自动白平衡技术（AWB）

1、白平衡概念

2、调节白平衡

3、自动白平衡技术

3.1基于图像统计的方法

3.2基于学习的方法

4、总结

1、白平衡概念

当人们用眼睛观察自然世界时，在不同的光线下，对相同颜色的感觉基本是相同的，比如在早晨旭日初升时，人们看个白色的物体感觉它是白的:而人们在夜晚昏暗的灯光下，看到的白色物体，感觉它仍然是白的，这是由于人类从出生到成长的过程中，大脑己经对不同光线下的物体的彩色还原有了适应性，这种现象称为颜色恒常性。不幸的是， CMOS CCD 等感光器件没有这样的适应能力白色物体在暖色灯光照射下，拍摄的图像橘红色，在冷色灯光照射下，拍摄的图像呈淡蓝色。

为什么在不同色温的光源下，物体会出现偏色呢?这是因为图像传感器只是记录了所有投射到其上的光线，其本身并不能分辨投射到其上的色光是由物体本身的色彩反射而成，还是由偏色的环境光造成，所以传感器是没有颜色恒常性能力，不能够适应这种色光的变化所以当它真实呈现出所拍摄到的图像时，就出现了偏色。

为了使得摄像机也具有颜色恒常性能力，需要使用自平衡技术。所谓白平衡( White Balance ，简单地说就是去除环境光的影响，还原物体真实的颜色，把不同色温下的颜色调整正确，从理论上说白颜色调整正确了，其他色彩就都准确了。即在红色灯光照射下，白色物体依然呈白色，在蓝色灯光照射下也呈现白色。

讲到白平衡离不开一个概念一一色温，色温 (Color Temperature) 表示光源光色的尺度，单位为 K。英国著名物理学家开尔文认为，假定某一纯黑物体(称为"标准黑体" )，能够将落在其上的所有热量吸收，而没有损失，同时又能够将热量生成的能量全部以"光"的形式释放出来的话，它便会因受热的高低而变成不同的颜色。将标准黑体从绝对零度开始加热，温度逐渐升高，光度亦随之改变，黑体呈现出由红变化为橙红、黄、黄白、白、蓝白、蓝的过程。

2、调节白平衡

白平衡的调节一般是通过改变红、绿、蓝三色的比例关系实现。当环境光为纯白光时，白色物体本身就呈现白色，红、绿、蓝三色的感光电路电子放大比例是相同的比例1 : 1 : 1 的关系。

目前，自平衡的调节主要有三种方式:预设白平衡、手动白平衡与自动白平衡。

手动自平衡是指摄影师把摄像机对准白纸拍摄，这时，白纸充当标准白色，摄像机需要通过内部自动调整，即估计出红、绿、蓝色偏色的比例并做相应的调整，使拍摄出的画面呈现纯白色，以此达到白平衡的目的估计出偏色比例后，以此作为对环境色温的估计，以后的拍摄都以这个色温为准手动自平衡测量时，白纸需要占画面面积的一半以上。

手动自平衡方法，虽然脱离了色温计的束缚，但是却不能适应色温变化的环境。

从预设白平衡，到手动自平衡，再到自动臼平衡，整个白平衡技术的关键都围绕着能否正确地估计环境色光上。自动白平衡技术的关键点也在于此。不同白平衡技术采用了不同的方法来寻找画面中的白平衡基准点，以此来达到自平衡调校。决定自平衡基准点的不同，就产生了不同的自动白平衡算法。

3、自动白平衡技术

是，光谱分布 L(λ) ，以及与摄像机响应 C(λ) ，甚至场景反射 S(x λ) 都是无法进行定量描述。所以色彩的白平衡校正就成为一个病态问题

3.1基于图像统计的方法

基于图像统计特征的方法通常较为简单，易于实现。最简单常用的方法是灰度世界法( Gray World)。

灰世界法假设认为:场景中所有物理表面的平均反射是灰色的，即可以取 RGB个通道的平均颜色作为光照估计，即

式中 N为图像的像素数。

还有白点法（White patch）、灰边缘法等

对于某颜色通道，算法流程设计如图 6-18 示。其中，像素个数计数 cnt ，用于计数均值平滑降采样所需的值; tmp now 累加均值平滑降采样所需个像素的和: tmp_last 缓存上一次降采样的结果 gain 累加分图像的像素和作为光照估计值。

3.2基于学习的方法

基于学习训练的方法需要通过训练集训练才能得到训练模型。基于学习训练的方法常常使用贝叶斯统计理论或神经网络(35) 等机器学习方法。虽然神经网络看上去能够合理地解决问题，但实际上它缺乏对颜色恒常性问题的深入描述，在实际应用中其泛化能力较差。

例如贝叶斯统计、色域映射、基于支持向量机回归的方法、基于场景语义的方法。

论文资料：

4、总结

自动自平衡方法主要分为两大类第一类是基于图像统计特征的方法，包括灰世界法、白斑法、灰边缘法等这类方法效果明显、计算简单，是目前摄像机中常用的方法第二类是基于学习训练的方法这类方法需要通过训练集学习得到关于光照的先验信息，然后再对未知光源下的色光进行估计，主要包括基于贝叶斯的方法、色域匹配 Gamut Mapping) 法以及本书提出的基于数据驱动的方法。这类方法计算复杂，但是准确度相对较高。

具体内容请参看《计算摄影学基础》