3. 色彩空间基础：RGB、sRGB、XYZ、Lab 与色度图
做 AWB 调优，说白了就是在不同的色彩空间里来回折腾。你只有理解了颜色是怎么被数学描述的，才能知道白平衡到底在平衡什么。这一章我会把几个最核心的色彩空间讲透，顺便聊聊色度图和色域映射——这些都是 ISP Pipeline 里绕不开的基础。
3.1 RGB 与 sRGB：从传感器到显示器的第一站
RGB 是最直观的色彩模型。红绿蓝三个通道，每个通道 8bit 就是 0-255，组合起来能表达 1600 多万种颜色。但这里有个坑：RGB 是设备相关的。同一个 RGB 值，在你的显示器上和在我的显示器上，看起来可能完全不一样。
sRGB 就是为了解决这个问题而生的。它由微软和惠普在 1996 年联合制定，定义了标准的原色坐标、白点和 Gamma 曲线。现在绝大多数互联网内容都采用 sRGB 作为标准色彩空间。
关键点：sRGB 的 Gamma 约为 2.2，白点色温为 D65（6500K）。这意味着在 AWB 校正后，我们通常要把图像转换到 sRGB 空间才能正确显示。
我在项目中遇到过一个问题：Sensor 输出的 RAW 数据经过 AWB 增益后，直接转 sRGB 显示，结果肤色偏黄。后来发现是 Gamma 预补偿没做对——RAW 数据是线性的，而 sRGB 需要非线性映射。这个坑我踩过一次，之后就再也不敢跳过 Gamma 校正了。
3.2 XYZ 色彩空间：颜色的坐标系
如果说 RGB 是方言，那 XYZ 就是普通话。CIE 1931 XYZ 色彩空间是基于人眼视觉实验建立的，它不依赖任何设备，是颜色的度量。
XYZ 的数学基础是三刺激值。简单来说，人眼有三种视锥细胞，分别对长波（L）、中波（M）、短波（S）敏感。XYZ 就是通过线性变换从 LMS 空间推导出来的。
| 色彩空间 | 设备相关性 | 主要用途 | 与 AWB 的关系 |
|---|---|---|---|
| RGB | 相关 | 显示、采集 | 原始数据格式 |
| sRGB | 相关（标准化） | 互联网、显示器 | 最终输出目标 |
| XYZ | 无关 | 颜色度量、色度计算 | 色温估计的中间桥梁 |
| Lab | 无关 | 颜色差异评估 | 白平衡效果评价 |
从 RGB 到 XYZ 的转换需要 3x3 矩阵。不同 RGB 标准（sRGB、Adobe RGB、DCI-P3）对应不同的转换矩阵。我个人习惯在 ISP 调试时先把 RAW 转到 XYZ 空间做色温估计，再转回 RGB 做增益——这样能避免设备相关性带来的误差。
3.3 CIE 1931 色度图：一张图看懂所有颜色
色度图是把 XYZ 的三维信息投影到二维平面。横轴是 x，纵轴是 y，z = 1 - x - y。马蹄形的边界是单色光谱轨迹，内部是所有可能的颜色。
这张图对 AWB 来说有多重要？我举个例子：你在色度图上标出不同色温的黑体辐射轨迹（Planckian Locus），然后看当前图像的平均色度点落在哪里——离轨迹越远，说明白平衡偏差越大。这就是最经典的灰度世界法 + 色温估计原理。
实战技巧：在 CIE 1931 色度图上，D65 白点的坐标大约是 (0.3127, 0.3290)。AWB 校正的目标就是把图像的白点拉到这条轨迹上。我常用的方法是先计算图像在色度图上的色度分布，再通过增益矩阵把质心点映射到目标色温点。
为什么会用到色度图而不是直接在 RGB 空间做？因为 RGB 空间的色温变化是非线性的，而色度图上的色温变化是平滑连续的。你想想看，在 RGB 空间里调增益，很难直观判断色温偏移了多少度；但在色度图上，距离就是色差，一目了然。
3.4 Lab 色彩空间：人眼感知的均匀性
Lab 空间的设计初衷是让欧几里得距离与人眼感知的颜色差异成正比。L 是亮度，a 是红绿轴，b 是黄蓝轴。这个特性对 AWB 效果评估非常有用。
我记得有一次做 AWB 算法对比，两个版本的增益参数在 RGB 空间里看差异很小，但主观评价一个偏冷一个偏暖。后来用 Lab 空间的 ΔE 指标一算，差异值差了 3 个单位——人眼刚好能感知到。从那以后，我就把 ΔE 作为 AWB 效果的核心量化指标了。
注意：Lab 空间的计算需要先经过 XYZ。从 sRGB 到 Lab 的完整链路是：sRGB → 线性化 → XYZ → Lab。中间任何一步的精度损失都会影响最终结果。我在嵌入式平台上实现时，会使用 LUT 查表法加速 XYZ 到 Lab 的转换，否则计算量太大。
3.5 色域映射：把颜色装进正确的盒子里
色域就是色彩空间能表达的颜色范围。sRGB 的色域较小，DCI-P3 更大，Rec.2020 更大。不同设备有不同的色域，当图像从一个色域转换到另一个色域时，就需要色域映射。
色域映射的核心问题有两个：
- 裁剪（Clipping）：源色域中的颜色在目标色域中不存在，直接截断会导致细节丢失。
- 压缩（Compression）：把整个色域按比例缩小，保留相对关系但牺牲饱和度。
在 AWB 场景下，色域映射最典型的应用是：Sensor 的原始色域通常比 sRGB 大，经过 AWB 增益后，某些颜色可能会超出 sRGB 边界。如果不做色域映射，这些区域就会出现色阶断层或颜色溢出。
我曾经在一个手机项目里遇到过这个问题：夜景模式下 AWB 校正后，天空部分出现了明显的色块。排查后发现是色域映射时用了简单的裁剪算法，导致蓝色通道溢出。后来改用感知压缩映射，问题就解决了。
3.6 本章知识体系
下面这张图总结了各个色彩空间之间的关系，以及它们在 AWB 流程中的位置：
从这张图可以看得很清楚：Sensor RAW 数据经过 AWB 增益后，先转到 XYZ 空间做度量，再通过色域映射输出到 sRGB。同时，Lab 空间作为评估工具，用来量化 AWB 效果的好坏。整个链路环环相扣，任何一个环节出问题，最终的颜色都会偏。
核心总结：色彩空间是 AWB 的数学基础。RGB 是原始数据格式，XYZ 是度量，Lab 是感知评估，色度图是可视化工具，色域映射是输出保障。理解这些概念之间的关系，你就能在 ISP 调试时快速定位问题——是增益算错了，还是色域映射没做好，还是 Gamma 曲线不对。这些经验，都是我在项目里一个一个坑踩出来的。