企业官网建设流程全解析

061、自动白平衡（AWB）算法详解：灰度世界、完美反射与色温估计的融合

一、一个让我失眠三天的AWB问题

2018年，某款旗舰手机在印度市场上市后，用户投诉如潮——室内暖光灯下拍出的照片偏蓝，像蒙了一层冰。我带着团队在班加罗尔蹲了整整一周，白天测室外，晚上泡在商场里。最后发现，问题出在AWB模块对混合光源的处理上：商场天花板的荧光灯（色温约4000K）和货架上的钨丝灯（约2800K）同时存在，灰度世界算法直接崩溃，把整个画面往冷色调拉。

这个案例让我意识到，教科书上那些漂亮的AWB公式，在实际场景中往往不堪一击。今天这篇笔记，我就把当年踩过的坑、补过的课，以及最终沉淀下来的融合策略，原原本本写出来。

二、灰度世界：最朴素的假设，最脆弱的防线

灰度世界算法的核心假设很简单：一张色彩丰富的照片，所有颜色的平均值应该是灰色。用数学表达就是R、G、B三个通道的均值应该相等。

// 灰度世界实现——别在生产环境直接这么写，后面会告诉你为什么voidawb_gray_world(uint16_t*r_gain,uint16_t*g_gain,uint16_t*b_gain,uint32_t*raw_buffer,intwidth,intheight){uint64_tsum_r=0,sum_g=0,sum_b=0;inttotal_pixels=width*height;// 这里踩过坑：直接遍历全图，遇到大面积纯色场景会死得很惨for(inti=0;i<total_pixels;i++){sum_r+=raw_buffer[i*3+0];sum_g+=raw_buffer[i*3+1];sum_b+=raw_buffer[i*3+2];}floatavg_r=(float)sum_r/total_pixels;floatavg_g=(float)sum_g/total_pixels;floatavg_b=(float)sum_b/total_pixels;// 以G通道为基准，计算R和B的增益*r_gain=(uint16_t)(avg_g/avg_r*256);// 别这样写！整数除法精度不够*g_gain=256;// G通道通常不做增益，或者只做微调*b_gain=(uint16_t)(avg_g/avg_b*256);}

这段代码看起来逻辑清晰，但实际调试中你会发现：当画面被大面积绿色草坪占据时，整张照片会偏紫；当画面是蓝色天空时，照片会偏黄。灰度世界假设在自然界中几乎不成立——天空、草地、海洋这些大面积单色场景，恰恰是用户最常拍摄的。

我在某安防项目中就吃过这个亏：监控摄像头对着停车场，画面里全是灰色水泥地，灰度世界算法反而把灰色调成了偏绿。后来加了饱和度检测，只有画面色彩丰富度超过阈值才启用灰度世界。

三、完美反射：寻找画面中最亮的那个点

完美反射算法的思路和灰度世界完全相反：它假设画面中最亮的区域是纯白色，通过这个参考点来校正其他颜色。

// 完美反射实现——注意看那个阈值怎么设，这里全是坑voidawb_perfect_reflector(uint16_t*r_gain,uint16_t*g_gain,uint16_t*b_gain,uint32_t*raw_buffer,intwidth,intheight){// 先找到亮度最高的像素uint32_tmax_luma=0;intmax_x=0,max_y=0;for(inty=0;y<height;y++){for(intx=0;x<width;x++){uint32_tidx=(y*width+x)*3;// 这里用简单亮度公式，实际应该用YUV转换uint32_tluma=(raw_buffer[idx]+raw_buffer[idx+1]+raw_buffer[idx+2])/3;if(luma>max_luma){max_luma=luma;max_x=x;max_y=y;}}}// 取最亮点的RGB值作为参考白点uint32_tref_r=raw_buffer[(max_y*width+max_x)*3+0];uint32_tref_g=raw_buffer[(max_y*width+max_x)*3+1];uint32_tref_b=raw_buffer[(max_y*width+max_x)*3+2];// 计算增益——这里踩过坑：如果最亮点是过曝的，参考值就废了*r_gain=(uint16_t)((float)ref_g/ref_r*256);*g_gain=256;*b_gain=(uint16_t)((float)ref_g/ref_b*256);}

