色彩校正矩阵：CCM 原理与实战
各位同学，欢迎来到第三章。上一章我们聊了白平衡，把色温拉正了。但你会发现，白平衡后的图像颜色还是“不对”。比如红色偏品、绿色偏黄。为什么？因为 sensor 的响应曲线和人眼不一样。这时候，就需要色彩校正矩阵（CCM）登场了。
说白了，CCM 就是一组 3x3 的系数，把相机拍到的 RGB 值，映射到人眼感知的“真实”RGB 值。我刚开始做 ISP 时，总觉得这步是玄学，直到亲手调过几轮，才发现它其实是数学。
核心公式：
[R'] [a11 a12 a13] [R]
[G'] = [a21 a22 a23] * [G]
[B'] [a31 a32 a33] [B]其中 R'G'B' 是校正后的颜色，RGB 是白平衡后的输入，a11~a33 就是我们要找的 9 个系数。
CCM 原理：为什么是 3x3？
你想想看，每个像素的 R、G、B 三个通道，理论上会互相串扰。比如 sensor 的红色通道里，可能混入了少量绿色和蓝色信息。CCM 就是通过线性组合，把这些串扰“解耦”掉。
我在项目中遇到过一种情况：用某款 sensor 拍蓝天，白平衡后天空发紫。排查了半天，发现是 sensor 的蓝色通道对近红外太敏感。最后靠 CCM 里的负系数，硬是把多余的红色分量减掉了。嗯，这里要注意：CCM 系数可以是负数，但最终输出不能为负，否则会截断。
多项式回归：从数据中学习
那这 9 个系数怎么来？靠猜？当然不是。我们用多项式回归，说白了就是“用数据说话”。
具体做法：
- 拍一张标准色卡（比如 X-Rite ColorChecker）
- 记录每个色块的 sensor 输出 RGB 值
- 查表得到每个色块的标准 sRGB 值
- 建立方程组，求解最优的 9 个系数
我习惯用 24 色卡，但实际只取其中 18 个非灰阶色块。为什么？因为灰阶主要用来调白平衡，对 CCM 贡献不大，反而会拉偏彩色区域的精度。
最小二乘法求解：数学之美
方程组通常是超定的（色块数 > 9），所以没有精确解。我们用最小二乘法，让校正后的颜色与标准颜色的误差平方和最小。
数学上，就是解这个正规方程：
X = (A^T * A)^(-1) * A^T * B其中 A 是 sensor 输出矩阵（Nx3），B 是标准值矩阵（Nx3），X 就是我们要的 3x3 CCM。
代码实现其实很简单，我用 Python 写过：
import numpy as np
def solve_ccm(sensor_rgb, target_rgb):
# sensor_rgb: (N, 3) 矩阵
# target_rgb: (N, 3) 矩阵
A = np.hstack([sensor_rgb, np.ones((sensor_rgb.shape[0], 1))])
# 这里我加了一列偏置项，处理 sensor 的黑电平偏移
X, _, _, _ = np.linalg.lstsq(A, target_rgb, rcond=None)
return X[:3, :] # 返回 3x3 矩阵我的小技巧： 求解前一定要做数据归一化。把 sensor 输出和标准值都归一化到 [0,1] 区间，否则大数值通道会主导误差，导致小数值通道（比如蓝色）精度很差。
肤色保护策略：别把脸调成“鬼”
这是 CCM 里最头疼的部分。你按色卡调出来的 CCM，在大部分场景下表现不错。但一到人像，肤色可能偏黄、偏绿，甚至偏紫。为什么？因为色卡的颜色分布太均匀了，而真实世界的肤色，恰好落在 CCM 误差较大的区域。
我曾经吃过这个亏。第一次调 CCM，对着色卡调了三天，误差降到 1% 以内。结果拿去拍人，人脸像得了黄疸。后来才明白：最小二乘法追求的是“全局误差最小”，但人眼对肤色极其敏感，哪怕 2% 的色差，看起来都像生病了。
解决方案有两种：
- 加权最小二乘法： 给肤色区域更高的权重。比如把肤色色块的权重设为 10，其他色块设为 1。这样求解时，肤色区域的误差会被优先降低。
- 后处理约束： 在 CCM 之后，单独对肤色区域做一次微调。比如检测到肤色像素后，往红色方向拉一点，降低黄色分量。
我个人的习惯是两者结合。先用加权法得到一个基础 CCM，再在肤色区域做 5% 以内的微调。注意，微调幅度不能太大，否则会破坏其他颜色的准确性。
避坑指南： 我曾经试过用神经网络直接预测 CCM，效果反而不好。因为神经网络会学到训练集里的噪声，导致泛化能力差。最小二乘法虽然“笨”，但稳定可靠，适合量产。
CCM 的评估指标
调完 CCM 怎么判断好坏？我一般看三个指标：
| 指标 | 含义 | 我的经验值 |
|---|---|---|
| ΔE (CIE Lab) | 色差，越小越好 | 平均 ΔE < 3，最大 ΔE < 8 |
| 肤色 ΔE | 单独看肤色区域 | 平均 ΔE < 2 |
| 饱和度偏差 | 颜色是否过艳或过淡 | 偏差 < 10% |
你想想看，如果平均 ΔE 只有 2，但肤色 ΔE 到了 5，那这组 CCM 还是不能用。所以评估时一定要分区域看。
CCM 的局限性
最后说一句大实话：CCM 是线性模型，它假设 sensor 的响应是线性的。但现实世界是非线性的。比如高光区域容易过曝，暗部区域噪声大，CCM 在这些区域的表现会变差。
我遇到过最极端的情况：用同一组 CCM，室内灯光下肤色正常，一到户外阳光下，人脸直接变成“关公”。后来发现是 sensor 在高光区的响应曲线发生了弯曲，线性 CCM 无法补偿。解决方案是分段 CCM：根据亮度不同，使用不同的系数矩阵。
嗯，这个我们后面章节会详细讲。今天先到这里，大家回去可以试试用 Python 跑一下最小二乘法，看看你手上的色卡数据能算出什么样的 CCM。