基于色温估计的白平衡算法

1.1 Ycrcb和RGB颜色模型

1.2 光源色温

1.3 算法实现

目前常用的灰度世界算法、完美反射算法、自适应白平衡算法、色域映射算法以及神经网络算法，这些算法在一般情况下都能够有效实现颜色矫正。其中，包域映射算法和神经网络算法这类基于先验知识基础上的算法模型结果较为精确，但是由于其算法比较复杂，难利用硬件实现，并且样本的完整性难保证。

因此在实际应用中主要使用的还是灰度世界算法和自适应白平衡算法模型。简单灰度世界算法是建立在一定假设基础上的，当拍摄纯色背景时，假设不成立，算法调整效果就会出现较大偏差。而标准差亮度加权灰度世界算法虽然能够克服这种缺陷，但其计算量大大增加了，也不适合硬件实现。因此此处提出基于色温估计的自动白平衡算法，它是利用图像的原始数据进行计算。首先通过大量的实验统计，找出常见光源下灰点的色度值分布规律，并进而根据图像素中的灰色点计算出图光源的色温，最后计算出对应的增益对图像进行调整。该算法能够有效地克服灰度世界算法在拍摄大面积色块时的算法失效问题，并且计算简单，利于硬件的实现，颜色调整效果良好。

1.1 Ycrcb和RGB颜色模型

（1）RGB颜色模型

颜色模型也称颜色空间，RGB颜色空间是一种加法混色成像系统，通过红绿蓝三基色按不同比例叠加混合出各种颜色。下图是RGB颜色空间简图。

RGB颜色模型符合人眼的光学特性，是最通用的面向硬件的颜色空间，但是在图像处理中，一般不采用RGB颜色空间，因为它将明度、色调和饱和度三个量放在一起表示，难化对细节进行数字化的调整。然而和色度相比，人眼对亮度更加敏感，RGB色彩模型的三个分量与亮度密切相关，亮度发生变化的话，三个分量的值也会改变。

（2）Ycrcb颜色模型

1.2 光源色温

通过研究发现，在一种色温下，灰色快的色度分量cb，cr的值是固定在一定的范围内的，因此可以根据图像中像素点的cb、cr值对像素进行分类统计，以此来判断图像光源的色温，并根据获得的采样灰色像素点，计算出相应的增益，从而实现对图像颜色矫正，在整个ISP图像处理流程当中，这里将白平衡放在颜色插值之前，是为了避免图像处理过程中CFA插值等过程带来的颜色串扰（color crosstalk）等问题的影响，因此这里的白平衡算法是在raw数据上进行处理。

通过实验发现，四个色块在同一色温值点的色度值cb、cr聚在一起，分布在一定范围内，从而获得各个色温点的cb、cr值参考范围窗口，根据这些窗口的上下阈值参数可以判断出拍摄光源的色温值，进而对图像进行白平衡处理。

1.3 算法实现

对于一副图像，在获得其像素值后，首先判断它的像素R、G、B值是否在合适的范围内，如果像素值过低，则其中包含了太多的噪声信息，像素值过高则已经过曝，以上两种情况都无法提供有效的颜色信息，接下来将有效的像素点值从RGB颜色空间转换到Ycrcb颜色空间，根据像素值cr、cb进行判断，当确定该像素点的灰度值位于某个色温窗口时，就将该像素点的cb、cr值添加到相应的像素和值寄存器中，同时该色温对应像素个数的寄存器加1，根据这个步骤将图像上的所有像素点进行处理。当一帧图像完毕之后，去像素个数最多的色温作为光源色温，对应像素点的亮度色度值用来计算RGB三通道的增益系数。过程如下：

假设判断出当前色温为4000K，将寄存器中的像素点值转换成R、G、B，并通过公式计算图像中灰色点的R、G、B均值。

再按照公式得到Ｒ、Ｇ、Ｂ三个通道的增益：

将得到的增益应用到整幅图像，即可得到白平衡矫正之后的图像。

详情请参看论文《监控视频中的图像颜色评价与优化》