4、白平衡（AWB）：色温与色彩恒常性、灰度世界法、完美反射法、色温估计

白平衡，说白了就是让白色物体在任何光源下都呈现白色。你想想看，一张白纸在日光灯下发青，在白炽灯下发黄，但人眼看起来还是白的——这就是色彩恒常性。但摄像头没这个本事，它拍出来是什么色温就是什么色温，所以得靠算法来校正。

我刚开始做ISP调试那会儿，最头疼的就是AWB。有一次在户外阴天场景下，整个画面偏蓝得厉害，客户说你们这摄像头是不是坏了？其实不是坏了，是色温估计没做好。从那以后，我对AWB的每个细节都不敢马虎。

4.1 色温与色彩恒常性

色温用开尔文（K）表示。低色温偏红黄（比如烛光2000K），高色温偏蓝（比如阴天7000K）。标准日光大概是5500K左右。

光源类型	色温范围（K）	视觉感受
烛光/日出日落	2000 - 3000	暖黄
白炽灯	2800 - 3200	暖白
日光灯	4000 - 5000	中性偏冷
正午日光	5000 - 5500	标准白
阴天/阴影	6500 - 7500	冷蓝

色彩恒常性是人眼的一种补偿机制。不管光源怎么变，大脑会自动把熟悉物体的颜色“纠正”回来。但CMOS传感器是线性器件，它忠实记录每个像素的R、G、B值，不会自动补偿。所以AWB算法的任务，就是模拟人眼的这种能力。

4.2 灰度世界法

这是最经典的AWB方法，也是我最早接触的算法。它的假设很简单：一张色彩丰富的图片，所有像素的R、G、B平均值应该趋于相等，也就是“灰度世界”。

具体做法：

1. 计算整幅图像的R、G、B均值：R_avg、G_avg、B_avg
2. 计算目标灰度值：Gray = (R_avg + G_avg + B_avg) / 3
3. 计算各通道增益：R_gain = Gray / R_avg，G_gain = Gray / G_avg，B_gain = Gray / B_avg
4. 对每个像素应用增益：R_out = R_in * R_gain，G_out = G_in * G_gain，B_out = B_in * B_gain

// 灰度世界法伪代码
void awb_gray_world(uint8_t* img, int width, int height) {
    long sum_r = 0, sum_g = 0, sum_b = 0;
    int total = width * height;
    
    for (int i = 0; i < total; i++) {
        sum_r += img[i * 3 + 0];
        sum_g += img[i * 3 + 1];
        sum_b += img[i * 3 + 2];
    }
    
    float avg_r = sum_r / total;
    float avg_g = sum_g / total;
    float avg_b = sum_b / total;
    float gray = (avg_r + avg_g + avg_b) / 3.0f;
    
    float gain_r = gray / avg_r;
    float gain_g = gray / avg_g;
    float gain_b = gray / avg_b;
    
    // 应用增益（略）
}

4.3 完美反射法

这个方法假设图像中最亮的像素点就是白色（或中性色）的反射点。说白了，就是找画面里最亮的那些像素，认为它们应该是纯白的。

实现步骤：

1. 把图像从RGB转到YUV或计算亮度Y = 0.299R + 0.587G + 0.114B
2. 找出亮度最高的前1%~5%的像素
3. 对这些“候选白点”分别统计R、G、B的均值
4. 用这些均值计算增益，和灰度世界法类似

我个人习惯把两种方法结合起来用。灰度世界法处理大面积色块场景容易翻车，完美反射法在暗光下又容易误判。两者加权融合，效果会好很多。

方法	优点	缺点	适用场景
灰度世界法	实现简单，计算量小	单色场景失效	色彩丰富的户外场景
完美反射法	对高光区域敏感	暗光下误检率高	有明确白色物体的场景
两者融合	鲁棒性好	需要调权重参数	通用场景

4.4 色温估计

色温估计是AWB里最核心也最麻烦的一步。说白了，就是猜当前场景的光源色温是多少。猜对了，白平衡就准；猜错了，画面就偏色。

常用的方法有两种：

• 基于统计的色温估计：把R/G和B/G的比值映射到色温曲线上。不同色温下，R/G和B/G的比值有固定规律。比如低色温下R/G大、B/G小；高色温下反过来。
• 基于学习的色温估计：用大量标注好的数据训练一个模型，输入图像特征，输出色温值。现在很多手机ISP都在用这种方法。

色温估计的精度直接影响最终效果。我见过一些方案，色温估计误差在±500K以内，人眼基本看不出偏色。但如果误差超过1000K，画面就会明显偏蓝或偏黄。

嗯，这里要注意一点：色温估计不是越精确越好。有时候场景里混合了多种光源（比如室内既有日光灯又有窗户进来的自然光），这时候硬要估计一个色温反而会出问题。我遇到过一个案例，会议室里一半是日光灯一半是阳光，AWB怎么调都偏色。最后我们加了多光源检测，把画面分区处理，才算搞定。