白平衡基础：色温、色调与人眼视觉恒常性
各位同学，咱们今天正式开讲白平衡。说实话，白平衡这玩意儿，在ISP（图像信号处理）流水线里看着不起眼，但你要是调不好，整张图就废了。我当年刚入行时，就吃过这个亏——给一家手机厂商做调试，白天效果还行，一到黄昏室内，人脸直接变成“阿凡达”。嗯，从那以后，我再也不敢小看白平衡了。
1.1 色温与色调：光也是有“性格”的
先说说色温。你想想看，为什么正午的阳光是偏白的，而烛光却是偏黄的？这背后其实是黑体辐射的物理规律。色温的单位是开尔文（K），数值越低，光越偏红黄；数值越高，光越偏蓝。
| 光源类型 | 典型色温（K） | 视觉感受 |
|---|---|---|
| 烛光 | 1500 - 2000 | 温暖、昏黄 |
| 白炽灯 | 2500 - 3000 | 暖白 |
| 日光灯 | 4000 - 5000 | 中性白 |
| 正午阳光 | 5000 - 5500 | 标准白 |
| 阴天 | 6000 - 7000 | 偏冷、偏蓝 |
| 蓝天阴影 | 8000 - 10000 | 冷冽、偏蓝紫 |
色调呢？它和色温是两码事。色调是沿着红-绿-蓝-黄这个色环走的偏移量。我习惯把色温理解为“暖到冷”的一维轴，而色调是“绿到品红”的另一维轴。两者合在一起，才能完整描述一张图的颜色偏差。
核心要点：色温是黑体辐射的物理量，色调是色环上的偏移。白平衡要同时校正这两个维度。
1.2 人眼视觉恒常性：为什么我们看白纸永远是白的？
这个问题很有意思。你拿一张白纸，在烛光下看，它还是白的；在日光灯下看，它也是白的。但相机拍出来呢？烛光下偏黄，日光灯下偏蓝。为什么会这样？
人眼有强大的色彩恒常性机制。说白了，大脑会自动“扣除”环境光的颜色，还原物体本身的颜色。我做过一个实验：在实验室里用不同色温的光照射同一张白卡纸，人眼始终觉得它是白的，但相机拍出来的RAW图，RGB值差异巨大。
相机没有大脑。它只能老老实实地记录光线的物理值。所以我们需要白平衡算法，来模拟人眼的这种“自动扣除”能力。
我的经验：在调试白平衡时，别完全相信人眼在现场的判断。因为人眼会自适应，你看着“正常”的画面，拍出来可能偏色严重。我建议用色卡或灰卡做客观标定。
1.3 白平衡在ISP流程中的位置
咱们来看看白平衡在整个ISP流水线里到底站在哪。我画了一张流程图，帮你理清这个位置关系。
从这张图你能看到，白平衡增益模块紧跟在黑电平校正之后。为什么放在这里？我个人理解是：黑电平校正先把传感器的暗电流噪声去掉，然后白平衡再对每个通道做增益补偿。如果顺序反了，黑电平的偏移会被白平衡增益放大，那画面暗部就会偏色得一塌糊涂。
避坑指南：我曾经在一个项目中，把白平衡放在了去马赛克之后。结果呢？边缘伪色严重，而且色彩校正矩阵（CCM）的参数怎么调都不对。后来才发现，白平衡必须在 RAW 域做，因为去马赛克会引入插值误差，这时候再调白平衡，误差会被放大。
1.4 白平衡的数学本质
说白了，白平衡就是给每个像素的 R、G、B 通道乘上不同的增益系数。公式很简单：
R_out = R_in * gain_R
G_out = G_in * gain_G
B_out = B_in * gain_B但难点在于：这三个增益怎么算？如果场景中有白色物体（比如灰卡），那直接让 R_out = G_out = B_out 就行。但大多数场景里没有灰卡，所以算法得“猜”——猜当前场景的色温，然后查表得到增益。
我常用的方法是：先统计整张图的 R/G 和 B/G 比值，然后映射到色温曲线上。这个映射关系，每个 sensor 都不一样，需要做标定。
关键公式：白平衡的核心是找到正确的 R/G 和 B/G 比值，使得白色物体在图像中呈现为 R=G=B。
1.5 色温估计的两种思路
实际工程中，色温估计主要有两条路：
- 基于统计的方法：比如灰度世界法、完美反射法。假设场景中所有颜色的平均值是灰色，或者假设最亮的像素是白色。优点是计算快，缺点是在大面积单色场景下会翻车。
- 基于学习的方法：用 CNN 或 Transformer 直接回归色温值。我最近在项目中试了轻量级网络，效果确实比传统方法好，但功耗和延迟是个问题。
我个人习惯是：在移动端用统计方法做粗调，再用一个小网络做微调。这样既保证了实时性，又提升了准确率。
小技巧：如果你用灰度世界法，记得先剔除过暗和过亮的像素。否则，暗部的噪声和亮部的过曝会严重拉偏统计结果。
1.6 本章小结
好了，这一章的内容就这些。咱们把白平衡的基础打牢了：色温是物理量，色调是偏移量，人眼有恒常性但相机没有，白平衡在 ISP 中处于 RAW 域的关键位置。下一章，我会带你手撕白平衡算法的代码实现，从最简单的灰度世界法开始。
嗯，今天就到这里。有问题随时在群里问我。