这个算法的致命问题是：如果画面中最亮的点不是白色（比如红色车尾灯），整个白平衡就崩了。我在车载项目中遇到过：夜间行车，前车刹车灯亮起，完美反射算法把整个画面往青色拉，因为把红色尾灯当成了参考白点。

后来我们加了一个筛选条件：只有亮度在95%分位以上、且色度在某个范围内的像素才参与计算。这个阈值调了两个月，不同场景下表现差异巨大。

四、色温估计：从物理模型到工程妥协

色温估计是更物理的方法。黑体辐射理论告诉我们，不同温度的黑体会发出不同颜色的光。通过分析图像中R/G和B/G的比值，可以反推出光源色温。

// 色温估计——这个查表法是我从某日本传感器厂商的参考设计里扒出来的// 注意：不同sensor的光谱响应不同，这个表不能通用typedefstruct{uint16_tcolor_temp;// 色温，单位Kfloatratio_rg;// R/G比值floatratio_bg;// B/G比值}ColorTempTable;// 这里踩过坑：查表法在色温跳变时会有抖动，需要加平滑staticColorTempTable ct_table[]={{2500,1.85,0.45},// 钨丝灯{3200,1.65,0.55},// 卤素灯{4000,1.45,0.65},// 荧光灯{5000,1.25,0.80},// 日光灯{6500,1.00,1.00},// 日光（D65标准）{8000,0.85,1.20},// 阴天{10000,0.70,1.45},// 蓝天阴影};voidawb_color_temp_estimate(uint16_t*r_gain,uint16_t*g_gain,uint16_t*b_gain,floatavg_rg,floatavg_bg){// 计算当前画面的R/G和B/G比值floatcurrent_rg=avg_rg;floatcurrent_bg=avg_bg;// 在表中查找最近的色温点floatmin_dist=999.0f;intbest_idx=0;for(inti=0;i<sizeof(ct_table)/sizeof(ct_table[0]);i++){floatdist=sqrt(pow(current_rg-ct_table[i].ratio_rg,2)+pow(current_bg-ct_table[i].ratio_bg,2));if(dist<min_dist){min_dist=dist;best_idx=i;}}// 根据查到的色温计算增益——别这样写，插值比查表更平滑// 这里应该用双线性插值，但为了演示先简化*r_gain=(uint16_t)(1.0f/ct_table[best_idx].ratio_rg*256);*g_gain=256;*b_gain=(uint16_t)(1.0f/ct_table[best_idx].ratio_bg*256);}

色温估计的精度取决于两个因素：一是查表数据的准确性，二是sensor光谱响应的一致性。同一个色温下，不同sensor拍出来的R/G比值可能差20%。所以这个表必须针对具体sensor标定，不能通用。

我在某手机项目中吃过这个亏：直接用了参考设计里的色温表，结果在室内LED灯下偏色严重。后来发现，LED灯的光谱不是连续的黑体辐射，有多个峰值，色温估计完全不准。最后不得不针对LED灯单独建了一个表。

五、融合策略：三个臭皮匠，顶个诸葛亮

单一算法都有致命缺陷，但把它们融合起来，就能互相弥补。我在实际项目中用的融合策略是这样的：

// 融合AWB算法——这个版本经过了三个项目的验证，但每个项目都要调权重typedefstruct{floatgray_world_weight;// 灰度世界权重floatperfect_ref_weight;// 完美反射权重floatcolor_temp_weight;// 色温估计权重floatconfidence;// 整体置信度}AWBWeights;voidawb_fusion(uint16_t*r_gain,uint16_t*g_gain,uint16_t*b_gain,uint32_t*raw_buffer,intwidth,intheight){uint16_tr_gw,g_gw,b_gw;// 灰度世界结果uint16_tr_pr,g_pr,b_pr;// 完美反射结果uint16_tr_ct,g_ct,b_ct;// 色温估计结果// 分别计算三个算法的增益awb_gray_world(&r_gw,&g_gw,&b_gw,raw_buffer,width,height);awb_perfect_reflector(&r_pr,&g_pr,&b_pr,raw_buffer,width,height);awb_color_temp_estimate(&r_ct,&g_ct,&b_ct,calculate_avg_rg(raw_buffer,width,height),calculate_avg_bg(raw_buffer,width,height));// 计算每个算法的置信度——这里踩过坑：置信度计算比算法本身还复杂floatconf_gw=calculate_gray_world_confidence(raw_buffer,width,height);floatconf_pr=calculate_perfect_reflector_confidence(raw_buffer,width,height);floatconf_ct=calculate_color_temp_confidence(raw_buffer,width,height);// 归一化权重floattotal_conf=conf_gw+conf_pr+conf_ct;floatw_gw=conf_gw/total_conf;floatw_pr=conf_pr/total_conf;floatw_ct=conf_ct/total_conf;// 加权融合——别这样写，直接加权平均会有过冲// 应该先对增益做对数域融合，再转回线性域*r_gain=(uint16_t)(r_gw*w_gw+r_pr*w_pr+r_ct*w_ct);*g_gain=256;*b_gain=(uint16_t)(b_gw*w_gw+b_pr*w_pr+b_ct*w_ct);}

