4. AWB 算法实现：灰度世界、白点检测与色温曲线

好，咱们进入正题。自动白平衡（AWB）说白了，就是让相机在各种光线下都能把白色拍成白色。你想想看，在钨丝灯下拍的白纸偏黄，在阴天拍的白纸偏蓝，这肯定不行。AWB 要做的，就是把这些偏色给拉回来。

这一章，我带你手撸三种最经典的 AWB 算法。它们分别是：灰度世界、白点检测、色温曲线拟合。这三种思路完全不同，但实际工程中经常组合使用。我个人习惯先跑灰度世界做粗调，再用白点检测做精调，最后用色温曲线兜底。

4.1 灰度世界算法（Gray World）

灰度世界是最简单、最直觉的 AWB 方法。它的假设是：一张色彩丰富的照片，所有像素的 R、G、B 平均值应该相等，也就是趋向于灰色。

嗯，这个假设在大多数自然场景下是成立的。但我在项目中遇到过一个问题——如果场景里大面积都是同一种颜色，比如一片蓝天或一片绿草地，灰度世界就会翻车。它会强行把蓝色或绿色拉成灰色，结果整个画面都偏色。

算法步骤其实就三步：

1. 计算整张图像的 R、G、B 通道均值：R_avg、G_avg、B_avg
2. 计算三个通道的增益：R_gain = G_avg / R_avg、B_gain = G_avg / B_avg（G 通道保持不变）
3. 对每个像素应用增益：R_out = R_in * R_gain、B_out = B_in * B_gain

代码实现也很直接：

import numpy as np

def gray_world_awb(img):
    """
    灰度世界白平衡
    img: HxWx3, dtype=np.uint8, BGR顺序
    """
    # 转成float防止溢出
    img_float = img.astype(np.float32)
    
    # 计算各通道均值
    b_avg = np.mean(img_float[:, :, 0])
    g_avg = np.mean(img_float[:, :, 1])
    r_avg = np.mean(img_float[:, :, 2])
    
    # 计算增益
    r_gain = g_avg / r_avg
    b_gain = g_avg / b_avg
    
    # 应用增益
    img_float[:, :, 2] *= r_gain  # R通道
    img_float[:, :, 0] *= b_gain  # B通道
    
    # 裁剪到[0, 255]并转回uint8
    img_out = np.clip(img_float, 0, 255).astype(np.uint8)
    return img_out

4.2 白点检测算法（White Point Detection）

灰度世界假设所有颜色平均后是灰色，但白点检测的思路完全不同。它认为：图像里总有一些像素是真正的白色或灰色，只要找到这些白点，用它们的颜色信息就能算出正确的白平衡增益。

怎么找白点？我常用的方法是：在 YCbCr 色彩空间里，找那些色度分量（Cb、Cr）接近 0 的像素。说白了，就是找那些看起来不带颜色的像素点。

我曾经踩过一个坑：直接用 RGB 空间的阈值来检测白点，结果经常把高光过曝区域误判成白点。后来我改用 YCbCr 空间，效果好了很多。因为 YCbCr 把亮度和色度分开了，更容易控制检测条件。

白点检测的流程如下：

代码实现：

def white_point_awb(img, y_low=50, y_high=240, cb_thresh=15, cr_thresh=15):
    """
    白点检测白平衡
    """
    # 转换到YCbCr
    img_ycbcr = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)
    y, cb, cr = cv2.split(img_ycbcr)
    
    # 创建白点掩码
    mask = (y > y_low) & (y < y_high) & \
           (np.abs(cb - 128) < cb_thresh) & \
           (np.abs(cr - 128) < cr_thresh)
    
    # 如果没有检测到白点，回退到灰度世界
    if np.sum(mask) < 100:
        return gray_world_awb(img)
    
    # 提取白点像素
    white_pixels = img[mask]
    
    # 计算白点均值
    b_mean = np.mean(white_pixels[:, 0])
    g_mean = np.mean(white_pixels[:, 1])
    r_mean = np.mean(white_pixels[:, 2])
    
    # 计算增益
    r_gain = g_mean / r_mean
    b_gain = g_mean / b_mean
    
    # 应用增益
    img_float = img.astype(np.float32)
    img_float[:, :, 2] *= r_gain
    img_float[:, :, 0] *= b_gain
    
    return np.clip(img_float, 0, 255).astype(np.uint8)

4.3 色温曲线拟合（Color Temperature Curve Fitting）

前面两种方法都是基于图像内容的，但色温曲线拟合走的是另一条路——它基于先验知识。说白了，就是提前测量好各种光源下 R/G 和 B/G 的比值，然后拟合出一条曲线。实际使用时，根据图像算出的 R/G、B/G 比值，在曲线上找到对应的色温，再用这个色温去查表得到增益。

我当年在手机 ISP 团队时，就负责搭建这套标定系统。我们会在暗室里用 D65（6500K）、D50（5000K）、A 光源（2856K）等标准光源拍摄灰卡，记录下不同色温下的 R/G、B/G 比值。然后把这些数据点拟合成一条平滑曲线。

色温曲线拟合的典型数据长这样：

拟合曲线后，算法流程就变成了：

1. 从图像中提取 R/G、B/G 比值（可以用灰度世界或白点检测的结果）
2. 在曲线上找到最接近的色温点
3. 用该色温对应的增益值做白平衡校正

下面这张 SVG 图展示了三种 AWB 算法的核心逻辑和它们之间的关系：

4.4 三种算法的对比与选型建议

讲到这里，你可能要问了：这三种算法到底该用哪个？我的答案是：看场景。

我整理了一个对比表，方便你快速决策：