色彩校正基础：白平衡原理、色温与色调、灰度世界假设、完美反射假设
色彩校正，说白了就是让相机看到的世界，跟你人眼看到的世界一样。我刚开始做图像处理那会儿，总觉得白平衡是个小问题——不就是把白色调白嘛。直到有一次在户外拍产品，阳光透过树叶洒下来，整张图偏绿得一塌糊涂，我才意识到：白平衡搞不定，后面所有色彩工作都是白搭。
这一章，咱们把白平衡的底牌翻个底朝天。
白平衡到底在平衡什么？
先问一个问题：为什么人眼看白纸永远是白的？
因为人脑有色彩恒常性。不管在日光灯下、蜡烛光下、还是阴天户外，大脑会自动把光源颜色“扣除”，让你觉得白纸还是白纸。但相机没这个本事——它老老实实地记录所有光线。所以，当光源偏蓝时，整张图就偏蓝；光源偏黄时，整张图就偏黄。
白平衡要做的，就是模拟人脑的这个“扣除”过程。
核心公式（简化版）：
校正后像素 = 原始像素 × (白点参考值 / 当前通道均值)
说白了，就是找到场景中“本该是白色”的那个点，然后按它的比例把其他颜色拉回来。
色温与色调：两个容易搞混的概念
我见过不少工程师把色温和色调混着用。其实它们是完全不同的两回事。
| 概念 | 物理含义 | 对图像的影响 | 典型场景 |
|---|---|---|---|
| 色温 | 光源的冷暖程度（开尔文 K） | 低色温偏黄/红，高色温偏蓝 | 烛光 2000K，日光 5500K，阴天 7000K |
| 色调 | 色彩在色环上的偏移方向 | 偏绿或偏品红 | 荧光灯下偏绿，LED 混光偏品 |
色温是一条直线——从黄到蓝。色调是垂直于这条直线的另一个维度——从绿到品红。两个维度合在一起，才能完整描述一个光源的颜色。
我的经验：调试时先调色温，再调色调。顺序反了，你会陷入死循环。我曾经在一个项目里先调了色调，结果色温一变，色调又得重来，浪费了两天时间。
灰度世界假设：最朴素的白平衡方法
这个假设很简单：一张色彩丰富的自然图像，所有颜色的平均值应该是灰色。
为什么？因为自然界中红绿蓝的分布大致均匀，平均下来就是中性灰。既然平均是灰的，那如果图像偏色，就说明光源颜色没有被扣除。
算法步骤：
- 计算整张图像 R、G、B 三个通道的平均值
- 找到三个平均值的最大值（或设定一个目标灰值）
- 分别计算每个通道的增益：增益 = 目标值 / 通道平均值
- 用增益校正每个像素
// 灰度世界假设的简单实现（伪代码）
float avgR = mean(image[:,:,0]);
float avgG = mean(image[:,:,1]);
float avgB = mean(image[:,:,2]);
float target = (avgR + avgG + avgB) / 3.0;
float gainR = target / avgR;
float gainG = target / avgG;
float gainB = target / avgB;
image_corrected[:,:,0] = image[:,:,0] * gainR;
image_corrected[:,:,1] = image[:,:,1] * gainG;
image_corrected[:,:,2] = image[:,:,2] * gainB;注意：灰度世界假设有个致命弱点——如果场景本身就不是“色彩丰富”的，比如一片蓝天、一片草地、或者一个全是红色包装的货架，那平均值根本不是灰色。强行校正会得到灾难性的结果。
我曾经在拍红色包装的产品时用过这个方法，结果整张图变成了青色。嗯，从那以后我再也不敢无脑用灰度世界了。
完美反射假设：另一种思路
这个假设跟灰度世界正好相反。它不看平均值，而是找图像中最亮的点——认为这些点应该是白色或镜面反射点。
你想想看，如果场景中有一个白色物体，它反射了所有波长的光，那它就应该是最亮的。如果这个最亮点偏色了，说明光源颜色污染了它。
算法步骤：
- 找出图像中最亮的若干像素（比如前 1%）
- 计算这些像素的 R、G、B 平均值
- 以这些平均值为“白点”参考
- 计算增益并校正全图
两种假设的对比：
| 方法 | 适用场景 | 失效场景 |
|---|---|---|
| 灰度世界 | 色彩丰富的自然场景 | 单色场景、大面积纯色 |
| 完美反射 | 场景中有白色或高光区域 | 无高光、过曝或欠曝严重 |
知识结构图：白平衡方法全景
下面这张图把本章的核心逻辑串起来了。你可以看到，白平衡不是单一方法，而是一套从假设到校正的完整链路。
实际项目中的选择策略
你可能会问：那我到底该用哪个？
我的建议是——别死磕一个。实际项目中，我通常这样做：
- 先判断场景：如果场景色彩丰富，优先灰度世界；如果场景中有明显白色区域，优先完美反射。
- 混合使用：有些算法把两种假设加权平均，比如 70% 灰度世界 + 30% 完美反射。效果往往比单一方法好。
- 加个保护：计算增益时设置上下限，防止某个通道增益过大导致噪声爆炸。
一个小技巧：调试时可以在图像上画一个 ROI（感兴趣区域），只对 ROI 内的像素做白平衡统计。比如拍人脸时，只取皮肤区域做灰度世界，效果比全图好很多。我在一个人脸识别项目里用过这招，白平衡准确率从 72% 提到了 91%。
色温与色调的联合调试
最后聊一下实际调试中的操作。很多相机 SDK 会提供色温和色调两个滑块。你调色温时，图像在黄-蓝轴上移动；调色调时，在绿-品红轴上移动。
调试步骤：
- 放一张标准灰卡或白卡在场景中
- 用示波器或直方图看 RGB 三个通道的分布
- 先调色温，让 R 和 B 通道的峰值对齐
- 再调色调，让 G 通道与 R、B 对齐
- 微调直到三个通道的直方图基本重合
嗯，这里要注意：不要只看屏幕上的颜色“感觉对了”。人眼会自适应，感觉往往不准。一定要看数据——直方图和波形图才是你的好朋友。