相机中白平衡的算法模拟实现

cpuimage

发布于 2018-04-12 15:14:25

1.9K0

发布于 2018-04-12 15:14:25

文章被收录于专栏：算法+算法+

相机主要技术点为3A算法。

而3A算法主要指的是自动对焦(AF)、自动曝光(AE)及自动白平衡(AWB)。自动白平衡:根据光源条件调整图片颜色的保真程度。

网上时常有类似招聘如下的招聘信息:

---------------------------------------------- ----------------------------------------------

Camera/ISP 算法工程师摄像机3A算法软件工程师

这里随机摘录一些具体要求。

任职要求： 1、本科以上学历，天文，物理，机电、工业自动化，电子相关专业，硕士学历优先考虑； 2、本科毕业3年以上，硕士毕业1年以上的相关行业相关工作经验要求； 3、熟练掌握C/C++或者FPGA 开发语言,数据结构,MATLAB,信号和系统； 4、掌握数字色度学，数字图像处理，数字影像处理的基本知识； 5、熟悉摄像机成像原理； 6、掌握3A(AF,AE,AWB)算法之一； 7、对于自动化控制，数字信号采样，滤波，负反馈，PID算法有实际经验； 8、理解从镜头到SENSOR,电机，ISP，编码器，采集，显示通道一些列变化。

任职要求： 1. 精通camera的3A（AE,AWB,AF）算法原理和设计思路，有3A算法的设计经验为佳 2. 具备丰富ISP（图象处理器）开发经验，熟悉MTK，QUALCOMM, OV等便携式终端上应用的ISP开发环境。有上述环境下开发经验为佳。 3. 精通数字图像处理原理和基础知识。 4. 熟悉C/C++语言，有开发经验为佳 5. 有手机/便携式相机3A算法实现/应用经验 6. 精通CMOS sensor的工作原理

---------------------------------------------- ----------------------------------------------

而这类职位一般都是高薪待遇。

然后问题来了，市面上3A算法相关资料都非常稀少，就连相关书籍都很少提及算法细节，而他们基本上都会要求精通3A算法至少之一。

而关于白平衡算法，比较不错的资料是这份：

基于灰度世界、完美反射、动态阈值等图像自动白平衡算法的原理、实现及效果

之前多次与博主laviewpbt探讨相关的知识，受益匪浅。

而据我所知，绝大多数的相机采用的基础算法便是灰度世界算法,然后在这算法的基础上再改进。

贴一下《基于灰度世界、完美反射、动态阈值等图像自动白平衡算法的原理、实现及效果》灰度世界法的大概内容。

---------------------------------------------- ----------------------------------------------

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。

---------------------------------------------- ----------------------------------------------

算法的大概思路就是评估一张图片RGB三个通道的中最能表达该通道富含信息的值，然后以该值为基准重新调整像素。

这样就会存在评估不够准确的问题，导致各通道像素信息差距过大，形成噪点以及偏色等现象。

因为如果采用取最大值的方案就会导致在特定情况明显不均衡，例如该通道大多数的值落在最小值周围，而却存在一个遥远处的最大值，那么就会导致像素信息差距过大，就很糟糕了。

所以在第二种思路上进行进一步改进比较稳妥，因为可用的信息比较多，不容易出问题。

第二种思路，最简单的另一种改进就是采用灰度法。

均值法: K = (Raver+Gaver+Baver)/3

我们知道常用的视频采集编码是YUV。

YUV相关见百度百科:YUV

其中的Y为:

Y =0.299*R + 0.587*G+0.114*B

故灰度法相应可对应为:

K=0.299*Raver + 0.587*Gaver+0.114*Baver

经过实测，这样的处理后效果还不错。

贴上对比图：

原图

均值法

灰度法

单从肉眼上去分辨两张图片,的确很难分出优劣。

不过我也只是大概点一下这个思路而已，有所积累的人，看到这，应该可以发散出更多的想法。

接下来我要说的是具体相机中的钨丝灯等手动白平衡是如何实现的。

简单的说就是色温调节。

那么基于灰度世界这个白平衡算法可以怎么实现这种调节呢？！

这里贴出简单实现的C代码：

switch (preset)
	{
	case AUTO: 
		Raver = (SumR / numberOfPixels);
		Gaver = (SumG / numberOfPixels);
		Baver = (SumB / numberOfPixels);
		break;
	case CLOUDY: 
		Raver = (SumR *1.953125 / numberOfPixels);
		Gaver = (SumG*1.0390625 / numberOfPixels);
		Baver = (SumB / numberOfPixels);
		break;
	case DAYLIGHT: 
		Raver = (SumR *1.2734375 / numberOfPixels);
		Gaver = (SumG / numberOfPixels);
		Baver = (SumB*1.0625 / numberOfPixels);
		break;
	case INCANDESCENCE: 
		Raver = (SumR *1.2890625 / numberOfPixels);
		Gaver = (SumG / numberOfPixels);
		Baver = (SumB*1.0625 / numberOfPixels);
		break;
	case FLUORESCENT: 
		Raver = (SumR *1.1875 / numberOfPixels);
		Gaver = (SumG / numberOfPixels);
		Baver = (SumB*1.3125 / numberOfPixels);
		break; 
	case TUNGSTEN:
		Raver = (SumR / numberOfPixels);
		Gaver = (SumG*1.0078125 / numberOfPixels);
		Baver = (SumB*1.28125 / numberOfPixels);
		break;
	default:
		break;
	}

enum WB_PRESET{
	//自动白平衡
	AUTO,
	//阴天 7500k
	CLOUDY,
	//日光 6500k 
	DAYLIGHT,
	//白热光 5000k 
	INCANDESCENCE,
	//日光灯 4400k
	FLUORESCENT,
	//钨丝灯 2800k 
	TUNGSTEN,
};