白平衡初探

1 什么叫白平衡

什么是白平衡呢?白平衡的英文为 White Balance，其基本概念是“不管在任何光源下，都能将白色物体还原为白色”，对在特定光源下拍摄时出现的偏色现象，通过加强对应的补色来进行补偿。相机的白平衡设定可以校准色温的偏差，在拍摄时我们可以大胆地调整白平衡来达到想要的画面效果。

白平衡，字面上的理解是白色的平衡。白平衡是描述显示器中红、绿、蓝三基色混合生成后白色精确度的一项指标。白平衡是电视摄像领域一个非常重要的概念，通过它可以解决色彩还原和色调处理的一系列问题。白平衡是随着电子影像再现色彩真实而产生的，在专业摄像领域白平衡应用的较早。家用电子产品（家用摄像机、数码照相机）中也广泛地使用，然而技术的发展使得白平衡调整变得越来越简单容易，但许多使用者还不甚了解白平衡的工作原理，理解上存在诸多误区。它是实现摄像机图像能精确反映被摄物的色彩状况，有手动白平衡和自动白平衡等方式。许多人在使用数码摄像机拍摄的时候都会遇到这样的问题：在日光灯的房间里拍摄的影像会显得发绿，在室内钨丝灯光下拍摄出来的景物就会偏黄，而在日光阴影处拍摄到的照片则莫名其妙地偏蓝，其原因就在于白平衡的设置上。

在我们使用的相机上，都可以设定白平衡，大多数的人都设定成自动白平衡，这个方式简单又方便，大部分情况下也可以满足日常拍摄的需求。相机会分析我们拍摄场景的光线环境，并且尽力还原白色，光的色调是通过色温来实现的，色温会告诉相机这些光是暖色调还是冷色调。在我们使用的相机上，都可以设定白平衡，大多数的人都设定成自动白平衡，这个方式简单又方便，大部分情况下也可以满足日常拍摄的需求。相机会分析我们拍摄场景的光线环境，并且尽力还原白色，光的色调是通过色温来实现的，色温会告诉相机这些光是暖色调还是冷色调。

2 色温是什么？

色温说的是光线的温度，比如暖光或者冷光。色温的测量单位是开尔文，表示为 K，也就是我们平常经常再说色温的时候，见到的比如 5000k, 4500k 这个概念。

  1）冷光，色温高，偏蓝

  2）暖光，色温低，偏红

现在我们是不是大概明白色温的意思了。色温其实并不难懂，上图当中色温从高到低，颜色也由偏蓝的冷光到偏黄的暖光。

3 常见的色温

有一些常见的场景的色温，我们需要比较熟悉，这样可以帮助我们快速的判断我们的拍摄场景，选择合适的色温。

• 阴天的下午或阴天：6000-7000K

• 直接正午的阳光：5200-5500K

• 白色荧光灯：4000K

• 白炽灯：2800K

• 蜡烛：1800K

4 白平衡算法

1）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 = (Raver+Gaver+Baver)/3,其中 Raver,Gaver,Baver 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：

  Kr=K/Raver;

    Kg=K/Gaver;

    Kb=K/Baver; 

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：

    Rnew = R * Kr; 

    Gnew = G * Kg; 

    Bnew = B * Kb; 

 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 Rnew、Gnew、Bnew 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。

Matlab 实现：  

close all

clear all  

clc  

I=imread('test1.jpg');  

[H,W,L]=size(I);%得到图像长宽高

Rsum = 0;

Gsum = 0;

Bsum = 0;

Rsum = double(Rsum);

Gsum = double(Gsum);

Bsum = double(Bsum);

for i = 1 : H

for j = 1 :W

Rsum = Rsum + double(I(i,j,1));  

Gsum = Gsum + double(I(i,j,2));

Bsum = Bsum + double(I(i,j,3));

end

end  

Raver = Rsum / (H*W);

Gaver = Gsum / (H*W);

Baver = Bsum / (H*W);

%K=128;%第一种 K 取值方法

K = (Raver+Gaver+Baver)/3;%第二种方法  

Rgain = K / Raver;

Ggain = K / Gaver;

Bgain = K / Baver;

Iwb(:,:,1) = I(:,:,1) * Rgain;

Iwb(:,:,2) = I(:,:,2) * Ggain;  

Iwb(:,:,3) = I(:,:,3) * Bgain;  

imwrite(Iwb,'Result1.jpg');  

figure(1),  

subplot(121),imshow(I),title('原始图像');  

subplot(122),imshow(Iwb),title('自动白平衡图像');

2）完美反射算法

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 RGB 之和，并保存到一临时内存块中。

（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。

（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 RGB 分量的累积和的平均值。

（4）对每个点将像素量化到[0,255]之间。

Matlab:

%完美反射算法 --ABW

close all

clear all

clc  

I=imread('test7.jpg');

I=im2double(I);  