这个融合策略的关键在于置信度计算。灰度世界的置信度取决于画面色彩丰富度——如果画面中颜色种类多，灰度世界就可靠；如果画面是单色，置信度就要降低。完美反射的置信度取决于最亮区域的色度——如果最亮区域接近白色，置信度就高；如果偏色严重，置信度就低。色温估计的置信度取决于画面中是否有中性色区域——如果有灰色或白色物体，色温估计就准。

我在某车载项目中，把这三个置信度做成一个三维查表，根据场景自动切换。比如在隧道里（单一色温、低照度），色温估计权重最高；在户外风景（色彩丰富），灰度世界权重最高；在夜间城市（有大量灯光），完美反射权重最高。

六、实战中的那些坑

1. 统计区域的选择：不要用全图统计。我在手机项目中，把画面分成9宫格，只取中间5个格子，排除边缘的暗角和过曝区域。这个策略在80%的场景下有效，但遇到逆光人像时，人脸在边缘，反而被排除掉了。后来加了人脸检测，检测到人脸时，人脸区域权重提高10倍。

2. 时间平滑：AWB增益不能突变。我在某安防项目中，摄像头在室内外切换时，画面会突然变色，持续好几帧。后来加了IIR滤波器，时间常数设为0.8（即当前帧占80%，历史帧占20%），切换过程变得平滑。但注意：这个时间常数不能太大，否则在快速移动场景下会有拖影。

3. 增益限制：R和B的增益不能无限大。我在某手机项目中，在极低照度下（<1 lux），R增益被算到8倍，导致红色通道噪声爆炸。后来加了增益上限，R和B增益最大不超过4倍。同时，当增益超过2倍时，自动降低图像亮度，避免噪声放大。

4. 混合光源处理：这是AWB最难的问题。我在某商场项目中，天花板是荧光灯（4000K），柜台是射灯（3000K），画面中同时存在两种色温。单一算法无法处理，最后用了区域AWB：把画面分成多个区域，每个区域独立计算色温，然后根据区域位置做渐变过渡。这个方案计算量大了3倍，但效果确实好。

七、个人经验性建议

做了十几年AWB调试，我最大的感悟是：没有万能的算法，只有合适的场景。灰度世界、完美反射、色温估计这三个算法，就像三个工具，每个都有适用场景。关键是要知道什么时候用哪个，以及怎么组合。

如果你刚开始做AWB，我建议从灰度世界入手，因为它最简单、最容易理解。然后逐步加入完美反射和色温估计。不要一开始就搞复杂的融合策略，先把单一算法调好，再考虑融合。

另外，调试AWB最好的工具不是示波器，而是你的眼睛。我每次调试AWB，都会准备一组标准色卡（Macbeth色卡、X-Rite色卡），在不同光源下拍摄，然后对比色卡的还原度。这个习惯保持了十年，比任何自动测试工具都可靠。

最后，如果你在项目中遇到AWB问题，不要急着改算法，先搞清楚场景。是混合光源？是单色场景？是低照度？还是sensor本身的光谱响应有问题？把问题定位清楚，解决方案自然就有了。

下一篇文章，我会讲AWB和AE的联动——这两个模块在实战中经常打架，怎么让它们和谐共处，是个有意思的话题。