030、自动白平衡AWB实战：灰度世界、完美反射与色温估计的工程实现与局限

030、自动白平衡AWB实战灰度世界、完美反射与色温估计的工程实现与局限去年夏天某款旗舰手机在室内暖光灯下拍出的白墙居然泛着明显的青蓝色用户投诉率直接飙升。我拿到log一看AWB模块把2700K的暖色温场景误判成了5500K的日光灰度世界算法在纯色背景面前彻底翻车。这种问题在调试间里太常见了今天就把AWB实战中踩过的坑、填过的土一五一十摊开来聊。灰度世界算法看似简单实则处处是坑灰度世界假设是所有AWB算法里最朴素的一个——它认为一张正常照片里所有像素的R、G、B通道均值应该相等。换句话说场景中各种颜色的反射光平均下来就是灰色的。这个假设在自然场景下勉强成立但遇到大面积单色物体时比如一面红墙、一片蓝天算法直接崩溃。工程实现上灰度世界的第一步是统计整帧图像的R、G、B均值。这里有个细节很多人会忽略统计区域一定要避开过曝和欠曝区域。过曝像素的RGB值都接近255欠曝像素都接近0这些数据会严重拉偏均值。我习惯的做法是先做一个亮度掩膜只统计亮度值在[16, 240]范围内的像素。别问为什么是16和240这是从几十万张调试图片里试出来的经验值低于16的像素噪声太大高于240的已经进入sensor线性区的非线性段。计算增益时标准做法是让G通道保持不变只调整R和B通道。G通道在拜耳阵列里采样密度最高信噪比最好拿它当基准最稳妥。增益计算公式很简单R_gain G_mean / R_meanB_gain G_mean / B_mean。但这里有个陷阱——当R_mean或B_mean接近0时增益会爆炸。比如在纯蓝色场景下R_mean可能只有5算出来的R_gain能到50以上画面直接红得没法看。我的处理方式是给增益加一个上限通常限制在[0.5, 4.0]之间超出这个范围的场景说明灰度世界假设已经不成立了需要切换到其他算法。灰度世界还有一个变种叫“灰度边缘”它假设图像中边缘区域的色差均值应该为零。这个变种在纹理丰富的场景下效果更好但计算量翻倍移动端芯片扛不住。我在手机项目里只用标准灰度世界做快速预判真正出图还得靠其他算法。完美反射算法找对“白点”才是关键完美反射算法的核心思想是图像中最亮的像素点应该是白色的因为白色物体能反射所有波长的光。这个假设在大多数场景下比灰度世界靠谱但同样有致命缺陷——如果场景里根本没有白色物体比如拍一片夕阳下的红色晚霞算法会把最亮的红色区域当成白色结果整张图偏蓝。工程实现上完美反射算法的第一步是筛选“候选白点”。我见过很多新手直接拿亮度最高的前1%像素当白点结果在强光源场景下光源本身的高光区域会被误判为白点导致色温校正过度。正确的做法是结合亮度和色度两个维度筛选亮度要足够高比如亮度值大于最大亮度的80%同时色度要接近中性比如R/G和B/G比值在0.8到1.2之间。这个阈值范围需要根据sensor的响应曲线微调不同sensor的RGB通道灵敏度差异很大。筛选出候选白点后计算这些白点的R、G、B均值然后同样用G通道做基准计算增益。这里有个工程技巧不要直接用所有候选白点的均值而是用中位数。因为候选白点里可能混入一些噪声点或高光溢出点中位数对异常值更鲁棒。我见过一个案例某款sensor在强光下红色通道容易溢出用均值算出来的R_gain偏小画面偏青换成中位数后问题解决。完美反射算法在室内场景下表现不错因为室内通常有白色墙壁或白色物体。但遇到户外雪景时又会翻车——雪本身就是白色的算法会把雪当成白点但雪在阴天光线下其实偏蓝算法校正后画面反而偏暖。这种场景需要结合色温估计来综合判断。色温估计从物理模型到工程妥协色温估计是AWB里最“玄学”的部分因为它需要从有限的传感器数据中反推出光源的色温。物理上不同色温的光源在RGB空间里有一条“普朗克轨迹”理想情况下图像中白色物体的RGB比值应该落在这条轨迹上。但现实是sensor的响应曲线、镜头的透过率、IR滤光片的截止波长都会让这条轨迹发生偏移。工程实现上我习惯先做sensor的“色温标定”。