4. 灰度世界算法：从原理到实战
灰度世界算法，说白了就是自动白平衡里最经典、最直观的一种方法。它的核心假设很简单：一张色彩正常的自然图像，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。
我第一次接触这个算法是在做手机摄像头调试的时候。当时甲方给了一堆室内暖色调的样张，要求我们做自动白平衡校正。我试了好几种方法，最后发现灰度世界算法虽然简单，但在大多数场景下效果已经足够好。当然，它也有自己的坑，后面我会详细说。
4.1 算法原理推导
我们先从数学上把这个逻辑理清楚。假设输入图像为 I，尺寸为 H×W，每个像素有三个通道 R、G、B。
第一步：计算各通道均值
R_avg = (1/(H*W)) * Σ R(i,j)
G_avg = (1/(H*W)) * Σ G(i,j)
B_avg = (1/(H*W)) * Σ B(i,j)
第二步：计算全局灰度参考值
我个人习惯用三个通道的均值再取平均，作为目标灰度值：
Gray = (R_avg + G_avg + B_avg) / 3
第三步：计算各通道增益
增益就是目标灰度值除以当前通道均值：
Kr = Gray / R_avg
Kg = Gray / G_avg
Kb = Gray / B_avg
第四步：校正每个像素
R_out(i,j) = clamp(R(i,j) * Kr, 0, 255)
G_out(i,j) = clamp(G(i,j) * Kg, 0, 255)
B_out(i,j) = clamp(B(i,j) * Kb, 0, 255)
这里 clamp 是为了防止像素值溢出。嗯，这一步很容易被忽略，但实际项目中如果不做截断，图像会出现高光区域发紫或发绿的问题。
核心思想总结： 灰度世界算法假设场景中所有颜色的平均值为灰色。如果图像偏暖（偏红），那么 R 通道均值偏高，增益 Kr 就会小于 1，从而压低红色分量，达到校正效果。
4.2 Python 代码实现
下面是我在实际项目中常用的实现方式。我尽量让代码可读性强一些，方便你直接拿去用。
import numpy as np
import cv2
def gray_world_white_balance(img):
"""
灰度世界自动白平衡
:param img: 输入图像，BGR格式，uint8类型
:return: 校正后的图像
"""
# 分离通道
b, g, r = cv2.split(img)
# 计算各通道均值
b_avg = np.mean(b)
g_avg = np.mean(g)
r_avg = np.mean(r)
# 计算全局灰度参考值
gray_avg = (r_avg + g_avg + b_avg) / 3.0
# 计算增益
kr = gray_avg / r_avg
kg = gray_avg / g_avg
kb = gray_avg / b_avg
# 应用增益并截断
r_out = np.clip(r * kr, 0, 255).astype(np.uint8)
g_out = np.clip(g * kg, 0, 255).astype(np.uint8)
b_out = np.clip(b * kb, 0, 255).astype(np.uint8)
# 合并通道
result = cv2.merge([b_out, g_out, r_out])
return result
# 使用示例
if __name__ == "__main__":
img = cv2.imread("test.jpg")
balanced = gray_world_white_balance(img)
cv2.imwrite("balanced.jpg", balanced)
小技巧： 如果图像中有大面积纯色区域（比如蓝天、绿草地），灰度世界算法的效果会变差。我建议在计算均值前，先做一个简单的饱和度检测，排除掉饱和度极高的像素点。这样能显著提升鲁棒性。
4.3 效果评估
怎么判断白平衡做得好不好？我一般从三个维度来评估：
| 评估维度 | 指标 | 说明 |
|---|---|---|
| 色彩偏差 | 各通道均值比 | 校正后 R/G/B 均值应接近 1:1:1 |
| 主观视觉 | 人眼判断 | 白色物体是否呈现白色，肤色是否自然 |
| 客观指标 | 色温估计误差 | 与标准色卡对比，计算色温偏差 |
我拿一张室内暖色调的测试图跑了一下，效果如下：
- 校正前： R_avg=185, G_avg=150, B_avg=120，明显偏红
- 校正后： R_avg=152, G_avg=151, B_avg=150，三个通道几乎一致
- 主观感受： 原本发黄的墙壁变成了白色，肤色也正常了
你看，效果还是很明显的。但别高兴太早，接下来我要说说它的局限性。
4.4 局限性分析
灰度世界算法虽然简单，但坑也不少。我曾经在一个项目中吃过亏，当时拍的是户外雪景，结果算法把雪地校正成了灰色，整个画面灰蒙蒙的。为什么会这样？因为雪地本身就是大面积白色，灰度世界假设在这里不成立。
具体来说，它的局限性包括：
- 场景依赖性强： 如果场景中某种颜色占主导（比如蓝天、绿草、红墙），算法会过度补偿，导致偏色。
- 对暗部敏感： 暗部噪声会被增益放大，导致暗区出现彩色噪点。
- 无法处理多光源： 室内混合光源（日光灯+白炽灯）下，单一全局增益不够用。
- 高光溢出： 如果某个通道增益过大，高光区域会被截断，丢失细节。
避坑指南： 我曾经在安防监控项目里直接用灰度世界算法处理夜间图像，结果画面全是噪点。后来我加了一个预处理步骤——先做暗通道检测，排除掉亮度低于阈值的像素点再计算均值。效果好了很多。所以，不要在任何场景下无脑使用灰度世界算法，一定要根据实际场景做适配。
4.5 知识体系结构图
下面这张图把灰度世界算法的核心逻辑串起来了，从输入到输出，再到评估和局限性，一目了然。
从这张图可以看得很清楚：灰度世界算法的流程是线性的，但评估和局限性分析是并行的重要环节。我个人建议，在实际项目中，先做局限性检查，再决定是否使用这个算法。如果场景不满足灰度世界假设，那就换其他方法，比如完美反射算法或者基于学习的白平衡方法。