4. 完美反射法：从“找白点”到白平衡

完美反射法，名字听着挺玄乎，其实核心思想很简单——“场景里最亮的那块区域，理论上应该是白的”。你想想看，一张白纸在阳光下是白的，在灯光下它还是白的，只是被光源染了色。如果我们能找到这个“本该是白色”的区域，那光源的颜色不就暴露了吗？

我在刚入行那会儿，第一次接触自动白平衡，用的就是这个方法。当时觉得它太理想化了，但实际调起来，发现它比想象中要皮实得多。

4.1 算法原理：找“白点”的数学逻辑

完美反射法的假设是：图像中RGB三个通道各自的最大值，对应了场景中“完美反射体”的响应。这个完美反射体，说白了就是一个能把所有波长的光都等比例反射回去的东西——理想中的白纸。

具体步骤分三步走：

1. 找各通道最大值：分别统计R、G、B三个通道的像素值，找出每个通道的最大值，记为 R_max、G_max、B_max。
2. 计算增益系数：以G通道为基准（因为人眼对绿色最敏感），计算R和B的增益：
   • gain_R = G_max / R_max
   • gain_B = G_max / B_max
3. 应用增益：对每个像素的R和B通道乘以对应的增益系数，G通道保持不变。

嗯，这里要注意。实际工程中，我们很少直接用全局最大值。为什么？因为图像里可能有高光溢出、镜面反射点，这些点的值已经饱和了（比如255），用它算增益会出问题。我一般会取前0.1%最亮像素的平均值，或者用直方图统计，取99.9%分位点的值。

4.2 Python代码实现：从理论到跑通

下面是我写的一个基础实现。代码不长，但包含了几个工程上的小技巧。我建议你直接跑一下，看看效果。

import numpy as np
import cv2

def perfect_reflector_awb(img, percentile=99.9):
    """
    完美反射法自动白平衡
    :param img: 输入BGR图像，uint8类型
    :param percentile: 取前百分之多少的像素作为“白点”候选
    :return: 白平衡校正后的图像
    """
    # 分离通道
    b, g, r = cv2.split(img.astype(np.float32))
    
    # 计算各通道的阈值（取前percentile%的像素）
    r_thresh = np.percentile(r, percentile)
    g_thresh = np.percentile(g, percentile)
    b_thresh = np.percentile(b, percentile)
    
    # 取各通道最大值（这里用阈值代替全局最大，更鲁棒）
    r_max = np.mean(r[r >= r_thresh])
    g_max = np.mean(g[g >= g_thresh])
    b_max = np.mean(b[b >= b_thresh])
    
    # 计算增益，以G通道为基准
    gain_r = g_max / r_max
    gain_b = g_max / b_max
    
    # 应用增益
    r_balanced = np.clip(r * gain_r, 0, 255)
    b_balanced = np.clip(b * gain_b, 0, 255)
    g_balanced = g  # G通道不变
    
    # 合并通道并转回uint8
    result = cv2.merge([b_balanced.astype(np.uint8), 
                        g_balanced.astype(np.uint8), 
                        r_balanced.astype(np.uint8)])
    return result

# 使用示例
if __name__ == "__main__":
    img = cv2.imread("test_raw.jpg")
    balanced = perfect_reflector_awb(img)
    cv2.imwrite("balanced.jpg", balanced)

4.3 优缺点分析：它不完美，但够用

任何算法都有它的脾气。完美反射法也不例外。我把它拆成表格，方便你对比。

维度	优点	缺点
计算速度	极快。只需要一次直方图统计和几个除法，适合嵌入式实时处理	如果图像分辨率高，直方图统计也有开销，但总体可控
实现难度	代码量少，逻辑直观，新手也能快速上手	调参（percentile）需要经验，不同场景差异大
适用场景	场景中有明显白色/灰色物体时效果很好，比如文档扫描、室内白墙	场景中完全没有白色物体时（比如纯色风景），结果会偏色严重
鲁棒性	对噪声不敏感，因为取的是统计值而非单个像素	对高光溢出敏感，如果白色区域过曝，增益会偏小

我曾经在一个监控项目里用过它。场景是夜晚的停车场，只有路灯和车灯。结果呢？路灯是暖色的，车灯是冷色的，完美反射法直接懵了——它把路灯下的地面当成了“白点”，结果整张图偏蓝得一塌糊涂。后来我加了区域权重，只取图像中央区域的统计值，才勉强压住。

4.4 知识结构图：完美反射法的完整流程

下面这张图把整个流程串起来了。从输入图像到输出校正结果，每一步都标清楚了。

4.5 什么时候该用它？什么时候该换？

我个人的经验是：完美反射法最适合做“预处理”。什么意思呢？就是在你上更复杂的算法（比如灰度世界法、色温估计法）之前，先用它把明显的色偏拉回来。它速度快，不会成为瓶颈。

但如果你遇到下面这些情况，我建议你换个思路：

• 场景里没有白色物体：比如森林、日落、夜景。这时候完美反射法会强行把某个颜色当成白色，结果就是偏色。
• 光源混合：比如室内既有日光灯又有台灯。完美反射法只能估计一个全局色温，处理不了混合光源。
• RAW域处理：前面说了，RAW数据是线性的，直接套用会出问题。如果你非要用，记得先做线性化。