一、原始的灰度世界算法

　　灰度世界算法（Gray World)是以灰度世界假设为基础的,该假设认为对于一幅有着大量色彩变化的图像, R、 G、 B 三个分量的平均值趋于同一个灰度K。一般有两种方法来确定该灰度。

（1)直接给定为固定值, 取其各通道最大值的一半,即取为127或128；

（2)令 K = (R_aver+G_aver+B_aver)/3,其中R_aver,G_aver,B_aver分别表示红、 绿、 蓝三个通道的平均值。

算法的第二步是分别计算各通道的增益：

K_r=K/R_aver;

　　　　　　K_g=K/G_aver;

K_b=K/B_aver;

算法第三步为根据Von Kries 对角模型,对于图像中的每个像素R、G、B，计算其结果值：

R_new = R * K_r;

　　　　　　 _Gnew = G * K_g;

_Bnew = B * K_b;

对于上式，计算中可能会存在溢出（>255,不会出现小于0的)现象，处理方式有两种。

a、 直接将像素设置为255，这可能会造成图像整体偏白。

b、 计算所有R_new、G_new、B_new的最大值，然后利用该最大值将将计算后数据重新线性映射到[0,255]内。实践证明这种方式将会使图像整体偏暗，建议采用第一种方案。

一般来说，灰度世界算法的效果还是比较好的呢，并且该算法的执行速度非常之快，目前也存在了不少对该算法进行改进的效果，有时间我在整理一下。

原图                                                                            处理后的图

二、完美反射算法

当初写这个代码的时候的一些参考文献一下子也找不到了，就从已经写好的代码中描述下该算法的过程吧。

原理：完美全反射理论perfect Reflector假设图像上最亮点就是白点，并以此白点为参考对图像进行自动白平衡,最亮点定义为R+G+B的最大值,具体编码步骤如下：

（1）计算每个像素的R\G\B之和，并保存到一临时内存块中。

            for (Y = 0; Y < Height; Y++){Pointer = bmp.Pointer + Y * Stride;for (X = 0; X < Width; X++){Sum = (short)(*(Pointer) + *(Pointer + 1) + *(Pointer + 2));     // R+G+BHistRGB[Sum]++;*SumP = (short)Sum;Pointer += 3;SumP++;}}

（2）按R+G+B值的大小计算出其前10%或其他Ratio的白色参考点的的阈值T。

            for (Y = 767; Y >= 0; Y--){Sum += HistRGB[Y];if (Sum > Width * Height * Ratio / 100){Threshold = Y;break;}}

（3）遍历图像中的每个点，计算其中R+G+B值大于T的所有点的R\G\B分量的累积和的平均值。

            for (Y = 0; Y < Height; Y++){Pointer = bmp.Pointer + Y * Stride;for (X = 0; X < Width; X++){if (*SumP > Threshold){AvgB += *Pointer;AvgG += *(Pointer + 1);AvgR += *(Pointer + 2);             // 为获得增益做准备Amount++;}Pointer += 3;SumP++;}}AvgB /= Amount;AvgG /= Amount;AvgR /= Amount;

　　 （4）对每个点将像素量化到[0,255]之间。

            for (Y = 0; Y < Height; Y++){Pointer = bmp.Pointer + Y * Stride;for (X = 0; X < Width; X++){Blue = *Pointer * MaxValue / AvgB;                                   // 另外一种算法需要先计算不抑制重新计算的RGB的范围，然后求RGB的最大值，如果最大值大于255，则所有的结果都要除以最大值在乘以255，但实际表明该算法、   不合适；Green = *(Pointer + 1) * MaxValue / AvgG;Red = *(Pointer + 2) * MaxValue / AvgR;if (Red > 255) Red = 255; else if (Red < 0) Red = 0;                // 这里需要判断，因为RGB空间所有的颜色转换到YCbCr后，并不是填充满了0-255的范围的，反转过去就会存在一些溢出的点。if (Green > 255) Green = 255; else if (Green < 0) Green = 0;        // 编译后应该比三目运算符的效率高if (Blue > 255) Blue = 255; else if (Blue < 0) Blue = 0;*Pointer = (byte)Blue;*(Pointer + 1) = (byte)Green;*(Pointer + 2) = (byte)Red;Pointer += 3;}}

