经典算法：灰度世界、完美反射与色温估计

说到自动白平衡，我最早接触的就是这三板斧。灰度世界、完美反射、基于色温估计——它们构成了整个AWB算法的基础。说实话，直到今天，很多量产产品里的核心逻辑依然脱胎于它们。

这一章，我们就把这三个经典算法掰开揉碎。我会结合自己踩过的坑，告诉你每个算法到底怎么用、什么时候会翻车。

灰度世界算法（Gray World）

这个算法的假设很简单：一张色彩丰富的自然图像，所有像素的R、G、B均值应该趋于相等。说白了，就是认为世界平均是灰色的。

为什么能这么假设？因为自然场景中各种颜色混合后，统计上确实接近中性灰。我当年第一次验证这个假设时，对着几百张户外照片算均值，发现R、G、B通道均值偏差基本在5%以内——嗯，确实靠谱。

算法流程

1. 计算图像R、G、B三个通道的均值：R_avg、G_avg、B_avg
2. 计算灰色参考值：Gray = (R_avg + G_avg + B_avg) / 3
3. 计算各通道增益：Kr = Gray / R_avg, Kg = Gray / G_avg, Kb = Gray / B_avg
4. 对每个像素应用增益：R' = R * Kr, G' = G * Kg, B' = B * Kb

def gray_world(img):
    """灰度世界白平衡"""
    # 计算各通道均值
    avg_r = np.mean(img[:, :, 0])
    avg_g = np.mean(img[:, :, 1])
    avg_b = np.mean(img[:, :, 2])
    
    # 灰色参考值
    gray = (avg_r + avg_g + avg_b) / 3.0
    
    # 计算增益
    kr = gray / avg_r
    kg = gray / avg_g
    kb = gray / avg_b
    
    # 应用增益
    result = img.copy()
    result[:, :, 0] = np.clip(img[:, :, 0] * kr, 0, 255)
    result[:, :, 1] = np.clip(img[:, :, 1] * kg, 0, 255)
    result[:, :, 2] = np.clip(img[:, :, 2] * kb, 0, 255)
    
    return result.astype(np.uint8)

适用场景与局限

场景类型	效果	说明
自然风景	优秀	色彩丰富，满足灰度假设
室内混合光源	一般	局部色温差异大，均值偏差
单色物体特写	差	严重违反假设，偏色明显
夜景灯光	较差	暗区噪声干扰均值计算

完美反射算法（Perfect Reflector）

这个算法的思路完全不同。它假设图像中最亮的像素点应该是纯白色的——也就是R=G=B=255。你想想看，如果场景里有一块白纸、一面白墙，那它反射的光线就代表了光源本身的颜色。

我曾经在一个手机摄像头项目里用过这个算法。当时拍室内白墙效果极好，但一到户外拍树叶，算法就崩了——因为最亮的点是天空，而天空是蓝色的，算法硬把蓝色通道压下去，整张图变得偏黄。

算法流程

1. 统计图像中每个像素的亮度值（通常取RGB最大值）
2. 选取亮度最高的前0.1%~1%的像素作为"参考白点"
3. 计算这些白点的R、G、B均值
4. 以G通道为基准，计算R和B的增益
5. 对全图应用增益

def perfect_reflector(img, percentile=99.9):
    """完美反射白平衡"""
    # 计算每个像素的亮度（取最大值）
    brightness = np.max(img, axis=2)
    
    # 找到亮度阈值
    threshold = np.percentile(brightness, percentile)
    
    # 提取参考白点
    mask = brightness >= threshold
    white_pixels = img[mask]
    
    if len(white_pixels) == 0:
        return img
    
    # 计算白点均值
    avg_r = np.mean(white_pixels[:, 0])
    avg_g = np.mean(white_pixels[:, 1])
    avg_b = np.mean(white_pixels[:, 2])
    
    # 以G通道为基准计算增益
    kr = avg_g / avg_r
    kb = avg_g / avg_b
    
    # 应用增益
    result = img.copy()
    result[:, :, 0] = np.clip(img[:, :, 0] * kr, 0, 255)
    result[:, :, 2] = np.clip(img[:, :, 2] * kb, 0, 255)
    
    return result.astype(np.uint8)

基于色温估计的算法

这个算法更接近人眼的感知方式。它不直接操作像素，而是先估计场景的色温，然后根据色温查表得到校正参数。

我记得第一次做这个算法时，花了两周时间标定色温曲线。对着标准色卡在不同色温下拍了几百张照片，然后拟合出R/G和B/G随色温变化的曲线。那段时间我做梦都在看色温曲线图。

核心思路

色温估计算法通常分两步：

1. 色温估计：从图像中提取色温特征，映射到色温值
2. 增益计算：根据色温值查表或公式计算R、B通道增益

常用的色温估计方法有两种：

• 基于色度空间的方法：将RGB转换到色度空间，用色度坐标估计色温
• 基于统计的方法：用R/G和B/G的比值分布来估计色温

def color_temperature_awb(img, temp_curve):
    """基于色温估计的白平衡"""
    # 1. 计算R/G和B/G比值
    r_g_ratio = np.mean(img[:, :, 0]) / np.mean(img[:, :, 1])
    b_g_ratio = np.mean(img[:, :, 2]) / np.mean(img[:, :, 1])
    
    # 2. 根据比值估计色温（查表或插值）
    color_temp = estimate_temp_from_ratio(r_g_ratio, b_g_ratio, temp_curve)
    
    # 3. 根据色温查增益表
    kr, kb = lookup_gain_from_temp(color_temp, temp_curve)
    
    # 4. 应用增益
    result = img.copy()
    result[:, :, 0] = np.clip(img[:, :, 0] * kr, 0, 255)
    result[:, :, 2] = np.clip(img[:, :, 2] * kb, 0, 255)
    
    return result.astype(np.uint8)

三种算法对比

维度	灰度世界	完美反射	色温估计
假设条件	世界平均为灰	最亮点为白	色温连续变化
计算复杂度	低	中	高
标定需求	无	无	需要标定
大色块场景	差	中	好
混合光源	差	差	中
实现难度	简单	简单	中等

知识结构图

实际工程中的选择建议

这三种算法没有的好坏。我个人的经验是：

• 快速原型验证：用灰度世界，三行代码搞定
• 有标准光源的场景：用完美反射，比如扫描仪、复印机
• 消费级摄像头：用色温估计，精度高但需要标定
• 高端产品：三种算法融合，根据场景置信度动态切换