1. 為何需要白平衡？

討論白平衡，那就要從色溫（CCT）談起，色溫顧名思義就是色彩的溫度，但是這個色溫和我們一般所認知的冷色、暖色不同，它指的是一個絕對黑體（物理學家想象出來的）從絕對零度（-273℃）開始持續(xù)加溫所呈現(xiàn)出來的顏色，譬如在煉鋼爐里給一塊鐵加熱，就會從黑-》暗紅-》亮紅-》金黃，接著就融化了，因為鐵的熔點是1535℃，所以更高溫度的顏色就看不到。但從焊接用的火可以看到藍色的火焰，那是更高的溫度所輻射出來的顏色。

這些顏色的差異來自于不同波長光線的比例不同，如下圖所示，色溫低的情況下（紅色）波長較長的光線比例較大，反之亦然。那么就造成白色在高色溫的光線照射下顯得較藍，在低色溫的光線下顯得較黃。

將不同色溫下的白色在色品圖上連接起來就形成了普朗克曲線：

而人眼中的白色總是R = G = B，那么白平衡所做的事情就是在不同色溫條件下將圖像做歸一化，也就是如下將sensor響應的RGB分別乘上一個系數，使得“白色成為白色”。

R‘ = R x R_Gain

G’ = G x G_Gain

B‘ = B x B_Gain

使得R‘ = G’ = B‘。

總而言之，白平衡的目的就是讓物體在不同光源條件下所呈現(xiàn)出來的顏色，恢復到物體的固有色。

2. 白平衡的幾種方法

根據白平衡的進化史，下面由遠及近介紹了幾種白平衡的方法。

2.1 灰世界

最初的白平衡是由Buchsbaum提出的一個叫灰世界的假說而來。這個假說指的是在一副色彩多樣的圖像中，最終所有顏色的平均統(tǒng)計值應該是一致的，也就是灰色的。

這個假說是由下列的公式推導而出。

f是圖像，e（λ）代表入射光頻譜，s（λ）代表物體反射率，c（λ）代表sensor的感光度，λ代表波長。

e代表sensor對光源的響應，在特定光源情況下應該是一個常數。

Buchsbaum就提出：一張普通圖像的反射率對圖像的積分再求平均會是一個恒定值k，也就是說圖像的顏色做整體平均后會是一張灰色，也就是無色的圖。

將f（x）帶入公式后可以做出如下推導：

這個方法非常的簡單和直觀，也是最經典和傳統(tǒng)的算法，后續(xù)算法都是在此基礎上衍生而來。但是此算法有一個致命的缺陷，當背景有大片單一顏色時（比如草地，藍天等），該算法就會導致嚴重的色差。

2.2 完美反射

完美反射法（perfect reflection）基于白色是將光全部反射這個基礎上，也就是說圖像上如果有白色區(qū)域，那么它就會呈現(xiàn)出該色溫條件下光原本的顏色，也就是會落在普朗克曲線上。完美反射法可以很大程度的彌補灰世界法的不足，在HDR場景下效果很好，但是依賴于圖像中有白色這個前提條件，倘若圖像中沒有白色，或者噪聲很強，方法就會失效。

2.3 早期的白塊法

接下來的思路就是如何找到白點/白塊。早期的思路是將RGB圖像先轉換到某個色彩空間，譬如下圖中YCbCr，Y是垂直于該平面晚些考慮，那么在原點附近就是色度接近0的區(qū)域，也就是我們要尋找的白塊。將這個區(qū)域內的所有點做一個平均，平均點的坐標就認為是這個圖像色溫下可能的白色，然后將圖像色彩根據平均點做轉換，逐步收斂。

設定了區(qū)域直徑后再考慮Y軸方向，只將最亮的點篩選出來認為是白點。

這個區(qū)域的直徑也就是該方法主要考慮的問題，設的太大就會導致將原本不是白色的顏色納入計算也會造成偏差，設的太小就會造成樣本量太小。

2.4 基于校準的白塊法

白塊法在對圖像要求比較高的情況下就不適用了，后來就產生了基于校準的白塊法。

折線上的點是在產線上針對不同光源（D65， A光，H光等）使用標準白/灰卡紙拍出照片算出來的B_gain和R_gain坐標，黃色點是使用白點法實時計算出的坐標，那就找到一個靠近的先驗值（紅色點），取該點的gain值。

2.5 加權重白塊法

加權白塊法就是將圖片分為M塊，每塊都計算出一個白點，將靠近折線區(qū)域（紅色）的權重加高，遠離的（藍色）權重降低，再計算出一個最終白點，使用折線上的不同點做插值計算出一個最終Gain值。

這個方法的缺點在于校準需要增加產線的大量工作量。

3. 無解的白平衡場景

根據國際電聯(lián)的標準ITU P910， ITU-R BT500-11，可以歸納出24個典型場景。基本可以分為“有無灰色”，“有無人”，“有無混合光源”，以及“有無大色塊”這幾種。

以大色塊為例，在相同的亮度條件下，機器是無法區(qū)分在日光燈下的黃色紙張與白熾燈下的白色紙張。

然而人卻能區(qū)分，因為人眼有一個叫做視覺恒常性的特點，人判斷物體的顏色還有大腦的參與，大腦會透過對環(huán)境物體的先驗認知來做校準，比如人知道草是綠色，香蕉是黃色。人腦通過這些物體來感知當前的光源情況。

很典型的如下圖，實際上圖中沒有任何紅色的像素點，然而人憑借著“草莓是紅色的”這個認知做了校準，看到紅色草莓，白色盤子和黃色花紋的桌子。這就是根據先驗知識來做白平衡的例子。

4. 機器學習帶來的希望

在傳統(tǒng)的白平衡算法都失效的情況下，機器學習帶來了模仿人腦視覺恒常性的希望。

簡而言之就是給機器做大量的圖片庫訓練，從而讓機器可以像人腦一樣識別不同物體的特征（草地，花朵等），從而在真正拍攝的圖片中篩選出這些特殊區(qū)域應用上有針對性的白平衡參數。
編輯：lyn