4. AWB核心算法——灰度世界法

灰度世界法，说白了就是AWB算法里最经典、最基础的一个假设。我刚开始接触ISP的时候，第一个学的自动白平衡算法就是它。为什么？因为它简单、直观，而且很多场景下效果还不错。

它的核心思想其实就一句话：一张色彩丰富的自然图像，所有像素的R、G、B三个通道的平均值，应该趋于同一个灰度值。你想想看，如果一张图拍出来偏蓝，那蓝色通道的平均值肯定偏高；偏黄，红色和绿色通道的平均值就会偏高。灰度世界法就是抓住这个规律，把偏掉的通道拉回来。

4.1 算法原理

这个假设的物理基础是什么呢？我记得有一次在实验室调一个户外场景的AWB参数，怎么调都偏色。后来我仔细想了想——自然界的物体表面反射率，在统计意义上确实是均匀的。也就是说，你把所有物体的颜色平均一下，结果应该是灰色。

基于这个假设，算法流程其实很直接：

1. 统计全局均值：计算整张图像R、G、B三个通道的像素平均值，记为 R_avg、G_avg、B_avg。
2. 计算灰度参考值：通常取三个通道均值的平均值，或者直接取G通道均值作为参考。公式是 Gray = (R_avg + G_avg + B_avg) / 3。
3. 计算增益系数：每个通道的增益 = Gray / 该通道均值。比如 R_gain = Gray / R_avg。
4. 校正每个像素：对每个像素的R、G、B值分别乘以对应的增益系数。

4.2 数学推导

咱们来走一遍数学推导，其实不复杂。设输入图像为 I(x, y)，校正后的图像为 I'(x, y)。

第一步，计算各通道均值：

R_avg = (1/N) * Σ Σ R(x, y)
G_avg = (1/N) * Σ Σ G(x, y)
B_avg = (1/N) * Σ Σ B(x, y)

其中 N 是图像总像素数。

第二步，定义灰度参考值。这里有两种常见做法：

方法	公式	特点
三通道平均法	Gray = (R_avg + G_avg + B_avg) / 3	最常用，均衡性好
绿色通道法	Gray = G_avg	利用人眼对绿色最敏感的特性

第三步，计算增益：

R_gain = Gray / R_avg
G_gain = Gray / G_avg
B_gain = Gray / B_avg

第四步，校正：

R'(x, y) = R(x, y) * R_gain
G'(x, y) = G(x, y) * G_gain
B'(x, y) = B(x, y) * B_gain

嗯，这里要注意。校正后的像素值可能会超过255（8位图像），所以最后还需要做一次裁剪或归一化。我一般习惯先做增益，再统一做一次全局色调映射，这样能避免高光区域过曝。

4.3 优缺点分析

灰度世界法用了这么多年，肯定有它的长处，但也有明显的短板。我列个表，大家看得清楚些。

维度	优点	缺点
实现复杂度	极低，几行代码就能跑起来	—
计算速度	快，只需一次全局扫描	—
适用场景	色彩丰富的自然场景	单一主色调场景（如蓝天、草地）会失效
鲁棒性	对噪声不敏感	对大块纯色物体敏感，容易误判
光源假设	—	假设光源均匀，实际场景常不满足

我个人的经验是：灰度世界法在户外自然光、多色彩场景下表现很好。但如果你拍的是大片草地或者蓝色天空，那结果就惨不忍睹了。我曾经在一个无人机航拍项目里用过它，飞过一片森林时画面全绿，算法直接把红色通道增益拉到最大，结果天空变成了紫色……

4.4 适用场景

灰度世界法不是万能的，但用对地方效果很好。我总结了几类典型场景：

• 自然风光摄影：有蓝天、绿树、红花、白云，色彩丰富，灰度假设成立。
• 室内多光源场景：如果室内有多个不同色温的光源，灰度世界法能给出一个折中的白平衡。
• 视频预览：因为计算快，适合做实时预览的初步白平衡，后续再用更复杂的算法精调。
• 嵌入式设备：算力有限时，灰度世界法是性价比最高的选择。

不适合的场景也很明显：

• 单一主色调场景：比如拍一片沙漠、一片海洋。
• 人工光源强烈的场景：比如舞台灯光，画面颜色分布极不均匀。
• 暗光环境：噪声会干扰均值统计，导致增益不稳定。

4.5 灰度世界法知识结构

下面这张图把灰度世界法的核心逻辑串起来了，从假设到实现，再到优缺点，一目了然。

4.6 实战中的改进思路

纯灰度世界法在实际工程中很少直接使用。我一般会做几个小改进：

• 加权重：给图像中心区域更高的权重，因为主体通常在中部。
• 剔除异常像素：去掉过亮（接近255）和过暗（接近0）的像素，避免极端值干扰均值。
• 与其它算法融合：比如先做灰度世界法做粗调，再用完美反射法做精调。

灰度世界法虽然简单，但它是理解AWB算法的基础。你把这个搞透了，后面学更复杂的算法就会轻松很多。