1. 白平衡基础概念：色温、白平衡与人眼vs相机
做图像处理这些年，我经常被问到同一个问题：「为什么手机拍出来的照片有时候偏黄，有时候偏蓝？」
答案其实就藏在两个词里——色温和白平衡。今天咱们就把这两个概念彻底聊透。
1.1 什么是色温？
色温，说白了就是衡量光线颜色的物理量。单位是开尔文（K）。
你可能会觉得奇怪：为什么暖色调（偏黄红）的色温反而低，冷色调（偏蓝）的色温反而高？
嗯，这得从黑体辐射说起。想象一块铁被加热——刚开始暗红（约1500K），逐渐变成橙黄（约3500K），最后变成蓝白（约6500K以上）。温度越高，颜色越偏蓝。
常见光源色温参考：
| 光源类型 | 色温范围（K） | 视觉感受 |
|---|---|---|
| 烛光/日出日落 | 1500 - 3000 | 暖黄、温馨 |
| 白炽灯 | 2700 - 3300 | 暖白 |
| 荧光灯/日光灯 | 4000 - 5000 | 中性白 |
| 正午阳光/闪光灯 | 5000 - 6500 | 标准白 |
| 阴天/阴影 | 6500 - 8000 | 冷白、偏蓝 |
| 蓝天 | 10000 - 20000 | 深蓝 |
我在项目中遇到过最典型的场景：室内灯光下拍出来的产品图偏黄，客户说「这颜色不对」。其实不是相机坏了，是色温没校准。
1.2 什么是白平衡？
白平衡，就是让相机在任何色温的光源下，都能把白色物体还原成白色的过程。
你想想看：一张白纸在烛光下是暖黄色，在阴天是冷蓝色。但人眼会觉得它始终是白的——因为人眼有自动色温适应能力。相机没有这个能力，所以需要算法来补偿。
白平衡的本质：
对图像R、G、B三个通道分别乘以不同的增益系数，让中性色（灰、白）的R=G=B。
数学表达：R_out = R_in * gain_R，G_out = G_in * gain_G，B_out = B_in * gain_B
举个例子：在3200K的钨丝灯下，图像偏黄（R通道偏强）。白平衡算法会降低R通道增益，同时提升B通道增益，把颜色拉回来。
1.3 人眼视觉系统 vs 相机传感器
为什么人眼能自动适应色温，相机却不行？
这里有个关键差异：人眼是「感知」颜色，相机是「测量」颜色。
| 对比维度 | 人眼视觉系统 | 相机传感器 |
|---|---|---|
| 色适应 | 自动、连续、全局 | 需要算法估计和补偿 |
| 动态范围 | 极高（约20档） | 有限（约10-14档） |
| 色彩恒常性 | 天生具备 | 需要白平衡算法模拟 |
| 响应曲线 | 非线性（对数） | 线性（RAW域） |
| 分辨率 | 中心高、边缘低 | 均匀分布 |
我记得刚入行时做过一个实验：在混合光源场景下（一半日光灯、一半白炽灯），人眼能同时看清两边的颜色，但相机拍出来总有一边偏色。这就是色彩恒常性的差距。
避坑指南：
我曾经在开发AWB算法时，直接用sRGB图像做色温估计，结果偏差很大。后来才发现：白平衡应该在RAW域（线性空间）做，因为sRGB已经做了伽马校正和颜色矩阵变换，会破坏色温信息的线性关系。
1.4 知识体系总览
下面这张图，是我自己梳理的本章核心逻辑。建议你多看几遍，把概念串起来。
1.5 为什么白平衡这么重要？
我直接说结论：白平衡是图像质量的基石。
- 白平衡不准，后续所有颜色处理（饱和度、色调、肤色美化）都会跑偏
- 在计算机视觉任务中（如目标检测、语义分割），偏色会直接降低模型精度
- 对于医疗影像、工业检测等场景，颜色准确性是刚需
一个小实验：
找一张白纸，分别在日光灯下和白炽灯下用手机拍一张。然后对比两张照片的白色区域——你会发现它们颜色不一样。这就是色温的影响。再打开手机的专业模式，手动调整白平衡到对应色温值，白色就回来了。