第四章 AWB核心算法原理：灰度世界法、完美反射法、色温估计法
各位同学，欢迎来到自动白平衡的核心章节。
说实话，AWB算法市面上有几十种变体。但万变不离其宗，绝大多数商业方案，底层都离不开今天要讲的三个老祖宗：灰度世界法、完美反射法、色温估计法。我自己刚入行时，也是从这三个算法开始啃起的。嗯，今天咱们就把它们彻底吃透。
4.1 灰度世界法（Gray World）
这个算法的假设很简单：一张色彩丰富的自然图像，所有像素的R、G、B平均值应该趋于相等，即呈现灰色。
你想想看，如果画面整体偏蓝，那蓝色通道的平均值肯定比红色和绿色高。我们只要算出各通道的增益，把偏高的压下来，偏低的拉上去，白平衡就校正了。
4.1.1 数学原理
假设输入图像为 I，尺寸为 M×N。我们计算三个通道的均值：
R_avg = mean(I(:,:,1))
G_avg = mean(I(:,:,2))
B_avg = mean(I(:,:,3))然后计算各通道的增益：
K_r = G_avg / R_avg
K_g = 1.0 // 绿色通道通常作为参考
K_b = G_avg / B_avg最后应用增益：
I_corrected(:,:,1) = I(:,:,1) * K_r
I_corrected(:,:,2) = I(:,:,2) * K_g
I_corrected(:,:,3) = I(:,:,3) * K_b核心要点：灰度世界法计算量极小，适合硬件实现。但它的致命伤是——如果场景本身就不是「灰度世界」呢？比如一片蓝天、一片绿草地，算法就会误判。
我的经验：我在项目中遇到过，用灰度世界法处理日落场景，结果把暖色调全拉成了冷白色，画面完全失去了氛围感。后来我加了一个「场景分类器」，检测到单色场景时自动降低灰度世界法的权重。
4.1.2 改进策略
纯灰度世界法太「耿直」了。实际工程中，我们通常会做两点改进：
- 剔除过亮过暗像素：把亮度最高的5%和最低的5%像素排除掉，避免高光或暗部噪声干扰均值计算。
- 动态阈值裁剪：只保留色度在某个范围内的像素参与计算。比如只选那些「看起来像灰色」的像素。
避坑指南：我曾经在调试一款手机摄像头时，发现灰度世界法在室内灯光下效果很好，一到户外就偏色严重。排查了半天，原来是镜头上的微尘导致局部偏色，影响了全局均值。所以，输入图像的质量直接影响算法效果，预处理不能省。
4.2 完美反射法（White Patch）
完美反射法的思路和灰度世界法正好相反。它认为：图像中最亮的那个像素点，应该是纯白色的。如果它偏色了，那整个画面肯定也偏了。
说白了，就是找画面里最亮的那块「补丁」，把它校正成白色，然后按这个比例去校正全图。
4.2.1 算法流程
1. 找到图像中亮度最大的像素点（R_max, G_max, B_max）
2. 计算各通道增益：
K_r = G_max / R_max
K_g = 1.0
K_b = G_max / B_max
3. 应用增益到全图等等，这里有个问题——如果最亮的像素是车灯、是太阳、是镜面高光呢？这些本身就不是白色，强行校正会出大问题。
关键改进：实际工程中，我们不会只取「最亮的一个点」，而是取亮度前0.1%的像素集合，然后取它们的平均RGB值作为参考白点。这样能有效避免单个噪声点的干扰。
4.2.2 灰度世界 vs 完美反射
| 对比项 | 灰度世界法 | 完美反射法 |
|---|---|---|
| 假设基础 | 图像均值呈灰色 | 最亮像素呈白色 |
| 适用场景 | 色彩丰富的自然场景 | 有明确白色参考的场景 |
| 弱点 | 单色场景失效 | 高光区域误判 |
| 计算量 | 极低 | 低 |
我的习惯：在ISP流水线中，我通常把灰度世界法和完美反射法做加权融合。比如，场景色彩丰富时灰度世界法权重高，场景中有明显高光区域时完美反射法权重高。这个权重怎么调？嗯，靠大量数据标定。
4.3 色温估计法（Color Temperature Estimation）
前面两种方法都是「事后补救」——看到偏色了再校正。色温估计法更聪明，它直接去估计光源的色温，然后查表找到对应的校正参数。
为什么这么做？因为不同色温的光源，在RGB空间中有固定的轨迹。比如：
- 低色温（2000K-3000K）：偏红黄色，像蜡烛、白炽灯
- 中色温（4000K-5000K）：偏中性，像日光灯、阴天
- 高色温（6000K-8000K）：偏蓝色，像晴天阴影、蓝天
4.3.1 色温估计的核心步骤
1. 从图像中提取色度特征（如 R/G, B/G 比值）
2. 将特征映射到色温曲线（普朗克轨迹）
3. 找到最匹配的色温值
4. 根据色温查表得到 R、B 增益
5. 应用增益校正全图关键点：色温估计法的精度，完全取决于色温曲线的标定质量。我见过一些方案，标定时只用了几种标准光源（D65、A光源、TL84），结果实际场景中遇到LED灯、节能灯就完全跑偏了。
4.3.2 实战中的色温曲线标定
我个人建议，标定时至少要覆盖以下光源：
- 标准光源：D65（6500K）、A光源（2856K）、TL84（4000K）
- 常见光源：冷白LED（5000K）、暖白LED（3000K）、荧光灯（4200K）
- 极端光源：蜡烛光（1800K）、蓝天阴影（7500K）
避坑指南：我曾经在调试一款安防摄像头时，发现色温估计法在室内混合光源下（一半日光灯、一半窗边自然光）完全失效。因为画面中同时存在两种色温，算法不知道该听谁的。后来我引入了多区域色温估计，把画面分成9宫格，每个格子独立估计色温，再根据置信度做融合。效果好了很多。
4.4 三种算法的融合策略
讲到这里，你应该明白了——没有一种算法是万能的。实际产品中，我们通常做的是多算法融合。
我常用的融合框架是这样的：
1. 先用色温估计法，得到初步的色温和增益
2. 用灰度世界法计算全局统计量，验证色温估计的合理性
3. 用完美反射法检测高光区域，修正局部偏差
4. 根据场景置信度，加权融合三个结果
5. 最后做时域滤波，防止增益突变导致闪烁我的经验：这个融合框架我用了好几年，在手机、安防、车载项目上都验证过。核心就一句话——不要迷信任何一个算法，让数据说话。每个算法都有自己的「舒适区」，我们要做的就是把它们组合起来，取长补短。
4.5 本章小结
今天咱们聊了AWB的三个核心算法：
- 灰度世界法：简单粗暴，适合色彩丰富的场景
- 完美反射法：找最亮点，适合有白色参考的场景
- 色温估计法：直接猜光源，精度高但依赖标定
下一章，我会带大家深入AWB的工程实现细节，包括如何做场景分类、如何做时域平滑、如何与AE/AF联动。嗯，到时候见。
课后思考：如果让你设计一个AWB算法，你会优先选择哪种方法？为什么？欢迎在评论区和我讨论。