AWB 如何保持稳定？置信度、混合光与时域控制

单帧光源估计只是 AWB 的观测值，不应直接成为最终增益。视频里候选像素会随取景、噪声、人物遮挡和曝光变化不断波动；如果每帧都完全采用新结果，白色墙面也会出现可见的红蓝闪烁。

稳定 AWB 的核心不是一味“滤得更慢”，而是先判断当前估计是否可信、场景是否变化，再选择更新、限速、锁定或重新搜索。

置信度来自一致性，而非单个均值#

可用的置信度信号包括：

有效候选是否达到足够数量和面积；
不同空间块、不同估计器是否给出相近结果；
色度候选是否形成清晰且紧密的峰；
结果是否落在相机标定过的常见光源范围；
语义先验与统计估计是否相互支持；
新结果与历史轨迹是否存在无法解释的突变。

置信度不是“算法正确率”的绝对概率，而是当前结果能否安全驱动输出的工程量。低置信度时冻结结果，往往比输出一个看似精确的色温数字更可靠。

若多个估计器给出候选增益 $\hat{\mathbf g}^{(m)}_t$ 与非负可信度 $c_m$ ，一个可解释的融合起点是：

\hat{\mathbf g}_t= \frac{\sum_m c_m\hat{\mathbf g}^{(m)}_t}{\sum_m c_m+\varepsilon}, \qquad C_t=\operatorname{clip}\!\left(\frac{\sum_m c_m}{M},0,1\right)

工程上还应让估计器分歧降低 $C_t$ ；否则两个方向相反、各自“自信”的结果可能被平均成一个看似合理却没有场景依据的答案。

时间滤波为什么需要场景状态#

最简单的指数平滑为：

g_t=g_{t-1}+\alpha(\hat g_t-g_{t-1})

其中 $\hat g_t$ 是当前帧估计， $g_t$ 是输出增益。较小的 $\alpha$ 更稳定，却会让用户从室内转向窗外时长时间偏色；较大的 $\alpha$ 响应快，却更容易追逐噪声。

平滑系数0.22

首帧增益1.80

末帧增益1.12

更新速度 α0.22

α 大时响应快但容易闪烁；α 小时稳定却拖尾。实际状态机还会检测场景切换、置信度和锁定条件。

因此真实系统会让 $\alpha$ 随状态变化：稳定场景使用小步长，检测到可信的场景切换后加速，估计不可靠时将步长降为零。还可设置色温与 Tint 死区，避免不可见的小误差不断触发更新。

一种直接的置信度调制是

\alpha_t= \begin{cases} 0,&C_t<T_{\mathrm{freeze}}\\ \alpha_{\mathrm{slow}}C_t,&\lVert\Delta_t\rVert<h_{\mathrm{enter}}\\ \alpha_{\mathrm{fast}}C_t,&\lVert\Delta_t\rVert>h_{\mathrm{exit}} \end{cases}, \qquad \Delta_t=\hat{\mathbf g}_t-\mathbf g_{t-1},

其中 $h_{\mathrm{exit}}>h_{\mathrm{enter}}$ 形成迟滞：进入快速跟随需要越过较大门限，退出后则要回到较小门限以内，避免状态在边界来回切换。两个门限之间沿用上一状态，补全了分段式未显式写出的迟滞区间。

搜索、收敛、锁定与重启#

一个实用状态机通常包含：

搜索：启动或场景切换后快速收集候选；
收敛：向高置信度目标限速移动；
锁定：结果稳定后抑制小幅扰动；
保持：统计暂时失效时沿用上一结果；
重启：画面内容或照明发生持续、大幅变化时重新搜索。

场景变化检测不能只看 AWB 估计本身，否则一次错误观测就可能触发快速跳色。亮度直方图、空间色度分布、AE 状态、镜头运动和主体变化都可以作为辅助信号。

混合光没有唯一的全局答案#

窗边人物可能同时受到蓝色天光与暖色室内灯照明。一组全局 RGB 增益不可能让两个区域都完全中性：校正室内区域会让窗边偏蓝，校正窗外又会让室内偏黄。

用对角模型表示，两种光源响应 $\boldsymbol\ell_1$ 、 $\boldsymbol\ell_2$ 若要被同一矩阵 $\mathbf D$ 同时校正，必须满足

\mathbf D\boldsymbol\ell_1=k_1\mathbf 1, \qquad \mathbf D\boldsymbol\ell_2=k_2\mathbf 1.

除非两种响应具有相同的通道比例，也就是 $\boldsymbol\ell_1\propto\boldsymbol\ell_2$ ，否则通常不存在这样的全局 $\mathbf D$ 。所以混合光下的全局输出只能是主体优先或观感折中，而不是数学上同时“校准正确”。

系统首先要检测这种情况。若不同空间块形成两个稳定色度簇，可降低全局估计置信度，并根据产品目标选择策略：

优先保护人脸或主要主体；
在两种光源之间选择观感自然的折中；
保留部分暖光氛围，避免把场景“洗白”；
在支持局部颜色处理的管线中使用平滑的空间增益图。

局部 AWB 必须谨慎。分区边界、主体移动和错误分割会产生颜色接缝或随帧漂移；空间增益还会与 LSC、CCM 和局部 Tone Mapping 相互作用。

视频中的联动约束#

AE 改变曝光时间和增益时，暗部噪声与饱和像素比例也会变化，AWB 不应把这种统计变化立即解释成光源变化。AF 搜索可能改变构图细节，录像切镜和数字变焦也会突然替换候选区域。

下面的独立 NumPy 控制器把置信度冻结、一阶滤波、迟滞和单帧限速放在一起。fast 是持续状态，而不是由一次越界立刻反复开关。

1
import numpy as np
2

3

4
def update_awb(previous, estimate, confidence, fast=False,
5
               freeze=0.25, enter=0.18, exit=0.06,
6
               alpha_slow=0.06, alpha_fast=0.45, max_step=0.08):
7
    """更新 (gR, gB)，并返回输出及迟滞后的 fast 状态。"""
8
    previous = np.asarray(previous, dtype=np.float64)
9
    estimate = np.asarray(estimate, dtype=np.float64)
10
    confidence = float(np.clip(confidence, 0.0, 1.0))
11
    delta = estimate - previous
12
    distance = float(np.linalg.norm(delta))
13

14
    if confidence < freeze:
15
        return previous.copy(), fast
16

17
    if fast:
18
        fast = distance >= exit
19
    else:
20
        fast = distance > enter
4 collapsed lines
21

22
    alpha = (alpha_fast if fast else alpha_slow) * confidence
23
    step = np.clip(alpha * delta, -max_step, max_step)
24
    return previous + step, fast

代码中的距离直接在增益空间计算，适合与页面实验的 $g_R/g_B$ 轨迹对应；量产实现常在 mired、Tint 或对数增益空间限速，并把 AE 变化、镜头运动与持续场景切换证据纳入状态机。固定阈值也必须按帧率和相机标定调整。输出端仍应同时记录目标值和实际值，才能区分“估计器抖动”和“控制器跟随过快”。

评价稳定性不能只看色差#

静态色卡可评价中性误差和肤色偏差，视频还需要额外指标：

收敛时间、过冲和稳态抖动；
场景切换后的响应延迟；
主体进出画面时的颜色呼吸；
混合光下主体优先策略是否连续；
低置信度冻结是否过久；
AE 或摄像机运动发生时是否误触发重启。

稳定并不等于永远不变。好的 AWB 会在证据充分时快速响应，在信息模糊时克制更新，并在不存在唯一正确答案的混合光场景中维持一致、可解释的产品选择。