 加权灰度世界：给不同亮度区域的像素赋予不同权重，避免暗部噪声干扰。
• 动态阈值裁剪：排除过亮和过暗的像素，只统计中间调区域。
• 分块处理：将图像分成若干块，每块独立计算增益，再插值融合。

我记得有一次做车载摄像头项目，光线变化特别剧烈，单纯用灰度世界法根本扛不住。后来我加了动态阈值裁剪，把最亮5%和最暗5%的像素排除掉，效果好了很多。你想想看，那些过曝和欠曝的区域本来就不该参与白平衡计算，对吧？