4、白平衡与色彩校正：AWB算法原理、色温估计、色彩校正矩阵、色彩空间转换

白平衡和色彩校正，是手机拍照「好看」的第一道关卡。你想想看，一张照片如果偏蓝或者偏黄，用户第一反应就是「这手机不行」。我做了这么多年Camera调试，AWB（自动白平衡）调得好不好，直接决定了成片率。

说白了，AWB要解决的核心问题就一个：让白色物体在任何光源下都呈现为白色。听起来简单，做起来可没那么容易。

4.1 色温估计——猜猜现在是什么光

色温估计是AWB的第一步，也是最关键的一步。传感器不知道当前是日光还是白炽灯，它只能看到一堆RGB数值。我们需要从这些数值里「猜」出光源色温。

常用的方法有几种：

• 灰度世界法（Gray World）：假设场景中所有颜色的平均值是灰色。如果R/G/B均值不相等，就说明有色偏。这个方法简单，但遇到大面积纯色场景（比如蓝天、绿草地）就翻车了。
• 完美反射法（Perfect Reflector）：假设场景中最亮的像素是白色。找到这些像素，用它们的RGB比例来估计色温。嗯，这个方法在暗光下容易出问题。
• 色温曲线法：在色度图上预先标定不同光源的轨迹（普朗克轨迹），然后根据当前色度坐标找到最近的色温点。这个方法精度高，但需要大量标定数据。

4.2 AWB增益计算——给RGB通道「调音量」

估计出色温后，下一步就是计算R/G/B三个通道的增益。目标是把白色物体的RGB值拉到相等。

假设我们估计当前色温下，白色物体的R/G/B比例是 [1.2, 1.0, 0.9]，那么增益就是：

R_gain = 1.0 / 1.2 ≈ 0.833
G_gain = 1.0 / 1.0 = 1.0
B_gain = 1.0 / 0.9 ≈ 1.111

实际应用中，增益不能无限大。我一般会限制在 [0.5, 2.0] 范围内，否则噪声会被放大到不可接受的程度。

4.3 色彩校正矩阵（CCM）——给传感器「纠偏」

做完AWB，颜色看起来正常了吗？其实还不够。传感器的RGB响应和标准人眼视觉（CIE 1931）之间是有偏差的。这就是CCM要解决的问题。

CCM是一个3×3矩阵，把传感器RGB转换到标准色空间：

[ R_std ]   [ a11  a12  a13 ]   [ R_sensor ]
[ G_std ] = [ a21  a22  a23 ] * [ G_sensor ]
[ B_std ]   [ a31  a32  a33 ]   [ B_sensor ]

这个矩阵怎么来的？靠标定。用24色卡在标准光源下拍照，然后通过最小二乘法拟合出最优矩阵。

4.4 色彩空间转换——从RAW到sRGB

最后一步，是把校正后的RGB数据映射到目标色空间。手机摄像头最常用的是sRGB和Display P3。

转换过程包括：

1. 线性RGB → 非线性RGB：应用Gamma曲线（sRGB Gamma ≈ 2.2）
2. 色域裁剪：把超出目标色域的颜色映射回来
3. 量化：从12/14bit RAW数据量化到8bit输出

这里有个坑——色域裁剪。sRGB的色域比传感器原生色域小很多，很多鲜艳的颜色会被裁掉。我见过一些手机拍出来的红花变成「死红」，就是因为色域裁剪太粗暴。

4.5 避坑指南——我踩过的那些坑

• 坑1：AWB和CCM顺序搞反——先做CCM再做AWB，会导致色温估计被CCM扭曲。我曾经在一个项目里调试了三天，发现怎么调都偏色，最后发现是流水线顺序错了。
• 坑2：CCM过拟合——用24色卡标定CCM时，如果只针对特定光源，换到其他光源下颜色就崩了。我建议至少用D65、D50、A光源三组数据做联合优化。
• 坑3：忽略暗角影响——镜头边缘的亮度下降会导致AWB估计偏差。如果不做暗角校正，边缘区域的色温估计会偏。我习惯在AWB之前先做LSC（镜头阴影校正）。
• 坑4：增益饱和——低光下AWB增益过大，导致通道饱和。饱和后的像素无法恢复，颜色信息永久丢失。解决方案是限制最大增益，或者改用多帧融合。