原图                                                  Ratio=10%                                            Ratio=2%

从效果上看，该算法应该比灰度世界的效果要好些，但是也还是受到Ratio这个参数的影像。特别是第二个图片，过高的Ration导致图片过于泛白。这个问题可以还是最后量化的哪一步引起的，我会抽空再研究一下其他的量化方式，尽量降低Ration的影响。

针对上述的第二步，看到很多matlab和VC的代码，有很多人居然先用快速排序对累加后的数据进行排序，然后再取其10%的最大值，对图像的数据进行排序，可能就是再快速的排序都快不起来吧，看到这，也许全国人民都笑了。

三、动态阈值算法

参考论文：A Novel Automatic White Balance Method For Digital Still Cameras

同经典的一些算法相同，算法分为两个步骤：白点检测和白点调整。

白点检测：

（1）为了增强算法的鲁棒性，原文将图像分成12部分，其中宽高比为4：3，关于这一点，我认为不合理，对图像不是通用的，后文再说。

（2）计算每个区域的Cb\Cr分量的平均值M_b/M_r。

（3）按下式计算每个区域的Cb\Cr分量的绝对差的累积值D_b/D_r：

上式中N为每个区域的像素数。

（4）如果D_b/D_r的值偏小，则我们忽略这一块，因为这表明这一块的颜色分布比较均匀，而这样的局部对于白平衡不好。这个偏小的准则我们稍微再谈。

（5）统计对于除了符合第四条的的其他区域的M_b/M_r/Db/Dr的平均值作为整幅图像的M_b/M_r/Db/Dr值。

　　　　　　　　关于这一条，原文的话是：The final M_b、M_r、Db、Dr are obtained by taking the average of those regions that pass this additional step。

　　　　　　　我在实际中做的时候就是分别对每块进行的，似乎效果也还不错。

（6）按下述规则初步确定哪些点是属于白色参考点：

（7）对于初步判断已经属于白色参考点的像素，按大小取其亮度值为前10%的位最终确定的白色参考点。

白点调整：

　　　　　（1）计算白色参考点亮度值的平均值R_aver,G_aver,B_aver,（各通道分开计算)。

（2）按照以下各式计算每个通道的增益：

式中，Y_{max就是YCbCr颜色空间中Y分量的在整幅图像中的最大值。}

（3）按照以下各式计算最终每个通道的颜色值：

其中R/G/B为在原始的颜色空间中的值，注意这里要进行溢出检测的。

　　      简单的谈下白点检测的分块操作吧，原文把图像分成4*3的12快，这样做事针对于我们很多数码照片是这个比例的，如果通用，我觉得应该用每个块的大小来控制，比如每块为 100*100个像素。

这个算法的效果如下：

原图                                              块大小50*50　　　　　　　　　　　　　　　　　　  块大小100*100

上三图表明：1、该算法效果非常好；2、对块大小不太敏感，因此非常适合于自动化操作。

关于RGB到YCbCr的快速转换，可以参考：颜色空间系列3: RGB和YCbCr颜色空间的转换及优化算法

由于在上述链接的文章中，YCbCr颜色空间已经被转换到[0,255]，因此白色检测部分的第（6）条中的sign函数就不需要了。

同样，提供个编译好的文件给有兴趣研究该算法的朋友看看效果：

http://files.cnblogs.com/Imageshop/AutoWhiteBalance.zip

　　 后记：

　    针对动态阈值法，很多朋友反映如果YCbCr的值量化在0到255之间的话会出现所有的像素都会被式（6）初步判断为白色参考点。这样前期的工作就失去了意义，算法就变成了类似于完美反射算法那了，稍微有点不同的地方就是两者选择两点的准则有所不同。虽然这样做的最终结果还算不错，但确实和论文的本意像违背了，后面经过实践，如果把YCbCr的值量化在-127到128之间，式6中的Sgn同样适用，则初步判断为白点的数会大量的减少，对于同一个图片，同一个参数两个算法的最终的效果比较如下：

　　 更新后的下载链接依旧如下，以增加了修正后的功能。