4. 白平衡（AWB）：灰度世界法、完美反射法、色温估计、增益计算
白平衡这东西，说白了就是让白色物体在照片里看起来是白的。你想想看，人眼有很强的色彩恒常性，不管在钨丝灯下还是阴天，看白纸都是白的。但传感器没这个本事，它老老实实地记录光谱能量分布，结果就是——偏色。
我在项目里遇到过最头疼的一次，是某款手机在商场暖色灯光下拍人像，人脸直接变成了「黄脸婆」。用户投诉一大堆。后来查出来，就是 AWB 在混合光源场景下崩了。所以这一章，咱们把 AWB 的几板斧彻底讲透。
4.1 灰度世界法（Gray World）
这是最经典的假设：一幅色彩丰富的图像，其 R、G、B 三个通道的平均值应该趋于相等。换句话说，整个场景的「平均颜色」是灰色的。
算法步骤很简单：
- 计算全图 R、G、B 各自的均值：
R_avg、G_avg、B_avg - 计算灰色参考值：
Gray = (R_avg + G_avg + B_avg) / 3 - 计算各通道增益：
R_gain = Gray / R_avg，G_gain = Gray / G_avg，B_gain = Gray / B_avg - 对每个像素应用增益：
R_out = R_in * R_gain，以此类推
关键点：灰度世界法对场景内容非常敏感。如果画面里有一大片蓝色天空或绿色草地，均值就会严重偏离灰色，导致校正过度。
我曾经在一个户外监控项目里用过它。晴天效果还行，一到阴天或者黄昏，画面就偏得离谱。后来我加了一个「场景内容检测」——如果某个通道的方差明显偏小，说明该颜色占主导，就降低它的权重。嗯，算是打了个补丁。
4.2 完美反射法（Perfect Reflector / White Patch）
这个方法的思路是：图像中最亮的像素点，应该对应场景中的白色反射面。所以只要找到这些「最亮点」，用它们的颜色来估计光源色温。
具体做法：
- 遍历所有像素，计算每个像素的亮度（比如
Y = 0.299*R + 0.587*G + 0.114*B） - 选出亮度最高的前 1%~5% 的像素
- 计算这些像素的 R、G、B 均值：
R_max、G_max、B_max - 增益计算：
R_gain = 255 / R_max，G_gain = 255 / G_max，B_gain = 255 / B_max
注意：如果场景里根本没有白色物体（比如夜景、暗光环境），完美反射法会直接失效。它会错误地把噪点或高光溢出点当作白色参考，结果就是画面偏紫或偏绿。
我个人习惯把灰度世界法和完美反射法结合起来用。怎么结合？看场景。如果画面整体偏暗，我倾向于用完美反射法；如果画面色彩丰富且均匀，灰度世界法更稳。但大多数时候，我会取两者的加权平均——权重根据场景统计信息动态调整。
4.3 色温估计
色温估计是 AWB 的核心。它要回答一个问题：当前场景的光源色温是多少？
常用的方法有两种：
| 方法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 基于色温曲线 | 在 R/G 和 B/G 色度空间上，预标定不同色温下的白点轨迹 | 物理意义明确，实现简单 | 需要提前标定，对混合光源不友好 |
| 基于学习的方法 | 用大量标定数据训练一个回归模型，输入图像统计特征，输出色温 | 适应性强，能处理复杂场景 | 计算量大，需要维护数据集 |
在实际工程中，我更喜欢用色温曲线法。为什么？因为它可解释性强，出了问题能快速定位。我曾经在调试一款安防相机时，发现它在荧光灯下总是偏绿。查了半天，原来是标定用的色温曲线在 4000K 附近有个拐点没处理好。重新标定后，问题就解决了。
色温估计的流程大致如下：
- 将图像从 RGB 转换到 R/G、B/G 色度空间
- 剔除过暗、过亮、饱和度太高的像素（这些点不靠谱）
- 在色温曲线上寻找与当前色度点最接近的色温值
- 如果找不到单一色温（比如混合光源），就取多个候选色温的加权平均
小技巧：在剔除异常像素时，我一般用「亮度范围 + 饱和度阈值」双重过滤。亮度太低的像素噪声大，亮度太高的可能已经饱和了。饱和度太高的像素（比如纯红、纯绿）对色温估计没有贡献，反而会引入偏差。
4.4 增益计算
色温估计出来之后，下一步就是计算增益。增益计算的本质是：把当前色温下的白点，映射到标准光源（D65，6500K）下的白点。
假设我们估计出的色温是 T，对应的白点在 R/G-B/G 空间中的坐标为 (rg_T, bg_T)。标准 D65 的白点坐标为 (rg_D65, bg_D65)。那么增益就是：
R_gain = rg_D65 / rg_T
G_gain = 1.0 // 通常固定 G 通道，调整 R 和 B
B_gain = bg_D65 / bg_T但这里有个坑：增益不能无限大。如果色温极低（比如 2000K 的烛光），B 通道的增益可能会超过 4.0。这么大的增益会放大 B 通道的噪声，导致暗部出现彩色噪点。
我一般会做两件事：
- 增益限幅：把 R 和 B 的增益限制在 [0.5, 3.0] 范围内
- 增益平滑：帧与帧之间的增益变化不能太剧烈，否则画面会闪烁。我会用一阶低通滤波做平滑
下面这张图展示了 AWB 的整体流程：
4.5 实战中的避坑指南
做了这么多年 ISP，AWB 的坑我踩过不少。挑几个典型的说说：
- 场景切换时的色温跳变：从室内走到室外，色温从 3000K 跳到 6000K。如果增益直接跳变，画面会「闪」一下。我的做法是：检测到色温变化超过阈值时，用多帧渐进过渡，每帧只调整 10%~20%。
- 人脸偏色问题：很多人脸在暖光下会偏黄。用户对肤色非常敏感。我一般会加一个人脸检测模块，如果检测到人脸，就用人脸区域的色温估计结果来主导全局 AWB。效果立竿见影。
- 低照度场景：暗光下信噪比低，统计信息不可靠。这时候我倾向于「保守策略」——增益变化幅度减小，甚至固定在一个中间色温（比如 5000K），等光照条件改善后再恢复自适应。
总结一下：AWB 没有银弹。灰度世界法和完美反射法是基础，但实际工程中需要根据场景动态选择或融合。色温估计是核心，增益计算是执行。每一步都有坑，但每一步也都有对应的工程技巧。
我个人最深的体会是：不要迷信算法，要相信数据。每次遇到偏色问题，我都会先抓一帧 RAW 图，在 PC 上手动分析 R/G、B/G 分布，看看问题出在统计环节还是增益环节。定位清楚了，改起来就快了。