📚 课程目录第4章光源估计基础

4. 光源估计基础：灰度世界、完美反射与物理模型

做白平衡，说白了就是猜光源。你猜对了光源颜色，就能把偏色拉回来。猜错了，画面就变得诡异。

我刚开始接触这个领域时，总觉得算法越复杂越好。后来被现实教育了——简单假设往往最鲁棒。今天聊的三个方法，就是最经典的“猜光源”套路。

这个假设很直白：一张色彩丰富的照片，所有像素的RGB平均值应该是灰色。也就是 R平均 ≈ G平均 ≈ B平均。

为什么会这样？因为自然场景里各种颜色混合后，理论上会趋向中性灰。如果照片偏黄，那R和G的平均值就会明显高于B。我们只需要把三个通道的平均值拉到同一水平，偏色就校正了。

  核心公式：

  增益 R = G平均 / R平均

  增益 G = 1

  增益 B = G平均 / B平均

嗯，这里要注意——这个假设有个致命前提：场景必须色彩丰富。如果画面里全是蓝天（比如海景），那B通道平均值天然就高，强行拉平反而会把天空变成灰色。

我在项目中遇到过这种情况：用户拍了一组室内产品图，背景是纯红色绒布。灰度世界算法直接把红色压没了，产品本身也偏青。后来我加了饱和度掩码，只对低饱和度区域做灰度世界估计，效果才正常。

这个假设换个角度想：画面里最亮的那个点，应该是纯白色。因为任何物体表面，如果它反射了所有波长的光，那它就是白的。

实际操作很简单：找到图像中RGB三个通道各自的最大值，或者找到亮度最高的像素点，然后把这个点映射成白色，其他像素按比例调整。

我的经验： 直接用全局最大值容易受噪点干扰。我习惯先做分位数截断——取亮度前1%的像素平均值，而不是单个最大值。这样抗噪能力强很多。

我曾经在一个项目中调试医疗内窥镜图像，画面里有强光斑（镜面反射）。完美反射算法直接把光斑当成了参考白，结果整个画面偏蓝。后来我加了镜面反射检测，排除掉高光区域，才拿到正确的参考白点。

前面两个方法都是纯统计，不讲物理。而物理模型试图从光照-物体-相机的成像链路出发，反推光源。

最经典的是朗伯特模型：假设物体表面是理想漫反射面，那么图像颜色 = 光源光谱 × 物体反射率。我们想求的是光源，但物体反射率是未知的——这是一个病态问题。

怎么解？加约束。比如：

避坑指南： 物理模型理论上最精确，但实际落地时参数调起来很痛苦。我曾经尝试用色域映射法做手机拍照的白平衡，结果不同传感器型号的色域差异巨大，标定工作量爆炸。最后我选择了混合策略——物理模型做粗估计，灰度世界做细调。

我把它们画成了一张图，方便你理解各自的位置：

你可能会问：那我到底用哪个？

我个人习惯按这个优先级判断：

一个小技巧： 我经常把灰度世界和完美反射的结果做加权平均。权重根据图像方差动态调整——方差大（色彩丰富）就多信任灰度世界，方差小（颜色单一）就多信任完美反射。效果比单一方法好不少。