143、洞察驱动的实战标题——AWB的“色温估计困境“——混合光源场景下统计法AWB的本质局限，以及如何用色温似然分布做多峰估计

143、洞察驱动的实战标题——AWB的"色温估计困境"——混合光源场景下统计法AWB的本质局限，以及如何用色温似然分布做多峰估计

上周在产线上调一台双目机器人的RGB相机，客户反馈说在傍晚的商场走廊里，画面偏紫得厉害。我第一反应是查标定文件，结果发现色温标定范围是2500K到7500K，走廊里头顶是4000K的荧光灯管，尽头落地窗透进来6500K的日光，中间还夹着几盏3000K的暖色射灯。这种场景，统计法AWB基本就是瞎猜。

统计法AWB的根子在于它假设场景里有一个"主导光源"。灰度世界法假设RGB均值趋于中性灰，白点法假设场景里存在足够亮的白色参考面。这两个假设在单一光源下勉强成立，一旦场景里同时存在两个或三个色温差异超过1500K的光源，统计结果就会落在几个真实光源的加权平均附近——这个加权平均色温在物理上根本不存在，拍出来的白平衡就是那种说不清道不明的脏紫色。

我见过不少工程师在这个问题上死磕统计特征。有人把灰度世界法改成加权灰度世界，给图像中心区域更高权重；有人用边缘检测筛掉彩色区域再统计白点；还有人搞自适应阈值，动态调整白点筛选的上下限。这些方法在单一光源下确实能提升精度，但混合光源场景里，它们全都败在同一个地方——统计量是单峰的，而真实场景的光源分布是多峰的。

打个比方，统计法AWB就像让你闭着眼听一个房间里三个人同时说话，然后让你判断"这个房间的平均音调是多少"。这个平均音调毫无意义，你真正需要的是识别出三个人的声音分别是什么。色温估计也是同理，我们需要的不只是一个色温值，而是一组可能的色温候选，以及每个候选的可信度。

我去年在车载项目上试过一种思路，把AWB从"估计一个值"改成"估计一个分布"。具体做法是：对图像做分块，每