3. AWB基础原理：色温与白平衡、色度空间、灰世界假设与色温估计

自动白平衡（AWB）是Camera ISP Pipeline中决定色彩还原准确性的核心模块。本章从物理色温出发，逐步拆解AWB的数学基础、色彩空间变换、核心假设以及工程化估计方法，为后续高通平台AWB调试打下理论基础。

3.1 色温与白平衡的物理本质

色温（Color Temperature）并非描述物体的“温度”，而是描述光源光谱分布的一个度量。它基于黑体辐射理论：当黑体被加热到不同温度时，会发出不同颜色的光。单位是开尔文（K）。

白平衡的本质是：当场景光源色温偏离标准日光（D65，约6500K）时，通过数字增益分别调整R、G、B通道的强度，使得原本白色的物体在图像中仍然呈现为白色。数学上，白平衡校正可以表示为：

R_out = R_in * R_gain
G_out = G_in * G_gain
B_out = B_in * B_gain

其中，R_gain、G_gain、B_gain 是AWB算法计算出的校正增益。

3.2 色度空间：RGB与YCbCr

AWB算法并不直接在原始RGB空间中进行色温估计，而是将图像转换到更利于分离亮度与色度的色彩空间。最常用的是YCbCr空间。

3.2.1 RGB到YCbCr的线性变换

YCbCr空间将亮度信息（Y）与色度信息（Cb, Cr）分离。标准转换公式（基于BT.601标准）如下：

Y  =  0.299 * R + 0.587 * G + 0.114 * B
Cb = -0.169 * R - 0.331 * G + 0.500 * B + 128
Cr =  0.500 * R - 0.419 * G - 0.081 * B + 128

在AWB中，我们主要利用 Cb 和 Cr 分量。因为对于理想的白点（R=G=B），Cb和Cr的值均为128（中性灰）。任何偏离128的Cb/Cr值，都代表了色偏的方向和程度。

3.2.2 色度空间在AWB中的作用

3.3 灰世界假设（Gray World Assumption）

灰世界假设是AWB算法中最经典、最基础的统计模型。其核心思想是：

对于一幅色彩丰富的自然图像，所有像素在RGB三个通道上的平均值趋于相等，即平均色为灰色。

数学表达为：

R_avg = G_avg = B_avg

如果图像存在色偏，则说明光源非中性，需要调整增益使得上述等式成立：

R_gain = G_avg / R_avg
B_gain = G_avg / B_avg

3.3.1 灰世界假设的局限性

3.4 色温估计方法

色温估计是AWB算法的核心步骤。它决定了当前场景的光源类型，从而查表或计算得到对应的白平衡增益。以下是三种主流方法：

3.4.1 基于色温曲线的统计法

这是高通平台最常用的方法。预先在实验室标定不同色温光源下（如D65、A光源、TL84等）的R/G和B/G比值，形成一条“色温曲线”（也称为Planckian Locus）。

算法流程：

1. 灰点筛选： 在YCbCr空间中，筛选出亮度适中（Y不饱和）、色度接近中性（Cb/Cr在阈值范围内）的像素。
2. 统计平均： 计算筛选出的灰点的平均R/G和B/G比值。
3. 曲线匹配： 将统计得到的(R/G, B/G)点与标定的色温曲线进行距离匹配，找到最近的色温点。
4. 增益插值： 根据匹配到的色温，插值得到最终的R_gain和B_gain。

3.4.2 基于完美反射假设（White Patch）

该假设认为图像中最亮的像素点（R+G+B值最大）代表了场景中的白色参考点。算法流程：

• 找到图像中亮度最高的前1%~5%的像素。
• 计算这些像素的R、G、B平均值。
• 以这些平均值为白点参考，计算增益。

3.4.3 基于色度直方图的聚类法

这是一种更先进的统计方法，不依赖单一假设。算法在Cb-Cr二维平面上构建直方图，寻找色度分布的主要聚类中心。如果聚类中心偏离中性点（Cb=128, Cr=128），则说明存在色偏。该方法对大面积单色场景有更好的鲁棒性，但计算量较大，通常用于高端平台的辅助决策。