2. AWB自动白平衡原理：色温与色度学基础，灰度世界假设与完美反射假设，AWB算法核心思想

2.1 色温与色度学基础

自动白平衡（AWB）的核心任务是消除光源颜色对物体真实颜色的影响。理解色温与色度学是掌握AWB的前提。

2.1.1 色温（Color Temperature）

色温是描述光源光谱特性的物理量，单位为开尔文（K）。它通过将光源的颜色与理想黑体加热到一定温度时发出的颜色进行比较来定义。色温越低，光线越偏红/黄；色温越高，光线越偏蓝。

2.1.2 色度学基础与色温曲线

在色度学中，常用CIE 1931 xy色度图来表示颜色。不同色温的黑体辐射轨迹在色度图上形成一条曲线，称为“普朗克轨迹”（Planckian Locus）。AWB算法的目标就是将图像中的“白色”点校正到这条轨迹上。

2.2 灰度世界假设（Gray World Assumption, GWA）

灰度世界假设是AWB中最经典、最基础的算法假设。它认为：在一幅色彩丰富的自然图像中，所有像素颜色的平均值趋向于灰色（即R、G、B三个通道的平均值相等）。

2.2.1 数学原理

设图像中所有像素的R、G、B通道均值分别为 \(\bar{R}\)、\(\bar{G}\)、\(\bar{B}\)。根据灰度世界假设，理想情况下 \(\bar{R} = \bar{G} = \bar{B}\)。如果存在色偏，则通过计算各通道的增益系数进行校正：

// 灰度世界假设增益计算
// 输入：图像像素数据 img，宽 W，高 H
// 输出：R、G、B 三通道增益 gainR, gainG, gainB

float sumR = 0, sumG = 0, sumB = 0;
for (int y = 0; y < H; y++) {
    for (int x = 0; x < W; x++) {
        sumR += img[y][x].r;
        sumG += img[y][x].g;
        sumB += img[y][x].b;
    }
}
float meanR = sumR / (W * H);
float meanG = sumG / (W * H);
float meanB = sumB / (W * H);

// 以G通道为基准，计算增益
float gainR = meanG / meanR;
float gainG = 1.0f;          // G通道保持不变
float gainB = meanG / meanB;

// 应用增益校正
for (int y = 0; y < H; y++) {
    for (int x = 0; x < W; x++) {
        img[y][x].r = clamp(img[y][x].r * gainR, 0, 255);
        img[y][x].g = clamp(img[y][x].g * gainG, 0, 255);
        img[y][x].b = clamp(img[y][x].b * gainB, 0, 255);
    }
}

2.2.2 适用场景与局限性

2.3 完美反射假设（Perfect Reflector Assumption, PRA）

完美反射假设，又称“镜面反射假设”或“白点假设”。它认为：图像中最亮的像素点（R+G+B值最大）对应于场景中的白色或镜面反射区域，这些区域应该呈现为纯白色（R=G=B）。

2.3.1 算法流程

1. 搜索白点： 遍历图像，找到R+G+B值最大的前N%像素（通常取0.1% - 1%）。
2. 统计白点均值： 计算这些候选白点的R、G、B通道均值 \(\bar{R}_{w}\)、\(\bar{G}_{w}\)、\(\bar{B}_{w}\)。
3. 计算增益： 以G通道为基准，增益系数为 \(gainR = \bar{G}_{w} / \bar{R}_{w}\)，\(gainB = \bar{G}_{w} / \bar{B}_{w}\)。
4. 全局校正： 将增益应用于整幅图像的所有像素。

2.3.2 灰度世界 vs 完美反射

2.4 AWB算法核心思想

现代AWB算法不再依赖单一假设，而是融合多种策略，形成鲁棒的白平衡估计框架。其核心思想可概括为：“光源估计 → 增益计算 → 色彩校正” 三步闭环。

2.4.1 核心算法架构

1. 光源估计（Illuminant Estimation）：
   • 基于统计：GWA、PRA及其变体（如灰度边缘假设、色域映射法）。
   • 基于学习：使用CNN或决策树对色温/光源类型进行分类。
   • 基于传感器：利用环境光传感器（ALS）或RGB-IR传感器辅助判断。
2. 增益计算（Gain Computation）：
   • 根据估计的光源色温，查表或插值得到R、B通道的增益系数。
   • 通常G通道增益固定为1.0，R和B通道增益在0.5 ~ 2.0范围内调整。
3. 色彩校正（Color Correction）：
   • 将增益应用于RAW域或RGB域像素。
   • 结合色彩校正矩阵（CCM）进行最终的颜色还原。

2.4.2 混合策略与工程权衡

2.5 本章小结

• 色温是AWB的物理基础，决定了光源的颜色倾向；色度学提供了定量描述颜色的工具。
• 灰度世界假设和完美反射假设是两种最基础的AWB模型，各有优劣，实际工程中常融合使用。
• AWB的核心思想是“估计光源 → 计算增益 → 校正色彩”，现代算法在此基础上引入机器学习、传感器融合和时序滤波等增强手段。
• 在ISP调优中，AWB的精度不仅取决于算法本身，更依赖于标定数据和场景覆盖的完备性。