色彩空间基础：从RGB到人眼感知的桥梁
做AWB调优这些年，我最大的体会就是——不懂色彩空间，你连白平衡的“白”是什么都说不清楚。说白了，色彩空间就是给颜色一个“身份证”，让不同设备之间能准确传递颜色信息。
今天咱们就聊聊几个最核心的色彩空间。嗯，这些概念我几乎每天都在用。
RGB与sRGB：最熟悉的陌生人
RGB大家都懂，红绿蓝三通道嘛。但你知道吗？RGB其实不是一个标准化的色彩空间。它只是一个“加法混色”的模型。真正要定义颜色，还得指定三原色的具体波长、白点位置、Gamma曲线等等。
举个例子。你显示器上的RGB和相机传感器上的RGB，根本就不是一回事。我在项目中遇到过这种情况：同一张RAW图，在不同软件里打开颜色完全不一样。原因就是它们用了不同的RGB定义。
sRGB就是来解决这个问题的。它由微软和惠普在1996年联合推出，定义了标准的RGB色彩空间。现在几乎所有互联网图片、显示器、打印机都默认用sRGB。
sRGB的几个关键参数：
- 白点：D65（色温6500K）
- Gamma：近似2.2
- 三原色色度坐标：R(0.6400, 0.3300)、G(0.3000, 0.6000)、B(0.1500, 0.0600)
我个人习惯，在做AWB算法时，先把所有颜色统一转到sRGB空间再处理。这样至少保证“起点”是一致的。
CIE 1931 XYZ：色彩世界的“绝对坐标系”
RGB有个硬伤——它依赖于设备。那有没有一种“绝对”的色彩空间？有，就是CIE 1931 XYZ。
1931年，国际照明委员会（CIE）搞了一次大规模的人眼颜色匹配实验。他们让受试者调整红绿蓝三原色的强度，去匹配单色光。结果发现，有些颜色用正值的RGB是配不出来的，必须引入“负值”的红色。
这太反人类了。于是他们做了个数学变换，把RGB转换成了XYZ三个虚拟的“基色”。XYZ的好处是：所有可见光的颜色都能用正值的XYZ表示。
我的经验：在ISP pipeline里，我经常把sRGB转成XYZ再做白平衡增益计算。因为XYZ的Y分量直接对应亮度，处理起来更干净。我曾经踩过一个坑——直接在RGB空间做白平衡，结果高饱和区域出现了色偏。后来转到XYZ空间处理，问题就解决了。
RGB到XYZ的转换矩阵（D65白点，sRGB）：
| X | | 0.4124564 0.3575761 0.1804375 | | R |
| Y | = | 0.2126729 0.7151522 0.0721750 | | G |
| Z | | 0.0193339 0.1191920 0.9503041 | | B |CIE Lab与Luv：让“距离”代表“差异”
XYZ虽然绝对，但它有个问题——人眼对颜色的感知不是线性的。你想想看，在XYZ空间里，两个点之间的欧氏距离，并不代表人眼感觉到的颜色差异大小。
这就尴尬了。做AWB调优时，我们需要量化“这个颜色偏了多少”。如果度量标准不准，调优就是瞎调。
于是CIE Lab和Luv诞生了。它们都是“感知均匀”的色彩空间。
- CIE Lab：L代表亮度，a代表红绿轴，b代表黄蓝轴。Lab空间里，两个颜色之间的欧氏距离，大致等于人眼感知的色差。
- CIE Luv：同样感知均匀，但更适用于加色混合（比如显示器）。Luv的u、v轴与色度图更接近。
注意：Lab和Luv都是从XYZ转换来的，不是直接从RGB转的。所以流程是：RGB → XYZ → Lab/Luv。我曾经见过有人直接把RGB转Lab，结果颜色完全乱套了。
Lab转XYZ的公式（部分）：
// 假设 L* 在 [0, 100], a*, b* 在 [-128, 127]
// 先计算 f(Y/Yn)
fy = (L* + 16) / 116
fx = a* / 500 + fy
fz = fy - b* / 200
// 然后反推 X, Y, Z
Y = Yn * (fy^3) // 如果 fy > 0.008856
X = Xn * (fx^3)
Z = Zn * (fz^3)色度图与普朗克轨迹：AWB的“地图”
好了，现在有了各种色彩空间，我们怎么用它们做AWB？
色度图（Chromaticity Diagram）就是把XYZ的亮度信息去掉，只看色度。常用的有CIE xy色度图。x和y由XYZ计算得来：
x = X / (X + Y + Z)
y = Y / (X + Y + Z)
z = 1 - x - y在xy色度图上，所有可见光颜色都落在“马蹄形”区域内。这个马蹄形的边界就是单色光（光谱色）。
普朗克轨迹（Planckian Locus）是色度图上的一条曲线。它代表了不同色温下黑体辐射的颜色。从低色温的橙红色（2000K），到中性白（5500K），再到高色温的蓝色（10000K）。
AWB的核心思想：找到图像中“应该是白色”的区域，计算它的色度坐标，然后沿着普朗克轨迹找到对应的色温，最后做增益补偿。
我在项目中常用的做法是：
- 把图像转到XYZ空间
- 计算每个像素的xy色度
- 在色度图上找到离普朗克轨迹最近的点
- 根据偏移量计算R、B增益
嗯，这里要注意：实际场景中的光源不一定正好落在普朗克轨迹上。比如荧光灯、LED灯，它们的色度点往往偏离轨迹。这时候就需要更复杂的算法了。
知识体系总览
下面这张图是我自己整理的色彩空间关系图，帮你理清思路：
从这张图你可以看到，整个色彩链路是从传感器RAW数据开始的。先转到RGB/sRGB做标准化，再转到XYZ做绝对度量，最后根据需求转到Lab或Luv做感知分析。而色度图和普朗克轨迹，则是我们做AWB时的“导航工具”。
避坑指南：我曾经在调一款手机摄像头时，发现AWB在室内荧光灯下总是偏绿。查了两天才发现，问题出在色度图上的荧光灯位置偏离普朗克轨迹太远，而我的算法只考虑了轨迹上的点。后来我加了一个“偏离补偿”模块，问题就解决了。
好了，色彩空间的基础就聊到这儿。记住一句话：没有正确的色彩空间，就没有正确的白平衡。下一节我们会深入AWB的具体算法实现，到时候这些色彩空间知识都会用上。
公众号:蓝海资料掘金营，微信deep3321