一、课程导论：什么是自动白平衡（AWB）？为什么AWB对图像质量至关重要？课程目标与学习路径

1.1 从一个“偏色”的下午说起

我记得刚入行那会儿，接手了一个安防摄像头的项目。客户反馈说，摄像头在室内日光灯下拍出来的人脸，总是发绿。我当时第一反应是“调一下RGB增益不就行了？”结果调了一整天，室内好了，室外又黄了；白天好了，黄昏又蓝了。折腾了整整两周，最后才发现——我根本不懂什么是真正的白平衡。

说白了，自动白平衡（Auto White Balance，简称AWB）就是让摄像头在不同光源下，都能把“白色”拍成白色。你想想看，一张白纸在正午阳光下是白的，在烛光下其实是偏黄的，在阴天又是偏蓝的。但人眼会自动校正，所以我们看白纸始终是白的。摄像头没这个本事，它需要算法来帮忙。

1.2 为什么AWB对图像质量至关重要？

这个问题，我在项目中被问过无数次。我的回答通常很简单：颜色是图像的第一印象。一张图如果偏色，哪怕分辨率再高、细节再清晰，用户的第一反应也是“这摄像头不行”。

具体来说，AWB的重要性体现在三个层面：

1.3 AWB的核心挑战：色温与场景

要理解AWB，先得理解色温。色温的单位是开尔文（K），数值越低，光线越暖（偏红黄）；数值越高，光线越冷（偏蓝）。

常见的色温范围：

• 烛光/日出日落： 2000K - 3500K（暖色调）
• 白炽灯/卤素灯： 3000K - 4500K（暖白）
• 日光/闪光灯： 5000K - 6500K（中性白）
• 阴天/阴影： 6500K - 8000K（冷色调）
• 蓝天/高海拔： 8000K - 12000K（极冷）

但问题来了——摄像头并不知道当前是什么光源。它只能从图像数据中“猜”。这就是AWB算法的本质：从图像中估计当前光源的色温，然后反向补偿。

我习惯把AWB的流程画成一张图，这样更容易理解：

嗯，这张图基本概括了AWB的四个核心步骤。每一步都有坑，我们后面会一章一章地拆解。

1.4 课程目标：你能学到什么？

这门课不是纯理论，也不是纯代码。我的目标是让你学完就能上手调AWB。具体来说，课程结束后你应该能做到：

1. 理解AWB的数学原理——从灰度世界假设到色温估计，知道每个公式在干什么。
2. 掌握经典算法实现——能用Python从零实现灰度世界法、完美反射法、色温曲线法。
3. 学会场景适配策略——知道室内、室外、夜景、逆光等场景下AWB该怎么调。
4. 能调试和优化AWB——遇到偏色问题，知道从哪入手排查，而不是瞎调参数。
5. 了解工程落地细节——包括性能优化、硬件加速、多帧融合等实战技巧。

1.5 学习路径：30章怎么走？

我把课程分成了五个阶段，每个阶段解决一个核心问题：

这个路径是我自己摸索出来的。说实话，如果当年有人这样带我，我至少能少走半年弯路。

1.6 准备工作：你需要什么？

• Python 3.8+（推荐用Anaconda管理环境）
• OpenCV 4.x（图像读写和基础处理）
• NumPy（矩阵运算，AWB的核心依赖）
• Matplotlib（可视化，方便看效果对比）
• 一些测试图片（我会提供RAW格式和JPEG格式的测试图）

安装命令很简单：

pip install opencv-python numpy matplotlib

嗯，就这些。不需要GPU，不需要嵌入式开发板，一台普通笔记本就够了。