4. 传统 ISP Pipeline 进阶：白平衡、色彩校正矩阵、Gamma 校正、色调映射
好，咱们继续往下走。上一章我们把 ISP 的基础流程捋了一遍，从 RAW 域到 RGB 域，算是打了个底。这一章，咱们要深入进去，聊聊几个真正决定「画质」的关键模块——白平衡、色彩校正矩阵、Gamma 校正，还有色调映射。
这几个模块，说白了，就是让相机「看懂」颜色，并且把颜色「漂亮地」呈现出来。我当年刚接触 ISP 时，觉得白平衡不就是调个色温嘛，有什么难的？后来在项目里被各种偏色问题折磨得够呛，才明白这里面的水有多深。
4.1 白平衡（AWB）—— 让白色回归白色
白平衡，全称是自动白平衡（Auto White Balance, AWB）。它的目标很简单：不管光源是日光灯、白炽灯还是阴天，都要让画面中的白色物体看起来是白的。
为什么需要这个？因为不同光源的色温不同。色温低的光（比如蜡烛），偏红；色温高的光（比如阴天），偏蓝。人眼会自动适应，但 CMOS 传感器不会。它老老实实地记录下真实的光谱，结果就是——在暖色灯下拍的照片，整个画面都黄黄的。
白平衡的核心，就是估计当前光源的色温，然后对 R、G、B 三个通道分别施加增益，把「偏色」拉回来。
核心公式（简化版）：
R_out = R_in * gain_R
G_out = G_in * gain_G
B_out = B_in * gain_B其中 gain_G 通常固定为 1.0，gain_R 和 gain_B 根据色温查表或计算得到。
我个人的习惯是，在项目中优先使用「灰度世界」算法做粗调，再用「色温曲线」做精调。灰度世界假设场景中所有颜色的平均值是灰色，这个假设在很多场景下都成立，但遇到大面积单色物体（比如一片蓝天、一面红墙）时，就会翻车。
避坑指南：我曾经在一个无人机航拍项目里，用了纯灰度世界算法。结果飞机飞到一片绿色麦田上空，整个画面被算法强行拉成了紫色。后来我加了一个「置信度检测」——如果场景中某个颜色占比过高，就降低灰度世界算法的权重，改用色温估计。问题才解决。
常见的白平衡算法对比：
| 算法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 灰度世界 | 假设场景平均色为灰色 | 简单、计算快 | 大面积单色场景失效 |
| 完美反射 | 假设场景中最亮点为白色 | 对高光场景效果好 | 无高光时失效 |
| 色温估计 | 基于色温曲线查表 | 稳定、物理意义明确 | 需要标定、泛化性一般 |
| 基于学习 | 用 CNN 直接回归增益 | 鲁棒性强、适应复杂场景 | 计算量大、需要数据集 |
4.2 色彩校正矩阵（CCM）—— 把颜色「掰正」
白平衡做完之后，颜色大致对了，但还不够准。为什么？因为 CMOS 传感器的色彩滤镜（CFA）的响应曲线，和人眼视锥细胞的响应曲线不一样。说白了，传感器看到的「红色」，和人眼看到的「红色」，不是同一个红色。
色彩校正矩阵（Color Correction Matrix, CCM）就是干这个的。它是一个 3x3 的矩阵，作用是把传感器 RGB 空间转换到标准 RGB 空间（比如 sRGB 或 BT.709）。
CCM 公式：
[R_out] [a11 a12 a13] [R_in]
[G_out] = [a21 a22 a23] * [G_in]
[B_out] [a31 a32 a33] [B_in]这个矩阵怎么来的？靠标定。用相机拍一张标准色卡（比如 X-Rite ColorChecker），然后通过最小二乘法，让拍出来的颜色和标准颜色之间的误差最小。
嗯，这里要注意一点：CCM 的系数可以是负数。你想想看，为了把某个偏红的颜色拉回标准红色，可能需要从红色通道里减去一点绿色或蓝色。负系数意味着可能会产生「溢出」或「截断」的问题，这是实际工程中需要处理的细节。
我的经验：在调试 CCM 时，不要只看色卡的 ΔE 值（色差）。ΔE 很小不代表肤色好看。我一般会在标定完 CCM 后，专门拍几张不同人种的肤色照片，用肉眼确认一下。毕竟，用户最敏感的是人脸颜色，而不是色卡上的第 18 号色块。
