3、光源估计方法（上）：灰度世界算法（Gray World）原理与实现
说到白平衡，最基础也最经典的方法，就是灰度世界算法。我刚开始接触AWB时，第一个上手的就是它。说白了，这个算法的核心假设就一句话：一张色彩丰富的照片，所有像素的R、G、B平均值应该趋于相等。
为什么会这样？你想想看，如果场景里的颜色足够多、足够杂，红绿蓝三通道的统计均值就应该差不多。如果照片偏黄，那蓝色通道的平均值肯定偏低，红色和绿色偏高。我们只要算出偏差，反向补偿回去就行了。
3.1 算法原理
灰度世界算法的数学表达其实很简单。假设输入图像为 \(I\)，尺寸为 \(H \times W\)，我们分别计算三个通道的均值：
\[ \bar{R} = \frac{1}{HW}\sum_{i=1}^{H}\sum_{j=1}^{W} I_R(i,j) \] \[ \bar{G} = \frac{1}{HW}\sum_{i=1}^{H}\sum_{j=1}^{W} I_G(i,j) \] \[ \bar{B} = \frac{1}{HW}\sum_{i=1}^{H}\sum_{j=1}^{W} I_B(i,j) \]然后，我们计算一个“理想灰度值”，通常取三个通道均值的平均值：
\[ K = \frac{\bar{R} + \bar{G} + \bar{B}}{3} \]最后，每个通道乘以一个增益系数，把均值拉到K：
\[ G_R = \frac{K}{\bar{R}}, \quad G_G = \frac{K}{\bar{G}}, \quad G_B = \frac{K}{\bar{B}} \] \[ I'_R = I_R \cdot G_R, \quad I'_G = I_G \cdot G_G, \quad I'_B = I_B \cdot G_B \]嗯，这里要注意：增益系数不能无限大。如果某个通道均值接近0，增益会爆炸。我遇到过这种情况，拍了一张纯蓝色物体的特写，蓝色通道均值很高，红色和绿色几乎为0，结果校正后图像全是噪点。
核心要点：灰度世界算法假设场景中颜色分布足够均匀。如果场景被大面积单色主导（比如蓝天、绿草地、红墙），这个假设就会失效。
3.2 算法流程
整个处理流程，我习惯分成下面几步：
- 读取图像：加载RGB图像，注意数据类型。我一般用浮点型，避免整数运算精度丢失。
- 计算通道均值：分别统计R、G、B三个通道的像素平均值。
- 计算灰度参考值K：取三个通道均值的平均值，或者取最大均值（不同变体）。
- 计算增益系数：K除以各通道均值，得到三个增益。
- 应用增益：每个像素乘以对应通道的增益系数。
- 裁剪与输出：将像素值裁剪到[0, 255]范围，转换回整数类型。
下面这张图，是我自己画的一个流程结构，方便你理解数据是怎么流动的：
3.3 代码实现
我习惯用Python + OpenCV做原型验证。下面是一个完整的实现，包含了上面说的所有步骤：
import cv2
import numpy as np
def gray_world_awb(img):
"""
灰度世界白平衡校正
:param img: 输入BGR图像 (uint8)
:return: 校正后的BGR图像 (uint8)
"""
# 转浮点，避免精度丢失
img_float = img.astype(np.float32)
# 计算各通道均值
mean_b = np.mean(img_float[:, :, 0])
mean_g = np.mean(img_float[:, :, 1])
mean_r = np.mean(img_float[:, :, 2])
# 计算灰度参考值
k = (mean_r + mean_g + mean_b) / 3.0
# 计算增益，防止除零
eps = 1e-6
gain_r = k / (mean_r + eps)
gain_g = k / (mean_g + eps)
gain_b = k / (mean_b + eps)
# 限制增益范围，避免过曝
max_gain = 10.0
gain_r = min(gain_r, max_gain)
gain_g = min(gain_g, max_gain)
gain_b = min(gain_b, max_gain)
# 应用增益
img_float[:, :, 0] *= gain_b
img_float[:, :, 1] *= gain_g
img_float[:, :, 2] *= gain_r
# 裁剪并转回uint8
img_out = np.clip(img_float, 0, 255).astype(np.uint8)
return img_out我的经验：增益上限设10倍就够了。我曾经试过不设上限，结果一张暗光照片的蓝色通道增益飙到50多倍，整张图全是蓝色噪点。另外，如果图像里有大面积的过曝区域（纯白），建议先用掩膜排除掉，否则均值会被拉偏。
3.4 算法变体
灰度世界算法有不少变体，我在不同项目里试过几种，各有适用场景：
| 变体名称 | 灰度参考值K的计算方式 | 适用场景 |
|---|---|---|
| 标准灰度世界 | 三通道均值的平均值 | 颜色分布均匀的通用场景 |
| 最大灰度世界 | 取三通道均值中的最大值 | 偏暗场景，保留更多亮度 |
| 中值灰度世界 | 用中位数代替均值 | 存在少量极端颜色时更鲁棒 |
| 加权灰度世界 | 按亮度或饱和度加权平均 | 需要保留特定色彩倾向时 |
我个人最常用的是标准版和中值版。中值版在遇到画面里有小面积强色块时，比均值版稳定很多。举个例子，拍一张室内照片，角落里有个红色灭火器，均值版会把整张图往青色拉，中值版受影响就小得多。
3.5 优缺点分析
灰度世界算法不是万能的，但它简单、快速、容易理解。我整理了一下它的优缺点：
优点：
- 计算量极小，适合实时处理
- 实现简单，十几行代码就能跑起来
- 对颜色丰富的场景效果不错
- 可以作为更复杂算法的初始化步骤
缺点：
- 大面积单色场景会失效（蓝天、草地、红墙）
- 对暗部噪声敏感，增益放大噪声
- 无法处理多光源混合场景
- 假设过于理想化，真实场景常不满足
避坑指南：我曾经在一个无人机航拍项目里直接用灰度世界算法做白平衡，结果飞过一片油菜花田时，整段视频都偏蓝紫色。后来加了场景检测，检测到黄色占比过高时切换到其他算法，问题才解决。所以，灰度世界算法适合做预处理或兜底方案，不建议作为唯一白平衡策略。
3.6 适用场景总结
灰度世界算法最适合的场景，说白了就是“颜色够杂”的地方。比如：
- 街景、城市风光（颜色丰富）
- 室内多人合影（肤色、衣服颜色多样）
- 商品拍摄（背景和物体颜色混合）
- 视频直播的快速预处理（计算量低）
不适合的场景：
- 纯色背景的证件照
- 水下摄影（整体偏蓝绿）
- 日落、日出（大面积暖色）
- 医疗内窥镜（单一色调组织）