📚 课程目录第3章白平衡问题定义

3. 白平衡问题定义：偏色现象、校正目标与两大经典假设

好，咱们正式开始进入白平衡算法的核心地带。在做自动白平衡之前，你得先搞清楚一个问题：我们到底在解决什么问题？

说白了，就是照片拍出来颜色不对。明明是一张白纸，在暖色灯光下拍出来发黄，在阴天拍出来发蓝。这种偏色，就是我们要搞定的目标。

3.1 偏色现象：为什么相机看到的颜色和人眼不一样？

人眼有个很牛的能力叫「色彩恒常性」。不管光源怎么变，我们看一张白纸，它始终是白的。但相机传感器没这个本事，它老老实实地记录进入镜头的光线。光源变了，记录下来的 RGB 值就变了。

我举个例子。你在办公室的日光灯下拍一张白纸，RGB 值大概是 (240, 245, 250)。拿到家里暖色台灯下再拍，可能就变成了 (255, 220, 180)。你看，蓝色通道掉下去了，红色通道爆表了，整张图就偏黄。

偏色的本质： 光源的光谱能量分布不同，导致物体反射到传感器上的 RGB 比例发生偏移。这不是物体本身的颜色变了，是光源在「捣鬼」。

常见的偏色场景我整理了一下：

光源类型	色温范围 (K)	偏色倾向	典型场景
白炽灯	2500 - 3000	偏黄/橙	家庭卧室、餐厅
日光灯	4000 - 5000	偏绿/白	办公室、教室
正午日光	5000 - 6500	标准白光	户外晴天
阴天/阴影	7000 - 9000	偏蓝	阴天户外、树荫下

嗯，这里要注意。色温越高，颜色越偏蓝；色温越低，颜色越偏红。这个和直觉是反的，别搞混了。

3.2 白平衡校正目标：让白色回归白色

校正目标其实就一句话：让图像中原本是白色的物体，在任意光源下都呈现为白色。

一旦白色被校正了，其他所有颜色都会跟着被拉回正确的色域。这就是白平衡的底层逻辑——以白点为锚点，校正整个色偏。

数学上怎么描述？假设我们有一个偏色图像，它的 R、G、B 三个通道需要分别乘上一个增益系数，让白色区域的 R、G、B 值相等。

// 校正后的像素值 = 原始像素值 × 增益系数
R' = R × gain_R
G' = G × gain_G
B' = B × gain_B

// 校正目标：对于白色区域，R' = G' = B'

说白了，就是找到三个系数，把偏色的通道拉回来。那问题来了：增益系数怎么算？

这就引出了两个最经典的假设——灰度世界假设和完美反射假设。几乎所有自动白平衡算法，都是在这两个假设的基础上发展出来的。

3.3 灰度世界假设 (Gray World Assumption)

这个假设很直观：一张色彩丰富的自然图像，所有像素的 R、G、B 平均值应该趋于同一个灰度值。

为什么？因为自然界中各种颜色混合在一起，统计上会趋向于灰色。如果图像偏黄，说明 R 通道的平均值偏高，B 通道的平均值偏低。那我们就把 R 的增益调低，B 的增益调高，让三个通道的平均值相等。

我的经验： 灰度世界假设在色彩丰富的场景下效果非常好。但我曾经在一个全是蓝色天空的航拍图上栽过跟头——整张图只有蓝色，平均值严重偏蓝，算法硬是把蓝色拉成了灰色，结果天空变成了灰蒙蒙一片。所以，这个假设的前提是「色彩丰富」，场景单一的时候千万别用。

计算步骤很简单：

计算整张图像 R、G、B 三个通道的平均值：avg_R, avg_G, avg_B
计算三个平均值的总平均：gray = (avg_R + avg_G + avg_B) / 3
计算每个通道的增益：gain_R = gray / avg_R, gain_G = gray / avg_G, gain_B = gray / avg_B
用增益系数校正每个像素

// 灰度世界假设的 Python 实现
import numpy as np

def gray_world(img):
    # img: HxWx3, dtype=np.uint8
    avg = np.mean(img, axis=(0, 1))  # 每个通道的平均值
    gray = np.mean(avg)              # 总平均灰度
    gain = gray / avg                # 增益系数
    corrected = (img * gain).clip(0, 255).astype(np.uint8)
    return corrected

3.4 完美反射假设 (Perfect Reflector Assumption)

另一个经典假设：图像中最亮的像素点，应该是纯白色的。 也就是说，图像中一定存在某个区域，它对所有波长的光都完全反射，不吸收任何颜色。

这个假设的出发点是：场景中总会有高光、镜面反射或者白色物体。这些区域的 RGB 值应该相等。如果它们不相等，说明存在色偏，我们就用这些「最亮点」来估计光源颜色。

避坑指南： 我曾经在一个夜景灯光图像上用过完美反射假设，结果翻车了。因为图像中最亮的点是红色的霓虹灯，算法把它当成了「完美反射点」，结果整张图被拉成了青绿色。所以，使用前一定要确认最亮点确实是白色物体或高光，而不是彩色光源本身。

实现思路：

找到图像中最亮的像素点（通常是 R+G+B 最大的前 0.1% 像素）
计算这些像素点的 R、G、B 平均值
用这些平均值作为光源颜色的估计
计算增益系数，使这些最亮点变为纯白色

// 完美反射假设的 Python 实现
def perfect_reflector(img, percentile=99.9):
    # 计算每个像素的亮度
    brightness = np.sum(img, axis=2)
    # 找到亮度最高的阈值
    threshold = np.percentile(brightness, percentile)
    # 提取高亮像素的掩码
    mask = brightness >= threshold
    # 计算高亮像素的 RGB 平均值
    avg = np.mean(img[mask], axis=0)
    # 增益系数：让高亮像素变为纯白 (255, 255, 255)
    gain = 255.0 / avg
    corrected = (img * gain).clip(0, 255).astype(np.uint8)
    return corrected

3.5 两大假设的对比与选择

这两个假设各有各的脾气。我平时做项目，会根据场景来选：

对比维度	灰度世界假设	完美反射假设
适用场景	色彩丰富、纹理复杂的自然图像	存在高光、镜面反射或白色物体的场景
失效场景	大色块单一场景（如蓝天、绿草地）	最亮点是彩色光源（如霓虹灯、彩色灯光）
计算复杂度	低，只需一次全局统计	中等，需要排序或阈值查找
鲁棒性	对噪声敏感度低	对最亮点的选择敏感

你想想看，如果一张图既有丰富的色彩，又有明显的白色高光，那这两个假设可以结合起来用。我个人的习惯是：先用灰度世界假设做一次粗校正，再用完美反射假设做一次细调。效果往往比单独用任何一个都好。

3.6 本章知识体系

下面这张图把本章的核心逻辑串起来了，你可以对照着梳理一下思路：

嗯，到这里，白平衡问题的定义和两个最基础的假设就讲完了。灰度世界假设和完美反射假设虽然简单，但它们是所有高级白平衡算法的基石。后面的章节里，我们会看到它们是如何被改进、被组合、被应用到实际产品中的。