3. AWB算法核心原理：灰度世界、完美反射、色温估计与Von Kries变换

各位好，欢迎来到第三章。这一章我们聊点实在的——AWB算法到底是怎么算的？

说实话，我刚入行那会儿，觉得白平衡不就是找个白色物体吗？后来被项目狠狠教育了一顿。嗯，这里面的门道，比你想象的多得多。

今天我把四个最核心的理论掰开揉碎讲给你听。它们分别是：灰度世界假设、完美反射假设、色温估计理论，以及Von Kries色适应变换。这四个东西，是你在高通Spectra平台上调AWB绕不开的基石。

3.1 灰度世界假设（Gray World Assumption）

这个假设很简单：一张色彩丰富的自然图像，所有像素的R、G、B平均值，应该趋于同一个灰度值。

说白了，就是“世界平均是灰色的”。

数学表达长这样：

R_avg = G_avg = B_avg = Gray

如果实际图像不满足这个条件，那一定是光源颜色在捣鬼。我们只需要算出R、G、B各自的增益，把平均值拉回同一个水平线就行。

增益计算公式：

R_gain = G_avg / R_avg
G_gain = 1.0  （通常以G通道为参考）
B_gain = G_avg / B_avg

我在项目中遇到过一个问题：当画面里大面积都是同一颜色时——比如一片蓝天，或者一片绿草地——灰度世界假设就崩了。整张图偏色偏得离谱。

所以，灰度世界假设的适用场景是：色彩丰富、分布均匀的自然场景。单一主色调的场景，慎用。

3.2 完美反射假设（Perfect Reflector Assumption）

这个假设和灰度世界正好相反。它认为：图像中最亮的那个像素点，应该是一个完美的白色反射体。

你想想看，如果有一个纯白物体在场景里，它反射了所有波长的光。那么它身上的R、G、B值，就代表了当前光源的颜色。

算法流程是这样的：

1. 找到图像中最亮的若干个像素（通常是前0.1%~1%）
2. 计算这些像素的R、G、B平均值
3. 用这个平均值估算光源颜色
4. 计算增益，把最亮区域拉回白色

代码实现思路：

// 伪代码：完美反射假设
float findMaxLuminance(Image img) {
    float maxY = 0;
    for each pixel in img {
        float Y = 0.299*R + 0.587*G + 0.114*B;
        if (Y > maxY) maxY = Y;
    }
    return maxY;
}

// 取亮度前0.5%的像素
vector<Pixel> getWhitePixels(Image img, float threshold) {
    vector<Pixel> whitePixels;
    for each pixel in img {
        if (pixel.Y >= threshold * 0.995) {
            whitePixels.push_back(pixel);
        }
    }
    return whitePixels;
}

3.3 色温估计理论（Color Temperature Estimation）

色温这个概念，说白了就是黑体辐射体在不同温度下发出的光的颜色。单位是开尔文（K）。

常见的色温范围：

光源类型	色温范围（K）	视觉感受
烛光/日出日落	1800 - 3000	暖黄/橙红
白炽灯	2700 - 3300	暖白
荧光灯（暖白）	3000 - 4500	中性偏暖
日光（正午）	5000 - 6500	标准白
阴天/阴影	6500 - 8000	冷白/偏蓝
蓝天（无云）	8000 - 12000	深蓝

色温估计的核心，就是根据图像中的R/G和B/G比值，反推出当前光源的色温。

在高通Spectra平台上，有一个经典的色温查找表（LUT）方法：

// 色温查找表示例
struct ColorTempEntry {
    float colorTemp;   // 色温值 (K)
    float rgRatio;     // R/G 比值
    float bgRatio;     // B/G 比值
};

ColorTempEntry colorTempLUT[] = {
    { 2700, 1.85, 1.20 },   // 白炽灯
    { 4000, 1.45, 1.35 },   // 荧光灯
    { 5500, 1.20, 1.50 },   // 日光
    { 6500, 1.05, 1.70 },   // 阴天
    { 8000, 0.95, 1.90 },   // 阴影
};

// 根据R/G和B/G插值得到色温
float estimateColorTemp(float rg, float bg) {
    // 在LUT中查找最近的条目，做线性插值
    // ...
}

为什么会这样？因为不同色温的光源，在R和B通道上的能量分布是完全不同的。低色温光源R强B弱，高色温光源R弱B强。这个规律非常稳定。

3.4 Von Kries色适应变换

好了，前面我们估算了光源颜色，也计算了增益。但怎么把这些增益正确地应用到图像上？

直接乘？太粗暴了。人眼的视觉系统不是这么工作的。

Von Kries变换的核心思想是：人眼的三种锥状细胞（L、M、S，分别对应长波、中波、短波）各自独立地适应光源的变化。

数学上，它是在锥状细胞响应空间里做对角变换：

| L' |   | k_L  0   0  | | L |
| M' | = | 0   k_M  0  | | M |
| S' |   | 0   0   k_S | | S |

其中k_L、k_M、k_S分别是三种锥状细胞的适应增益。

完整的流程是：

1. 把RGB图像转换到LMS锥状细胞空间
2. 在LMS空间里应用对角增益矩阵
3. 再转换回RGB空间

转换矩阵长这样（标准CIE 1931 XYZ到LMS的转换）：

| L |   |  0.4002   0.7076  -0.0808 | | X |
| M | = | -0.2263   1.1653   0.0457 | | Y |
| S |   |  0.0000   0.0000   0.9182 | | Z |

3.5 四种理论的关系与选择

这四种理论不是互斥的。在实际的高通Spectra AWB流水线里，它们通常是组合使用的。

我画了一张图，帮你理清它们的关系：

在实际的高通Spectra平台上，AWB模块通常是这样工作的：

1. 先同时运行灰度世界和完美反射两个假设，各自算出一组增益
2. 再用色温估计理论验证这两组增益是否合理
3. 根据场景置信度，把两组增益做加权融合
4. 最后通过Von Kries变换（或简化版）应用到图像上