具体做法是在标准光源箱里用D656500K、D505000K、TL844000K、A光源2856K等标准光源照射灰卡记录每个色温下灰卡的R/G和B/G比值。这些数据点连起来就是这条sensor的“色温曲线”。注意不同色温下的标定点要足够密至少5个点否则插值误差会很大。我见过一个项目只标定了3个色温点结果在4500K附近色温估计偏差超过500K画面偏色肉眼可见。有了色温曲线后实际场景的色温估计就变成了一个“最近邻”或“插值”问题。从图像中提取候选白点的R/G和B/G比值然后找到色温曲线上距离最近的点对应的色温就是估计值。这里距离度量用欧氏距离还是曼哈顿距离我推荐用曼哈顿距离因为R/G和B/G的尺度不同欧氏距离会放大尺度大的维度的影响。实际调试中我会对R/G和B/G做归一化处理让它们在[0,1]范围内。色温估计的另一个坑是多光源场景。比如室内既有暖色的白炽灯又有冷色的日光灯图像中不同区域的色温不一致。这种情况下全局色温估计会取一个折中值导致画面整体偏色。我的处理方式是做区域AWB把图像分成若干块每块独立估计色温然后根据场景内容做融合。比如人脸区域优先用暖色温背景区域用冷色温。这个方案计算量很大但旗舰机上已经可以实时运行了。工程实现中的那些“血泪教训”教训一AWB和AE的耦合问题。曝光变化会直接影响AWB的统计结果。比如AE从低曝光切换到高曝光图像整体变亮候选白点的数量和分布都会变化AWB增益可能突然跳变。我的做法是给AWB增益加一个低通滤波器时间常数设为0.5秒左右这样增益变化平滑画面不会出现闪烁感。别问我为什么是0.5秒这是人眼对色温变化敏感度的经验值太快了看着晕太慢了反应迟钝。教训二sensor的暗电流和固定模式噪声。在低光场景下sensor的暗电流会引入固定的偏置导致R、G、B通道的暗场值不一致。如果不做暗场校正AWB在低光下会偏色。我习惯在sensor初始化时采集一帧暗场盖上镜头盖然后从每帧图像中减去暗场值。这个操作看起来简单但很多方案商为了省成本会省略结果低光下AWB一塌糊涂。教训三镜头阴影校正LSC和AWB的顺序。LSC会改变图像不同区域的RGB比例如果先做LSC再做AWBAWB的统计结果会受LSC影响。正确的顺序是先做AWB统计再做LSC校正。但有些ISP pipeline的设计是固定的改不了顺序。这种情况下我只能在AWB统计时对边缘区域做加权处理降低边缘像素的权重因为LSC对边缘的影响最大。混合策略没有银弹只有组合拳没有任何一种AWB算法能应对所有场景。我在实际项目中用的是“灰度世界完美反射色温估计”的混合策略。具体流程是先用灰度世界算法快速计算一组增益作为初始值。同时用完美反射算法筛选候选白点如果候选白点数量足够多比如超过总像素的5%就用完美反射的结果覆盖灰度世界的结果。用色温估计判断当前场景的色温如果色温在3000K到7000K之间说明场景比较“正常”直接用完美反射的结果如果色温超出这个范围说明场景可能有特殊光源比如舞台灯光这时需要降低AWB的校正强度保留一部分场景氛围。最后用历史帧的增益做平滑防止跳变。这个策略在大多数场景下表现不错但遇到极端场景比如纯色背景强光源还是会翻车。这时候就需要场景检测来兜底了——比如检测到画面中有大面积人脸就切换到肤色优先的AWB模式。个人经验性建议调试AWB最忌讳的是“纸上谈兵”。理论算法再漂亮拿到实际场景里一跑各种问题就冒出来了。我的建议是准备一套标准测试场景至少包括20种不同色温、不同内容的环境比如室内暖光、户外阴天、夕阳、荧光灯、混合光源等。每次修改算法参数后跑一遍测试集记录每个场景的色温估计误差和主观偏色评分。只有数据积累够了才能找到算法参数的最优解。另外不要迷信“自动”二字。再好的AWB算法在某些场景下也会犯错。给用户留一个手动色温调节的入口比如色温滑块或预设模式日光、阴天、白炽灯等这是最保险的做法。我见过太多产品为了追求“全自动”而砍掉手动调节结果用户拍出来的照片偏色严重反而骂产品不行。最后AWB调试是一个持续迭代的过程。sensor换了、镜头换了、甚至ISP芯片换了AWB参数都要重新标定。别指望一套参数吃遍天每次硬件变更后老老实实重新做色温标定和场景测试这才是工程化的正确态度。