4、光源估计方法（中）：完美反射算法（White Patch / Max-RGB）原理与实现

上一章我们聊了灰度世界，它假设场景平均是灰的。今天要讲的完美反射算法，思路正好反过来——它认为场景里最亮的那个点，应该是纯白的。

听起来有点绕？别急，我慢慢拆开讲。

4.1 核心思想：最亮的就是白的

完美反射算法，也叫 White Patch 或 Max-RGB。名字很直白：找一块“白色补丁”，用它来校准整张图。

它的假设是：场景中至少存在一个表面，能完全反射入射光的所有波长。换句话说，这个点本身没有颜色，它呈现的颜色就是光源的颜色。

我在项目中遇到过一种情况：拍白色陶瓷餐具时，这个算法效果特别好。因为瓷器表面确实有高光区，那些区域基本就是光源的直接反射。

4.2 算法流程：三步走

实现起来其实很简单，就三步：

1. 找最大值：遍历图像，找出 R、G、B 三个通道各自的最大值。
2. 计算增益：用最大值除以目标值（通常是 255 或 1.0），得到每个通道的增益系数。
3. 应用校正：每个像素乘以对应通道的增益，完成白平衡。

嗯，这里要注意：如果某个通道的最大值是 0，那增益就是无穷大。实际代码里要加个保护，避免除零。

4.3 代码实现：从原理到实战

我习惯用 Python 做快速验证。下面这个版本是最基础的 Max-RGB：

import numpy as np
import cv2

def white_patch_awb(img):
    """
    完美反射白平衡 - 基础版
    img: BGR 格式，uint8 [0, 255]
    """
    # 分离通道
    b, g, r = cv2.split(img)
    
    # 找每个通道的最大值
    max_b = np.max(b)
    max_g = np.max(g)
    max_r = np.max(r)
    
    # 防止除零
    max_b = max_b if max_b > 0 else 1
    max_g = max_g if max_g > 0 else 1
    max_r = max_r if max_r > 0 else 1
    
    # 计算增益（目标值 255）
    gain_b = 255.0 / max_b
    gain_g = 255.0 / max_g
    gain_r = 255.0 / max_r
    
    # 应用增益
    b_bal = np.clip(b * gain_b, 0, 255).astype(np.uint8)
    g_bal = np.clip(g * gain_g, 0, 255).astype(np.uint8)
    r_bal = np.clip(r * gain_r, 0, 255).astype(np.uint8)
    
    return cv2.merge([b_bal, g_bal, r_bal])

这段代码能跑，但说实话，太粗糙了。你想想看，如果图像里有一个像素是纯红色（R=255, G=0, B=0），那绿色和蓝色通道的最大值就是 0，增益直接爆炸。

4.4 改进版：百分位 Max-RGB

用百分位代替全局最大值，能有效抵抗噪点和异常像素的干扰。我个人习惯用 99.5% 到 99.9% 之间的值：

def white_patch_percentile(img, percentile=99.5):
    """
    完美反射白平衡 - 百分位版
    percentile: 百分位值，默认 99.5
    """
    b, g, r = cv2.split(img)
    
    # 计算百分位值
    max_b = np.percentile(b, percentile)
    max_g = np.percentile(g, percentile)
    max_r = np.percentile(r, percentile)
    
    # 保护
    max_b = max_b if max_b > 0 else 1
    max_g = max_g if max_g > 0 else 1
    max_r = max_r if max_r > 0 else 1
    
    gain_b = 255.0 / max_b
    gain_g = 255.0 / max_g
    gain_r = 255.0 / max_r
    
    b_bal = np.clip(b * gain_b, 0, 255).astype(np.uint8)
    g_bal = np.clip(g * gain_g, 0, 255).astype(np.uint8)
    r_bal = np.clip(r * gain_r, 0, 255).astype(np.uint8)
    
    return cv2.merge([b_bal, g_bal, r_bal])

百分位取多少，取决于场景。我一般这样选：

场景类型	推荐百分位	说明
室内均匀光照	99.9%	场景干净，噪点少
室外自然光	99.5%	有天空、云层等大面积亮区
夜景/弱光	99.0%	噪点多，需要更保守
屏幕拍摄	99.8%	屏幕本身有高亮区域

4.5 与灰度世界的对比

这两种算法，说白了就是看问题的角度不同：

• 灰度世界：看整体，假设平均是灰的。
• 完美反射：看局部，假设最亮是白的。

实际项目中，我经常把两者结合。比如先跑灰度世界做粗调，再用完美反射做精调。或者反过来，看哪个结果更稳定就用哪个。

4.6 知识结构图

下面这张图总结了完美反射算法的核心逻辑和变体：

4.7 适用场景与局限性

完美反射算法不是万能的。我总结了几种典型情况：

场景	效果	原因
有白色参考物	优秀	假设成立，校正准确
高光区域丰富	良好	高光近似光源色
夜景/弱光	较差	噪点干扰最大值
纯色场景（如草原）	失效	没有白色参考点
强彩色光源	偏差	最亮区域可能带色

说白了，这个算法适合“场景里有白”的情况。如果没有，别硬用，试试灰度世界或者后面要讲的更高级方法。