R=I(:,:,1);

G=I(:,:,2);

B=I(:,:,3);

%（1）计算每个像素的 RGB 之和，并保存到一临时内存块中。

RGBsum=R+G+B;

%（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。

sumsort=sort(RGBsum(:)');

count=round(size(sumsort,2)*0.9);

T=sumsort(count);

index=RGBsum>T;

KR=max(R(:))/mean(R(index));

KG=max(G(:))/mean(G(index));

KB=max(B(:))/mean(B(index));

R1=R*KR;

G1=G*KG;

B1=B*KB;

out=cat(3,R1,G1,B1);

figure(1),

subplot(121),imshow(I),title('原始图像');

subplot(122),imshow(out),title('完美反射法')

3）动态阈值法

（1）.  把图像 w*h 从 RGB 空间转换到 YCrCb 空间。

（2）.  选择参考白色点：

  a. 把图像分成宽高比为 4:3 个块(块数可选)。

  b. 对每个块，分别计算 Cr，Cb 的平均值 Mr，Mb。

  c. 对每个块，根据 Mr，Mb，用下面公式分别计算 Cr，Cb 的方差 Dr，Db。

  d. 判定每个块的近白区域（near-white region）。

判别表达式为：

设一个“参考白色点”的亮度矩阵 RL，大小为 w*h。

若符合判别式，则作为“参考白色点”,并把该点（i,j）的亮度（Y 分量）值赋给 RL(i,j)；

 若不符合，则该点的 RL(i,j)值为 0。

（3）.  选取参考“参考白色点”中最大的 10%的亮度（Y 分量）值，并选取其中的最小值 Lu_min.

（4）.  调整 RL，若 RL(i,j)<Lu_min,  RL(i,j)=0; 否则，RL(i,j)=1；

（5）. 分别把 R，G，B 与 RL 相乘，得到 R2，G2，B2。 分别计算 R2，G2，B2 的平均值，Rav，Gav，Bav；

（6）.  得到调整增益：

    Ymax=double(max(max(Y)))/5;

    Rgain=Ymax/Rav;

    Ggain=Ymax/Gav;

    Bgain=Ymax/Bav;

（7）.  调整原图像：

   Ro= R*Rgain; 

   Go= G*Ggain; 

   Bo= B*Bgain;

Matlab：

clear all; 

close all;

clc;

I=imread('test1.jpg');

im1=rgb2ycbcr(I);%将图片的 RGB 值转换成 YCbCr 值%

Lu=im1(:,:,1);

Cb=im1(:,:,2);

Cr=im1(:,:,3);

[H, W, L]=size(I);

tst=zeros(H,W);

%计算 Cb、Cr 的均值 Mb、Mr%

Mb=mean(mean(Cb));

Mr=mean(mean(Cr));

%计算 Cb、Cr 的均方差%

Db=sum(sum(Cb-Mb))/(H*W);

Dr=sum(sum(Cr-Mr))/(H*W);

%根据阀值的要求提取出 near-white 区域的像素点%

cnt=1;

for i=1:H

for j=1:W

b1=Cb(i,j)-(Mb+Db*sign(Mb));

b2=Cr(i,j)-(1.5*Mr+Dr*sign(Mr));

if (b1<abs(1.5*Db) & b2<abs(1.5*Dr))

Ciny(cnt)=Lu(i,j);

tst(i,j)=Lu(i,j);

cnt=cnt+1;

end

end

end

cnt=cnt-1;

iy=sort(Ciny,'descend');%将提取出的像素点从亮度值大的点到小的点依次排列% 

nn=round(cnt/10);

Ciny2(1:nn)=iy(1:nn);%提取出 near-white 区域中 10%的亮度值较大的像素点做参考白点%

%提取出参考白点的 RGB 三信道的值%

mn=min(Ciny2);

for i=1:H

for j=1:W 

if tst(i,j)<mn

tst(i,j)=0;

else

tst(i,j)=1;

end

end

end

R=I(:,:,1);

G=I(:,:,2);

B=I(:,:,3);

R=double(R).*tst;

G=double(G).*tst;

B=double(B).*tst;

%计算参考白点的 RGB 的均值%

Rav=mean(mean(R));

Gav=mean(mean(G));

Bav=mean(mean(B));

Ymax=double(max(max(Lu)))/15;%计算出图片的亮度的最大值%

%计算出 RGB 三信道的增益%

Rgain=Ymax/Rav;

Ggain=Ymax/Gav;

Bgain=Ymax/Bav;

%通过增益调整图片的 RGB 三信道%

im(:,:,1)=I(:,:,1)*Rgain;

im(:,:,2)=I(:,:,2)*Ggain;

im(:,:,3)=I(:,:,3)*Bgain;

%显示图片%

figure(1),

subplot(121),imshow(I),title('原始图像');

subplot(122),imshow(im),title('动态阈值法');