4.3 Gamma 校正 —— 人眼不是线性器件
Gamma 校正，这个名字你可能听过很多次了。它的本质，是对图像进行非线性映射。
为什么需要非线性？两个原因：
- 人眼的亮度感知是非线性的。人眼对暗部细节更敏感，对亮部细节相对迟钝。如果直接线性存储亮度，暗部会浪费大量码字，亮部又不够用。
- 显示设备的响应也是非线性的。老式 CRT 显示器，输入电压和输出亮度之间是幂律关系，Gamma 值大约 2.2。现在的 LCD/LED 显示器，虽然物理原理不同，但为了兼容，依然沿用了 Gamma 2.2 的标准。
标准的 Gamma 校正曲线：
V_out = V_in ^ (1 / gamma)其中 gamma 通常取 2.2。也就是说，在编码端（相机），我们对图像做 1/2.2 次幂的映射；在解码端（显示器），再做 2.2 次幂的映射。两者相乘，正好是线性。
注意：Gamma 校正是在线性 RGB 空间做的。也就是说，它必须在白平衡和 CCM 之后执行。如果顺序搞反了，颜色会完全乱掉。我见过有新手把 Gamma 放在 CCM 前面，结果出来的颜色怎么调都不对——因为非线性空间下，矩阵乘法不再成立。
Gamma 校正的另一个作用，是视觉上的「对比度增强」。它把暗部拉开，把亮部压缩，让画面看起来更通透。但这也意味着，亮部的细节可能会丢失。所以，高动态范围（HDR）场景下，单纯的 Gamma 校正是不够的，需要引入色调映射。
4.4 色调映射（Tone Mapping）—— 把大动态塞进小容器
现实世界的动态范围，可以轻松超过 100dB（比如从阴影到太阳直射）。而普通的 8-bit 显示器，只有大约 48dB 的动态范围。色调映射（Tone Mapping）要解决的问题就是：如何把宽动态范围的场景，压缩到显示设备能呈现的范围内，同时保留尽可能多的细节。
色调映射算法可以分为两大类：
- 全局映射：对整幅图像使用同一个映射曲线。优点是简单、高效；缺点是局部对比度可能不足。
- 局部映射：根据像素周围的局部亮度，自适应调整映射曲线。优点是细节保留好；缺点是容易出现光晕（Halo）伪影，计算量大。
我最早接触色调映射，是在做手机 HDR 模式的时候。那时候手机 CMOS 的动态范围也就 60dB 左右，但拍逆光场景，天空一片死白，人脸一片死黑。后来用了多帧融合 + 色调映射，效果才勉强能看。
一个经典的全局色调映射函数（Reinhard 算子）：
L_out = L_in / (1 + L_in)其中 L_in 是归一化后的亮度值（0~∞），L_out 是映射后的亮度值（0~1）。这个函数能把任意大的输入值压缩到 [0, 1) 区间内。
但 Reinhard 算子有个问题：它会把整体亮度压暗。所以实际工程中，通常会先做一个「自动曝光」的预处理，把场景的平均亮度映射到中间灰，然后再做色调映射。
我个人比较喜欢用「分段映射」的思路：暗部用 Gamma 曲线提亮，亮部用对数曲线压缩，中间区域平滑过渡。这样既能保证暗部细节，又能防止高光过曝。
4.5 本章知识体系
下面这张图，把本章四个核心模块的流程和关系画出来了。你可以看到，白平衡和 CCM 负责「颜色准确性」，Gamma 和色调映射负责「亮度感知优化」。它们之间是串联关系，顺序不能乱。
这四个模块，每一个单独拿出来都可以讲一整天。但在实际项目中，它们往往是作为一个整体来调优的。你调整了 CCM，可能会影响白平衡的增益；你改了色调映射的曲线，可能会让 Gamma 校正的效果变得不明显。所以，我的建议是：先理解每个模块的物理意义，再通过实验找到它们之间的平衡点。
调试小技巧：在调试 ISP Pipeline 时，我习惯在每个模块后面都加一个「旁路开关」。这样我可以随时 bypass 某个模块，快速定位问题出在哪一步。比如，如果画面偏色，我可以先 bypass 掉 CCM，看看是不是白平衡的问题；如果 bypass 后颜色正常了，那问题就在 CCM 上。