上一篇讲了自动白平衡的基本算法演进，最后提到，自动白平衡算法的不完美—-总有个场景会让白平衡失败。
这一篇就说说解决白平衡问题的三个层次。
层次1 ：如何发现问题。
根据国际电联的标准ITUP910， ITU-R BT500-11，
可以归纳出24个典型场景。
1. 暖光源（含人）
2. 白天雪景
3. 大片绿色（多云天）
4. 强日光
5.办公室暖白
6. 办公室暖白混合阴天日光
7.阴天
8.酒吧暖光源
9. 蓝晴天
10. 暖白混晴天日光
11. 超市暖白
12. 有云晴天
13.大阴天
14.蓝天晴天带水面反射
15. 日出/落
16. 蓝天绿地有云晴天
17 . 阴天有云
18.大晴天（含木头和人）
19.部分蓝天晴天（绿黄灰物体）
20. 大晴天人像
21.大晴天（绿地+人）
22. 晴天的阴影
23. 晴天的阴暗处（含白色物体）
24.火堆旁人像
下表是各场景对应CCT， EV ，色坐标。
总得来说：这些场景是日常拍照的实际场景，是‘有无灰色’，‘有无人’，‘有无大色块’‘一光源混合光源’，以及主要‘记忆色彩’（天蓝，绿地，树叶，肤色）的混合。
根据相机的设计需要，需要增删主要应用场景，比如车载相机就要主要兼顾路灯以及停车场光源。
现在就以这24个典型应用场景说说白平衡典型问题的解决方法。
层次2：如何解决问题。
问题1 ：普选制算法造成的决策偏差
英国前段时间投票决定脱欧，按照我同事的说法，就是这个国家傻瓜过多，出现了傻瓜决定国家未来的情况。那些不了解国民经济的普通老百姓，投票决定了脱欧。白平衡普选算法也存在同样的问题。那些根本就不是白色的点也混进来投票，导致最后的结果谬以千里。如何筛选掉这些点，就是普选制算法的主要课题之一。
方法一：照度筛选。
大部分的情况，人造的光源的亮度都不超过1000lux，而户外的晴天，太阳的照度基本上是10000lux起步。利用这个特点，一下就可以把参与投票的区域锁定到一个相对较小的范围5000k 到 6500k 之间。这就好比要选国家主席，选举人的范围就是人民大会堂那几千个人大代表。
同样道理白平衡什么意思，低照度以及sensor的响应特征也可以用来限定投票的范围。
方法二：多算法估计结果筛选。
上一篇文章中提到过几种白平衡算法，实际上根据不同的原理设计的白平衡算法还有很多，比如灰边法，colour gammut mapping，bayes 估计法等等。有论文对各算法性能做了排名。
从实际应用来说，这个排名没多少意义，因为人主观上也分不出来那些细小的偏差。但是从算法设计来讲，由于这些算法是从不同的原理出发计算白平衡，所以他们互相可以裨补缺益。可以利用多算法产生的不同结果，对选区进行进一步的缩小。这次选举有人大代表证也不行了，得是政治局委员才能投票。
方法三：直方图特征法以及其他特征
图像在可以利用校准提取光源响应的直方图特征，在运行期对直方图进行特征比对，进一步压缩选区。
这次基本上是政治局常委才能投票了。
以上方法做好，什么肤色，木头色，浅蓝，浅棕这些容易混进革命队伍的捣乱分子，就都可以搞定了。
方法四：各种光谱特征检测传感器
本质上白平衡的算法就是把各个光源区分开，按照标定的白平衡进行补偿。所以如果有个传感器直接检测出来当前是哪个光源，也就直接解决了这个问题。但是这涉及到成本和空间问题。太贵—-装不起，太大—-装不下。现在整个手机厚度的瓶颈就是相机模组，您再搞一个大光谱传感器放里边，结构工程师就得辞职了。
所以大部分情况也就是用个sensor能够辅助决策，这也就不错了。对此，成像算法工程师已经可以表示非常满足了。每加一个元件那可都是钱啊。
问题2：同色异谱问题
同色异谱，顾名思义，就是同色温，光谱却不同。有读者在上一篇文章里提问，比如户外有自然光6500K，室内有灯光D65也是6500K，我该怎么区分？这就是同色异谱问题。
大家表面上看都是黄皮肤黑眼睛，但是其实我是汉族你是蒙古族。你听到歌声想跳舞，我听到歌声只想睡觉。大家对同样的输入响应不同。这样在一起住就有点不方便，于是我们伟大光荣正确的党想出了民族区域自治的方法。我划块专属的地方给你，美其名曰少数民族自治区。在算法里这也同样适用。在主区域里退一点，再扣出来一个区域给光源2，您在特区搞港人治港吧，对你我特别处理。当大多白点都在特区的时候，那就特区决定图像白点。
单一光源的问题到此基本解决。然而，问题总是源源不断的出现的，有问题要解决，没有问题创造问题也要解决。
问题3：混合光源。
问题一和二解决了单一光源的问题，如果遇到混合光源怎么办？
场景6和场景10是两种典型的混合光源场景。基本上是室外的自然光与室内的人造光源混合。基本上是室外6500k–5000k与室内4000–3000k，有人说为什么不考虑2000K和户外的光源混合。2000K基本上是蜡烛火炉之类的，照度非常微弱，大白天在屋子里点一蜡烛，那点光都被阳光淹没了。
方法1：照度投票法
D_Final = lux_A x D_A + lux_B x D_B，哪头亮就权重高。
这就好比闹革命的，领头的基本都是大嗓门的，说话声音大人家才听得到，所以也顺其自然就成了领导。当然，一般领导都有咽喉炎。
方法2：领地面积法：
照度法的问题是，A光源可能就照到一点点地方，却以它作为最终决策，这明显不对。于是方法2选择谁照的地方多，就听谁的。
D_Final = Area_A x D_A + Area_B x D_B ，哪头面积大就权重高。
无论方法1还是方法2都不是人眼的工作方式,人眼的工作方式是local 白平衡。
方法3： Local 白平衡。
区域A 被A光源照到，区域B被B光源照到，分别对A 区和B区做白平衡。这种方法现在还处于试验阶段，也有公司提供解决方案。对于有的场景，效果还不错。
层次3：如何犯错误？ ——白平衡失败之后
总是有的场景，白平衡处理失败白平衡什么意思，这是当前白平衡算法领域的一个基本事实。重要的是：什么样的失败程度是可接受的，以及什么样的失败是人眼喜欢的。
图中可以看到四个方向偏差：planckian轴向正负偏差，等温线方向正负偏差。
关于偏差的视觉主观影响，以及色貌模型，都是非常有趣的课题，将在以后介绍。
admin