📚 课程目录第4章白平衡算法

4. 白平衡算法：灰度世界假设、完美反射假设、色温估计、AWB调试实战

白平衡这东西，说白了就是让白色物体在照片里看起来是白的。你想想看，同样一张白纸，在暖色灯光下发黄，在阴天发蓝。人眼会自动校正，但传感器不会。所以我们需要算法来帮它「看」出真实颜色。

我入行那会儿，第一个被分配的任务就是调白平衡。当时觉得不就是乘几个系数嘛，后来才发现，这里面的坑比想象中多得多。

4.1 白平衡的核心问题

先搞清楚一个问题：为什么需要白平衡？

因为光源色温不同。色温低的光偏红黄（比如蜡烛），色温高的光偏蓝紫（比如阴天）。传感器记录的是反射光，不是物体本身的颜色。如果不做校正，整张图的色调就跟着光源跑了。

白平衡的目标，就是估计出当前光源的色温，然后对RGB三个通道分别做增益补偿，让中性色（灰、白）恢复中性。

  核心公式：

  R' = R × G_r

  G' = G × G_g

  B' = B × G_b

  其中 G_r、G_g、G_b 是各通道增益，通常 G_g 固定为 1.0，G_r 和 G_b 根据色温调整。

4.2 灰度世界假设

这是最经典的方法，也是我最早接触的算法。

假设条件：一幅色彩丰富的图像中，所有像素的RGB平均值应该趋近于灰色（R=G=B）。

实现步骤：

计算整幅图像R、G、B三个通道的均值：R_avg、G_avg、B_avg
计算灰色参考值：Gray = (R_avg + G_avg + B_avg) / 3
计算各通道增益：G_r = Gray / R_avg，G_g = Gray / G_avg，G_b = Gray / B_avg
对每个像素应用增益

// 灰度世界假设实现示例
void whiteBalanceGrayWorld(uint8_t* img, int width, int height) {
    double sumR = 0, sumG = 0, sumB = 0;
    int total = width * height;
    
    for (int i = 0; i < total; i++) {
        sumR += img[i * 3 + 0];
        sumG += img[i * 3 + 1];
        sumB += img[i * 3 + 2];
    }
    
    double avgR = sumR / total;
    double avgG = sumG / total;
    double avgB = sumB / total;
    double gray = (avgR + avgG + avgB) / 3.0;
    
    double gainR = gray / avgR;
    double gainG = gray / avgG;
    double gainB = gray / avgB;
    
    // 应用增益
    for (int i = 0; i < total; i++) {
        img[i * 3 + 0] = clamp(img[i * 3 + 0] * gainR);
        img[i * 3 + 1] = clamp(img[i * 3 + 1] * gainG);
        img[i * 3 + 2] = clamp(img[i * 3 + 2] * gainB);
    }
}

注意：灰度世界假设在以下场景会失效：
- 画面被单一颜色主导（比如大片草地、蓝天）
- 场景本身就不包含丰富的色彩信息
- 光源极端的场景（纯色灯光）

我曾经在一个项目中遇到客户投诉，说我们的摄像头拍出来的草地偏紫。查了半天，发现是灰度世界假设把大面积的绿色当成了偏色，强行往灰色拉，结果绿色通道被压下去，红色和蓝色通道被抬起来，草地就变紫了。嗯，这就是典型的「假设不成立」案例。

4.3 完美反射假设

这个方法换个思路——它不找平均，而是找最亮的点。

假设条件：图像中最亮的像素点应该是纯白色的（R=G=B=255）。这些点通常对应高光反射区域。

实现步骤：

统计所有像素的亮度值，找到最亮的N%像素（通常取1%~5%）
计算这些像素的R、G、B均值
以这些均值为基准，计算各通道增益

// 完美反射假设实现示例
void whiteBalancePerfectReflect(uint8_t* img, int width, int height, float percent = 0.01) {
    int total = width * height;
    int sampleCount = (int)(total * percent);
    
