【图像处理】白平衡原理及实现_图像白平衡原理及实现

1.白平衡的出现

白平衡，顾名思义，即白色的平衡，由于人眼的适应性，在不同色温下，都能准确判断出白色，但是相机就差远了，在不同色温的光源下，图像会出现偏色，与人眼看到的颜色不一致，因此需要进行白平衡处理。在数码相机中，往往有ISP，这里面会做AWB（自动白平衡）处理。

下面先来说说白平衡与色温，然后介绍一种简单的白平衡算法，并且考虑其硬件化实现。

 

白平衡后的图像看起来更真实，这里说的真实，是指人眼实际看到的效果。

2.白平衡与色温

色温指某一温度下黑体所辐射的光谱，我们知道，blackbody吸收所有光谱，既不反射也不透过，因此，我们看到的黑体的颜色只与其表面温度相关。不同温度下黑体辐射出的光谱相对强度如下，可以看出，温度升高时，辐射的峰值波长在向短波方向移动，我们知道，温度越高，能量越大，而红橙黄绿蓝锭紫，波长依次减小，光子能量依次增大。因此，色温越高，光线越偏冷色，色温越低，光线越偏暖色。

有些数码相机在做白平衡时，可以手动选择光源，不同光源的色温如下：

自动白平衡（auto white balance，AWB），相对来说可能没有手动白平衡效果好，对于非摄影应用来说，由于无须人为设置，而广泛应用成像监控领域。

3.白平衡的方法介绍

白平衡的算法很多，有灰度世界法，完美反射法、动态阈值法，这里先介绍一种比较简单的，灰度世界法。

3.1灰度世界法

该方法以灰度世界假设为前提，认为对于一幅有大量色彩的场景，R、G、B分量的平均值趋于同一个灰度。算法大致可以分为以下三步：

1. 计算三个通道的平均灰度
2. 计算三个通道的增益系数
3. 原始值乘上增益系数

matlab代码如下：

%%白平衡与色温紧密相关，不同色温光源下图像会呈现不同程度的偏色
%%由于人眼独特的适应性，在不同光照条件下观看物体时不会出现偏色，而就没这么先进了
%%蓝色光色温高，红色光色温低
 
clc;
clear all;
close all;
tic;
imgSrc = imread('E:\picture\03-work\02-imgProc\00-ISP\wb_sardmen-incorrect.jpg');
imgDst = imgSrc;
%%第一步，计算三个通道的平均灰度
imgR = imgSrc(:,:,1);
imgG = imgSrc(:,:,2);
imgB = imgSrc(:,:,3);
RAve = mean2(imgR);
GAve = mean2(imgG);
BAve = mean2(imgB);
aveGray = (RAve + GAve + BAve) / 3;
%%第二步，计算三个通道的增益系数
RCoef = aveGray / RAve;
GCoef = aveGray / GAve;
BCoef = aveGray / BAve;
%%第三步，使用增益系数来调整原始图像
RCorrection = RCoef * imgR;
GCorrection = GCoef * imgG;
BCorrection = BCoef * imgB;
imgDst(:,:,1) = RCorrection;
imgDst(:,:,2) = GCorrection;
imgDst(:,:,3) = BCorrection;
figure,subplot(1,2,1),imshow(imgSrc),title('original image');
subplot(1,2,2),imshow(imgDst),title('white balanced image');
toc;

效果如下，该算法适用于有大量色彩的场景。

灰度世界法的第二种实现

 

matlab实现如下：

function res = WhiteBalance(img)
RGB=imread(img);
R=RGB(:,:,1);
G=RGB(:,:,2);
B=RGB(:,:,3);
I=0.299*R+0.587*G+0.114*B;
kr=mean(I(:))/mean(R(:));
kg=mean(I(:))/mean(G(:));
kb=mean(I(:))/mean(B(:));
% res(:,:,1)=kr*R;
% res(:,:,2)=kg*G;
% res(:,:,3)=kb*B;
res=cat(3,kr*R,kg*G,kb*B);
end

 

3.2最大值平衡

 matlab实现如下：

function res = MaxValueBalance(img)
RGB=imread(img);
R=RGB(:,:,1);
% figure, imhist(R);
G=RGB(:,:,2);
% figure, imhist(G);
B=RGB(:,:,3);
% figure, imhist(B);
Srgb=min([max(R(:)) max(G(:)) max(B(:))]);
Nmax=max([sum(sum(R>=Srgb)) sum(sum(G>=Srgb)) sum(sum(B>=Srgb))]);
Tr_temp=sort(R(:),'descend');
Tr=Tr_temp(Nmax);
Tg_temp=sort(G(:),'descend');
Tg=Tg_temp(Nmax);
Tb_temp=sort(B(:),'descend');
Tb=Tb_temp(Nmax);
kr=Srgb/Tr;
kg=Srgb/Tg;
kb=Srgb/Tb;
% res(:,:,1)=kr*R;
% res(:,:,2)=kg*G;
% res(:,:,3)=kb*B;
res=cat(3,kr*R,kg*G,kb*B);
end

 

4.考虑硬件化实现

对于数字硬件来说，要考虑算法硬件实现的可能性，一般来说，可以利用帧间数据相关性，使用上一帧计算得到的各个分量的增益系数来完成图像数据的调整。算法实现如下：

1. 帧有效期间，完成各个分量数据的累加；
2. 帧消隐期间，完成通道平均灰度与增益系数的计算；
3. 下一帧有效期间，使用上一帧计算的增益系数完成数据调整，同时，完成各个分量数据的累加，依此下去。

参考

图像白平衡原理及实现_lemonHe_的博客-CSDN博客_图像白平衡