经典算法：灰度世界与完美反射

这一章，我们来聊聊白平衡领域里两个最经典的算法——灰度世界和完美反射。说实话，这两个算法虽然“年纪”不小了，但直到今天，很多工业级ISP流水线里依然能看到它们的身影。我个人习惯把它们比作“白平衡界的倚天剑和屠龙刀”，各有各的绝活，也各有各的脾气。

灰度世界算法（Gray World）

灰度世界算法的核心思想，说白了就一句话：一张色彩丰富的照片，所有像素颜色的平均值应该是灰色的。你想想看，如果一张图整体偏蓝，那它的RGB平均值肯定也是偏蓝的。我们只要算出这个偏差，然后反向拉回来就行了。

算法原理

假设我们有一张图像，其R、G、B三个通道的平均值分别为 R_avg、G_avg、B_avg。灰度世界认为，这个平均值应该等于一个“灰色值” K。通常K取三个通道平均值的均值，或者取最大通道值的一半。

然后，我们为每个通道计算一个增益系数：

Kr = K / R_avg
Kg = K / G_avg
Kb = K / B_avg

最后，用这些系数去乘每个像素的对应通道值，就完成了白平衡校正。

代码实现（Python + OpenCV）

下面是我在实际项目中常用的实现方式。注意，我习惯用浮点数运算来避免精度损失。

import cv2
import numpy as np

def gray_world_balance(img):
    """
    灰度世界白平衡
    :param img: BGR图像
    :return: 校正后的BGR图像
    """
    # 计算每个通道的平均值
    b_avg = np.mean(img[:, :, 0])
    g_avg = np.mean(img[:, :, 1])
    r_avg = np.mean(img[:, :, 2])

    # 计算灰色值K（这里取三个通道的均值）
    k = (b_avg + g_avg + r_avg) / 3

    # 计算增益
    kb = k / b_avg
    kg = k / g_avg
    kr = k / r_avg

    # 应用增益，并做数值裁剪
    balanced = img.copy().astype(np.float32)
    balanced[:, :, 0] = np.clip(balanced[:, :, 0] * kb, 0, 255)
    balanced[:, :, 1] = np.clip(balanced[:, :, 1] * kg, 0, 255)
    balanced[:, :, 2] = np.clip(balanced[:, :, 2] * kr, 0, 255)

    return balanced.astype(np.uint8)

小技巧： 如果图像中有大面积纯色背景（比如蓝天、绿草地），灰度世界算法会失效。我曾经在一个无人机航拍项目里吃过这个亏——天空占了画面70%，结果算法把蓝天硬拉成了灰色，整个画面变得惨不忍睹。

完美反射算法（Perfect Reflector）

完美反射算法，也叫“镜面法”或“白点法”。它的思路和灰度世界完全相反——它认为图像中最亮的那个点应该是白色的。你想想，如果一张图里有一个纯白物体，那它反射的光就是光源的真实颜色。找到这个点，就能知道光源的色温了。

算法原理

算法步骤如下：

将图像从RGB转到YUV或计算每个像素的亮度值（比如取RGB最大值）。
找出亮度最高的前N%的像素（通常取1%~5%）。
计算这些“候选白点”的RGB平均值。
用这个平均值作为光源颜色估计，计算增益系数。

代码实现

def perfect_reflector_balance(img, percentile=95):
    """
    完美反射白平衡
    :param img: BGR图像
    :param percentile: 亮度百分位阈值（默认95%）
    :return: 校正后的BGR图像
    """
    # 计算每个像素的亮度（取RGB最大值）
    gray = np.max(img, axis=2).astype(np.float32)

    # 找到亮度阈值
    threshold = np.percentile(gray, percentile)

    # 生成掩码：只保留亮度高于阈值的像素
    mask = gray >= threshold

    # 如果掩码全为False，则降低阈值
    if np.sum(mask) == 0:
        mask = gray >= np.max(gray) * 0.9

    # 计算候选白点的RGB平均值
    b_avg = np.mean(img[:, :, 0][mask])
    g_avg = np.mean(img[:, :, 1][mask])
    r_avg = np.mean(img[:, :, 2][mask])

    # 计算增益（目标为255）
    kb = 255.0 / b_avg
    kg = 255.0 / g_avg
    kr = 255.0 / r_avg

    # 应用增益
    balanced = img.copy().astype(np.float32)
    balanced[:, :, 0] = np.clip(balanced[:, :, 0] * kb, 0, 255)
    balanced[:, :, 1] = np.clip(balanced[:, :, 1] * kg, 0, 255)
    balanced[:, :, 2] = np.clip(balanced[:, :, 2] * kr, 0, 255)

    return balanced.astype(np.uint8)

注意： 如果图像中根本没有白色物体（比如夜景、暗调照片），完美反射算法会出大问题。我曾经在一个室内暗光场景测试中，算法把台灯灯泡当作白点，结果整张图变得偏蓝发紫，非常诡异。

两种算法的对比分析

这两个算法各有千秋，我整理了一个对比表格，方便你快速理解：

对比维度	灰度世界算法	完美反射算法
核心假设	图像平均色为灰色	最亮像素为白色
适用场景	色彩丰富、无明显主色调	存在白色/高光区域
失效场景	大面积单色背景	无白色物体、暗光环境
计算复杂度	低（只需一次均值计算）	中等（需要排序或百分位计算）
鲁棒性	对噪声敏感	对高光噪声敏感
实现难度	简单	中等

嗯，这里我要多说一句。在实际项目中，我很少单独使用其中一个算法。更常见的做法是：先用灰度世界做粗调，再用完美反射做精调，或者根据场景自适应切换。比如在手机相机里，检测到画面中有大面积人脸时，会优先用完美反射（因为人脸高光区域接近白色）；而拍摄风景时，则更依赖灰度世界。

  我的经验： 如果你刚开始接触白平衡，我建议先从灰度世界入手。它简单、直观，而且80%的场景下效果都还不错。等你把灰度世界吃透了，再去看完美反射，会发现很多思路是相通的。

最后，我用一张流程图来总结这两个算法的核心逻辑：

从这张图可以看得很清楚：两个算法走的是完全不同的路径，但最终都殊途同归。灰度世界从全局统计出发，完美反射从局部极值出发。理解了这个本质区别，你就能根据实际场景灵活选择了。

📚 课程目录

经典算法：灰度世界与完美反射

灰度世界算法（Gray World）

算法原理

代码实现（Python + OpenCV）

完美反射算法（Perfect Reflector）

算法原理

代码实现

两种算法的对比分析