AWB 自动白平衡系统：从光源估计到闭环控制

手动白平衡是在已知光源或中性卡时设置通道增益；AWB（Auto White Balance）必须只根据当前图像判断：画面偏黄，究竟来自暖色光源，还是来自夕阳、木墙与黄色物体本身？

因此 AWB 不是一条“把 RGB 均值拉齐”的公式，而是一套带有不确定性的估计与控制系统。

一条完整的 AWB 链路#

工程实现通常包含五个阶段：

从 RAW 或线性 RGB 中采集分块统计；
排除饱和、过暗、强色和其他不可信像素；
根据中性候选、颜色分布与场景先验估计光源；
把光源估计转换为白平衡增益，并联动 CCM 插值；
根据置信度、场景变化和历史状态平滑或冻结输出。

这条链路里，“测到了什么”和“是否相信测量”同样重要。单色墙、舞台灯、混合照明都可能让数学上稳定的统计给出语义上错误的答案。

光源估计与白平衡增益#

若中性表面在当前光源下测得 $(R,G,B)$ ，一种以绿色通道为基准的增益写法是：

g_R=G/R,\qquad g_G=1,\qquad g_B=G/B

这说明 WB 与 AWB 的职责不同：WB 应用增益，AWB 决定应该使用哪组增益。

把像素写成列向量 $\mathbf p=[R,G,B]^\mathsf T$ ，最常见的教学模型是对角变换：

\mathbf p'=\mathbf D\mathbf p, \qquad \mathbf D=\operatorname{diag}(g_R,1,g_B)

若候选集合 $\Omega$ 中确实包含中性表面，则校正后的通道应满足中性约束：

\frac{1}{|\Omega|}\sum_{i\in\Omega}\mathbf D\mathbf p_i =k\begin{bmatrix}1\\1\\1\end{bmatrix}, \qquad k>0

用候选均值 $\boldsymbol\mu=(\mu_R,\mu_G,\mu_B)$ 代入，就得到 $g_R=\mu_G/\mu_R$ 、 $g_B=\mu_G/\mu_B$ 。下面的 NumPy 函数只实现这个数值内核，输入必须是已经完成黑电平校正、近似线性的 RGB；候选掩码如何产生，留给下一篇讨论。

1
import numpy as np
2

3

4
def diagonal_wb_gains(linear_rgb, neutral_mask, eps=1e-6):
5
    """由可信中性候选计算以 G 为锚点的 (gR, gG, gB)。"""
6
    rgb = np.asarray(linear_rgb, dtype=np.float64)
7
    mask = np.asarray(neutral_mask, dtype=bool)
8
    if rgb.ndim != 3 or rgb.shape[-1] != 3:
9
        raise ValueError("linear_rgb 必须是 H×W×3")
10
    if mask.shape != rgb.shape[:2] or not np.any(mask):
11
        raise ValueError("neutral_mask 必须匹配图像且至少包含一个候选")
12

13
    mean_rgb = rgb[mask].mean(axis=0)
14
    if np.any(mean_rgb <= eps):
15
        raise ValueError("候选均值过暗，通道比不可信")
16

17
    gains = mean_rgb[1] / mean_rgb
18
    gains /= gains[1]                 # 明确保持绿色通道为 1
19
    return np.clip(gains, 0.25, 4.0)  # 教学用安全范围

对角模型假设同一组通道增益可以解释整幅图像。真实相机还需要传感器标定、光源轨迹、增益限幅，并让 CCM 随估计光源插值；窄带光源与混合光也不能仅靠一个全局对角矩阵完整校正。

中性块 · 校正前校正后

R Gain0.82

G Gain1.00

B Gain1.41

AWB 为什么必须输出置信度#

灰世界、中性点和白点假设都只在部分场景成立。可靠 AWB 不应只输出 $(g_R,g_B)$ ，还应输出：

有效统计像素比例；
候选光源之间的一致性；
当前场景是否可能为单色或混合光；
与上一帧结果的变化幅度；
最终估计的置信度与锁定状态。

置信度低时，保持上一组可信增益通常比追逐噪声更安全。视频中的颜色闪烁，很多时候不是估计均值不准，而是状态机过度相信了每一帧。

AWB 与其他模块的边界#

AWB 的输出常同时影响 WB 增益、CCM 选择和色调风格；AE 又会改变统计亮度、饱和比例和信噪比。因此 3A 必须交换状态，但不应让职责混在一起。

AWB 估计光源，不负责修正镜头色差；
CCM 修正传感器颜色响应，不能代替错误的光源估计；
Tone Mapping 能改变观感，却不应成为线性 AWB 统计的输入；
局部色彩风格可以保留暖光氛围，不等于 AWB 估计失败。

最小实现骨架#

1
stats = collect_linear_rgb_stats(raw, blocks=True)
2
candidates = reject_unreliable(stats, dark=True, saturated=True, chromatic=True)
3
illuminant, confidence = estimate_illuminant(candidates, scene_prior)
4

5
if confidence >= update_threshold:
6
    target_gains = illuminant_to_gains(illuminant, calibration)
7
    gains = temporal_filter(previous_gains, target_gains, scene_change)
8
else:
9
    gains = previous_gains

这段骨架有意把“统计”“估计”“决策”“时间控制”分开。这样的系统更容易记录中间状态，也更容易定位偏色究竟来自候选筛选、模型选择还是输出平滑。

后续两篇将分别深入经典统计方法，以及置信度、混合光与视频稳定问题。理解 AWB 的关键，是承认单帧图像无法总是唯一确定光源，并把这种不确定性显式带进系统。