058、白平衡算法演进：从灰度世界到色温估计网络

058、白平衡算法演进从灰度世界到色温估计网络去年夏天我在调试一款车载环视系统的白平衡模块。客户反馈了一个诡异的问题车辆在傍晚经过一段林荫道时右侧摄像头拍出的画面突然偏紫左侧却正常。我盯着日志看了三个小时发现是AWB自动白平衡在局部阴影和夕阳混合光照下把树影的蓝色分量误判为色温偏移疯狂拉高红色通道——结果就是那抹诡异的紫色。这种场景灰度世界模型根本扛不住。白平衡的本质是让相机在不同光照下都能把“白色”还原成白色。听起来简单但真实世界的光照复杂到令人发指阴天的冷色温、白炽灯的暖色温、LED灯的频闪干扰、混合光源下的色温渐变……每个场景都在挑战算法的鲁棒性。下面我从最基础的假设讲起一路走到当前工业界最前沿的色温估计网络。灰度世界模型最朴素的假设灰度世界模型Gray World是所有白平衡算法的起点。它的核心假设很直白一张色彩丰富的自然图像所有像素的R、G、B通道均值应该趋于相等。如果画面偏蓝说明蓝色通道均值偏高那就把蓝色通道整体压低直到三通道均值一致。代码实现极其简单但坑也在这里。我见过不少新手直接写# 别这样写没有考虑过曝区域r_meannp.mean(img[:,:,0])g_meannp.mean(img[:,:,1])b_meannp.mean(img[:,:,2])gain_rg_mean/r_mean gain_bg_mean/b_mean这段代码在实验室标准色卡上跑得漂亮但一上真实场景就崩。为什么因为灰度世界假设天然不适用于大面积单色场景——比如一片蓝天、一片绿草地。这时候三通道均值根本不相等强行拉平会把蓝天拉成灰色。更致命的是过曝区域像素值接近255会严重拉偏均值导致增益计算完全失真。我踩过最深的坑是在安防监控场景夜晚路灯下的柏油路面大面积深色区域灰度世界模型把整个画面拉成了诡异的青灰色。后来加了一个简单的预处理——剔除最亮5%和最暗5%的像素效果立竿见影。这个技巧在工业界叫“裁剪均值”虽然粗暴但有效。完美反射模型找最亮的点灰度世界模型不行那就换个思路。完美反射模型Perfect Reflector假设场景中存在一块纯白区域这块区域应该反射所有波长的光。算法逻辑是找到图像中最亮的像素点通常是RGB最大的点认为它就是白色参考然后根据这个点的RGB值计算增益。这个模型在室内拍摄白纸时表现极好但户外场景就尴尬了——最亮的点可能是太阳本身或者金属反光。太阳的色温约5500K但金属反光可能带偏色。我调试手机拍照时遇到过逆光人像背景天空最亮算法把天空当成白色参考结果人脸被拉成了蜡黄色。改进方案是加一个“白点检测”步骤不是找最亮的点而是找R、G、B通道比值接近1:1:1的亮区域。这相当于在完美反射模型和灰度世界模型之间做了折中。实际工程中我常用的是“动态阈值法”——根据图像亮度分布自适应调整白点筛选条件。色温估计从统计到物理模型灰度世界和完美反射都是纯统计方法没有考虑光源的物理特性。色温估计模型则引入了黑体辐射曲线——不同色温的光源其光谱分布遵循普朗克定律。算法在RGB空间中建立一条“色温曲线”然后根据图像统计特征找到最匹配的色温点。这里有个关键概念色温不是简单的“暖”或“冷”而是一个连续的光谱分布。3000K的白炽灯和6500K的日光在RGB空间中的投影方向完全不同。色温估计模型的核心就是找到这个方向。我见过最优雅的实现是“色温查找表”预先在实验室用标准光源拍摄灰卡记录不同色温下的RGB响应建立一张色温-增益映射表。运行时算法计算当前图像的色温特征查表得到增益。这种方法在手机影像中应用极广因为手机摄像头模组的一致性较好查表法速度快、稳定性高。但查表法有个致命弱点它对模组标定精度极度敏感。