    // 按亮度排序，取最亮的像素
    // 实际工程中会用直方图加速
    // 这里简化处理
    
    double sumR = 0, sumG = 0, sumB = 0;
    // 假设已经找到最亮的 sampleCount 个像素
    // 计算它们的均值...
    
    double maxVal = 255.0;
    double gainR = maxVal / (sumR / sampleCount);
    double gainG = maxVal / (sumG / sampleCount);
    double gainB = maxVal / (sumB / sampleCount);
    
    // 应用增益
}

经验之谈：完美反射假设对高光区域的质量非常敏感。如果场景中没有真正的白色高光（比如阴天、室内），效果会大打折扣。我一般会结合灰度世界假设一起用，取两者的加权平均。

4.4 色温估计方法

前面两种方法都是「盲估计」，不关心光源到底是什么。色温估计则更进了一步——它试图直接算出当前光源的色温值。

常用方法：

方法	原理	优点	缺点
色温曲线法	在色温坐标系中预存R/G、B/G曲线	速度快，适合硬件实现	需要标定，泛化性差
色度图法	将RGB映射到色度坐标，找最近色温	精度高	计算量大
神经网络法	用CNN直接回归色温值	适应性强	需要大量训练数据

我个人比较喜欢色温曲线法，因为它够快。在嵌入式平台上，每帧只有几毫秒的处理时间，你不可能跑个神经网络。色温曲线法只需要查表和插值，几微秒就搞定了。

具体做法是：先在不同色温下拍摄灰卡，记录R/G和B/G的比值。然后把这些比值拟合成曲线。实际运行时，计算当前图像的R/G和B/G，在曲线上找到对应的色温值。

// 色温曲线法示意
typedef struct {
    float colorTemp;  // 色温
    float rgRatio;    // R/G
    float bgRatio;    // B/G
} ColorTempPoint;

// 预标定的色温曲线
ColorTempPoint ctCurve[] = {
    {2500, 2.1, 1.8},
    {4000, 1.5, 1.3},
    {5500, 1.0, 1.0},
    {6500, 0.8, 0.9},
    {8000, 0.6, 0.8}
};

float estimateColorTemp(float rg, float bg) {
    // 在曲线上找最近的点
    // 插值得到色温值
    // 返回色温
}

4.5 AWB调试实战

理论说完了，来点实际的。AWB调试是我工作中花时间最多的地方之一。

调试流程：

采集数据：在不同光源下拍摄灰卡和典型场景
标定曲线：建立R/G、B/G与色温的映射关系
设置阈值：确定哪些像素参与统计（排除过暗、过亮、饱和区域）
调整增益：微调各通道增益，确保中性色准确
验证效果：在多种场景下测试，检查偏色情况

  避坑指南：

  - 不要只依赖一种算法，建议灰度世界+完美反射+色温估计三者融合

  - 统计区域要避开纯色大块（天空、墙壁）

  - 增益不要超过2.0，否则噪声会被放大到不可接受

  - 注意光源切换时的平滑过渡，避免色温突变

我曾经遇到一个很头疼的问题：在超市的冷柜前，摄像头拍出来的肉总是偏蓝。冷柜的LED灯光色温很高，加上肉本身是红色的，灰度世界假设一算，红色通道被压得很低，肉就变成灰蓝色了。后来我加了一个「肤色保护」逻辑——如果检测到肤色区域，就降低该区域的校正强度。效果好了很多。

还有一个经验：AWB的收敛速度要把握好。太快了，光源切换时画面会闪烁；太慢了，用户都走到下一个场景了，色温还没跟上。我一般把收敛时间控制在0.5~1秒，既不会闪烁，也不会让人觉得迟钝。

4.6 本章小结

白平衡说难不难，说简单也不简单。灰度世界假设和完美反射假设是基础，色温估计是进阶。实际工程中，没有哪个算法是万能的，关键是要根据场景做融合和适配。

嗯，调试AWB需要耐心。你可能调了一整天，觉得效果已经很好了，结果拿到户外一试，又偏色了。别灰心，这是正常的。多积累一些场景数据，慢慢就能找到感觉。