📚 课程目录第1章 AWB基础概念

1. AWB 基础概念：色温与光源、人眼视觉恒常性、AWB 在 ISP Pipeline 中的位置

各位好，欢迎来到《AWB 白平衡与色彩还原调优指南》的第一章。

做图像处理这些年，我见过太多工程师一上来就调 AWB 的增益矩阵，结果越调越偏。说白了，AWB 不是靠蛮力调参数就能搞定的。你得先理解三个最基础的东西：色温是什么、人眼为什么能“自动白平衡”、以及 AWB 在整个 ISP 流程里到底站在哪个位置。

这一章，我们就先把这三块地基打牢。

1.1 色温与光源：为什么光有“颜色”？

先问一个问题：一张白纸，在正午阳光下看是白的，在烛光下看呢？

你可能会说“偏黄”。没错。但为什么相机拍出来有时偏蓝、有时偏红？这就要从色温说起。

色温（Color Temperature），单位是开尔文（K）。它描述的是光源发出的光谱成分。一个理想黑体被加热到不同温度时，会发出不同颜色的光——温度越低，光越偏红；温度越高，光越偏蓝。

光源场景	典型色温（K）	视觉感受
烛光 / 日出日落	1800 – 2800	暖黄 / 橙红
白炽灯	2700 – 3300	暖白
荧光灯（暖白）	3500 – 4500	中性偏暖
正午日光 / 闪光灯	5000 – 6500	标准白光
阴天 / 阴影	6500 – 8000	冷白 / 偏蓝
蓝天（无直射光）	10000 – 15000	深蓝

我在项目中遇到过一件事：一个户外监控摄像头，白天画面正常，一到黄昏就偏红。查了半天，发现是 AWB 的色温范围只设到了 4000K–7000K，根本没覆盖 2500K 的烛光场景。嗯，这就是典型的不理解光源范围导致的坑。

小提示： 色温不是“温度”，而是“颜色特征”。记住一个口诀：低色温暖（红/黄），高色温冷（蓝）。别搞反了。

1.2 人眼视觉恒常性：为什么我们觉得白纸一直是白的？

你想想看，人眼其实没有“色温传感器”。但我们无论在烛光下还是日光下，看一张白纸都觉得它是白的。这就是色彩恒常性（Color Constancy）。

人脑会做一件很厉害的事：它根据场景中的“参考白”来调整感知。比如在烛光下，人脑知道光源偏黄，于是自动把黄色分量“减掉”，让你觉得物体颜色没变。

但相机没有这个本能。CMOS 传感器看到什么就是什么——烛光下拍白纸，它就是黄的。所以我们需要 AWB 来模拟人眼的这个能力。

核心理解： AWB 的本质，就是让相机学会“人眼的欺骗术”。它通过算法估计当前光源的色温，然后对 R、G、B 三个通道施加不同的增益，把“偏色”拉回来。

我曾经调试一个手机摄像头，在商场混合光源（暖色射灯 + 冷色日光灯）下，AWB 来回跳。为什么？因为算法只假设了单一光源，而人眼在混合光下其实会取一个“平均感知”。后来我加了多光源估计模块，才稳住。这个后面章节会细讲。

1.3 AWB 在 ISP Pipeline 中的位置

ISP（Image Signal Processor）是一条流水线。AWB 不是第一个模块，也不是最后一个。它卡在一个非常关键的位置。

下面这张图是我自己整理的典型 ISP 流程，你可以看到 AWB 的上下游关系：

从图上你能看到，AWB 增益模块位于去噪之后、去马赛克之前。为什么是这个位置？

在去噪之后：因为噪声会影响色温估计的准确性。先降噪，AWB 才能拿到干净的统计信息。
在去马赛克之前：因为 AWB 是对 RAW 域的 R/G/B 通道分别施加增益。如果先插值成 RGB 全彩图，每个像素的 R/G/B 值已经混合了邻域信息，再调增益就会产生颜色失真。

避坑指南： 我曾经在一个 FPGA 项目上，为了节省一行 line buffer，把 AWB 移到了去马赛克之后。结果画面边缘出现彩虹条纹，折腾了两天才发现是增益作用在了插值数据上。从此我牢记：AWB 永远在 RAW 域做。

1.4 AWB 的输入与输出

搞清楚了位置，我们再看看 AWB 模块具体吃什么、吐什么。

项目	说明
输入	RAW 图像数据（Bayer 格式），以及统计信息（如 R/G/B 通道的均值、直方图）
处理	1. 统计场景中的颜色分布 2. 估计当前光源色温 3. 计算 R、G、B 三通道的增益系数
输出	增益后的 RAW 数据（R_gain * R, G_gain * G, B_gain * B）

一个简单的 AWB 增益计算示例（伪代码）：

// 假设统计得到场景中 R/G/B 的均值
float R_avg = 120.0;
float G_avg = 150.0;
float B_avg = 180.0;

// 目标：让 R、G、B 的均值相等（灰色世界假设）
float R_gain = G_avg / R_avg;  // = 1.25
float G_gain = 1.0;            // 通常以 G 为参考
float B_gain = G_avg / B_avg;  // = 0.833

// 对每个像素施加增益
for each pixel in RAW:
    pixel.R = pixel.R * R_gain;
    pixel.G = pixel.G * G_gain;
    pixel.B = pixel.B * B_gain;

注意： 上面的“灰色世界假设”只是最基础的 AWB 算法。实际工程中，你会遇到各种复杂场景——大面积单色物体、混合光源、低照度等。这些我们会在后续章节逐一拆解。

1.5 本章小结

这一章我们聊了三件事：

色温：低色温暖、高色温冷，不同光源对应不同色温范围。
人眼视觉恒常性：人脑会自动补偿光源颜色，相机需要 AWB 来模拟这个能力。
AWB 在 ISP 中的位置：在去噪之后、去马赛克之前，且必须在 RAW 域操作。

我个人习惯是，每接触一个新的 ISP 平台，第一件事就是画出它的 Pipeline 图，标出 AWB 的上下游。这能帮你快速定位问题——偏色了，是 AWB 本身的问题，还是上游噪声没处理好，或是下游色彩校正矩阵配错了。

嗯，地基打好了，后面我们才能盖高楼。