同一款手机不同批次的光学镜头镀膜差异会导致色温响应偏移。我在车载项目中吃过这个亏——前装摄像头模组换了供应商查表法直接失效整个AWB模块需要重新标定。基于学习的色温估计CNN登场传统方法遇到混合光源就歇菜。比如室内既有窗户进来的日光5500K又有台灯的白炽光3000K画面中不同区域的色温完全不同。灰度世界模型会取一个“平均色温”结果两边都不讨好。这时候卷积神经网络CNN就派上用场了。2015年前后学术界开始用CNN直接估计光源颜色向量。输入是一张图像输出是三个通道的增益值。网络结构通常采用轻量级设计比如MobileNet的变体因为手机和车载芯片的算力有限。我参与过一个车载项目用ResNet-18做色温估计训练数据是合成图像——在真实场景上叠加不同色温的光源。效果惊艳混合光源场景下画面不再偏色而是根据区域自动调整。但问题也来了网络在训练集外的极端场景比如舞台彩色灯光会输出离谱的增益导致画面出现伪影。这里有个工程诀窍不要直接用网络输出做最终增益而是把网络输出作为“先验”与传统方法的结果做加权融合。比如网络估计色温为4500K灰度世界模型估计为5000K最终取4700K。这种“混合架构”在工业界是主流既利用了学习的泛化能力又保留了传统方法的稳定性。实战中的坑与对策写代码时有几个地方特别容易翻车。第一增益计算要防除零。我见过一个线上事故摄像头被遮挡画面全黑R通道均值为0增益计算直接除零崩溃。别笑这种事在产线测试中经常发生。加一个极小值保护比如gain_r g_mean / max(r_mean, 1e-6)。第二增益要限幅。有些场景下算法会计算出离谱的增益比如R通道增益拉到3.0。这会导致画面出现严重的颜色噪声。我通常把增益限制在0.5到2.0之间超出部分用钳位处理。第三时间域平滑。视频流中AWB增益的突变会导致画面闪烁。加一个低通滤波器让增益缓慢变化。我常用一阶IIR滤波器gain_new alpha * gain_current (1-alpha) * gain_previousalpha取0.1到0.3之间。这个参数需要根据帧率调整30fps和60fps的平滑系数完全不同。第四场景切换检测。从室内走到室外色温从3000K跳到5500K如果平滑系数太大画面会长时间偏色。加一个场景切换检测如果连续几帧的增益变化超过阈值就重置平滑滤波器快速收敛到新场景。个人经验性建议如果你正在搭建一个白平衡模块我的建议是不要追求单一算法的完美而是构建一个算法组合拳。第一层用灰度世界模型做快速粗调计算量小适合预览流。第二层用色温估计模型做精调适合拍照或录像。第三层用CNN做异常场景兜底比如混合光源或舞台灯光。这三层之间用置信度评分做切换——如果灰度世界模型的输出方差很小说明场景符合假设就信任它如果方差很大就切换到更复杂的模型。另外白平衡的调试离不开真实数据。合成数据再漂亮也替代不了在真实场景中跑一遍。我建议团队建立一个“偏色场景库”收集各种极端光照下的raw图包括但不限于黄昏的树林、霓虹灯下的街道、医院手术室的冷光灯、工厂车间的钠灯。每次算法迭代先用这个库做回归测试确保没有引入新的偏色。最后不要忽视ISP pipeline中其他模块对白平衡的影响。比如去马赛克算法、色彩校正矩阵、伽马校正它们都会改变颜色响应。我见过一个案例AWB算法在raw域表现完美但经过ISP处理后画面偏绿。原因是色彩校正矩阵的系数与AWB增益不匹配。解决方案是把AWB和CCM色彩校正矩阵联合标定而不是各自独立优化。白平衡这个模块看起来简单做起来全是细节。灰度世界模型用了二十年CNN也用了快十年但直到今天没有哪个算法能通吃所有场景。作为工程师我们能做的就是在精度、速度、稳定性之间找到那个微妙的平衡点。