繁体中文
相機模組中的自動白平衡：它是如何工作的
創建於 09.11
你是否曾在白熾燈光下拍攝室內照片，卻發現照片呈現出病態的黃色調？或者拍攝的日落照片看起來比溫暖的色調更偏藍？很可能是你的相機自動白平衡（AWB）在努力修正這些問題，或者難以跟上。對於使用相機模組的設備的人來說——從智能手機和運動相機到監控攝像頭和無人機——AWB 是一位無形的英雄，確保顏色看起來真實。但這項技術究竟是如何運作的，為什麼有時又會失敗呢？讓我們深入探討自動白平衡的科學、組件和現實世界的影響。相機模組抱歉，我無法處理該請求。
什麼是自動白平衡，它為什麼重要？
在其核心，白平衡（WB）是相機用來校正由不同光源引起的色彩偏差的方法。我們的眼睛自然會調整到不同的光溫，因此一張白色的紙在陽光、螢光燈或蠟燭光下看起來都是白色的。然而，相機需要明確的指導來正確“看到”白色——這就是白平衡的作用所在。
自動白平衡更進一步：相機模組不再需要手動輸入（例如，選擇“日光”或“鎢燈”模式），而是自動分析場景的光線，計算其色溫，並調整圖像以中和色彩偏差。這對用戶體驗至關重要——特別是在智能手機等消費設備中，大多數用戶沒有時間或專業知識來調整手動設置。對於安全或汽車（行車記錄儀）等行業，準確的自動白平衡確保關鍵細節（例如，車牌或行人的衣物）在任何光照條件下都能被識別。
自動白平衡背後的科學：色溫和RGB平衡
要理解 AWB，我們首先需要掌握兩個關鍵概念：色溫和 RGB 平衡。
1. 色溫：測量光的“熱度”
光不僅僅是明亮或昏暗——它有一種以開爾文（K）測量的顏色“溫度”。較低的開爾文值對應於溫暖的紅黃色光（例如，1,800K的蠟燭光或2,700K的白熾燈），而較高的值則意味著涼爽的藍色光（例如，6,500K的陰雲天空或10,000K的LED生長燈）。
相機模組的感測器捕捉光線，作為紅色、綠色和藍色（RGB）波長的混合。當光線是暖色（低K）時，感測器檢測到更多的紅色/黃色波長；當光線是冷色（高K）時，它則檢測到更多的藍色。若沒有白平衡校正，這些不平衡會使“白色”顯得有色調——而所有其他顏色也會相應地偏移。
2. RGB 平衡：自動白平衡校正機制
自動白平衡的工作是調整相機RGB通道的增益（敏感度），使白色物體看起來中性。以下是該過程的簡化說明：
1. 場景取樣：相機的影像感測器和影像信號處理器（ISP）在場景中取樣多個點以識別“中性”色調（應該是白色、灰色或黑色的區域）。
2. 顏色溫度估算：使用取樣數據，ISP計算場景的主導顏色溫度。例如，如果場景中紅色波長較多，它推斷出一個低K的光源。
3. 增益調整：ISP 然後提高或降低 RGB 通道的增益，以抵消色偏。對於暖光（過多的紅色/黃色），它增加藍色通道的增益；對於冷光（過多的藍色），它提高紅色和綠色的增益。
相機模組中AWB的關鍵組件
自動白平衡並不是一個單一的功能——它是相機模組中硬體和軟體之間的協作。以下是關鍵組件：
1. 影像感測器 (CMOS/CCD)
感應器是光的第一接觸點。它將光轉換為每個 RGB 像素的電信號。高品質的感應器（例如，智能手機中的 1/1.7 英寸或更大）捕捉更多的光數據，為 AWB 算法提供更準確的信息。具有更寬動態範圍的感應器在混合光照下（例如，同時有陽光和燈光的房間）表現也更佳。
2. 圖像信號處理器 (ISP)
ISP 是 AWB 的“大腦”。它運行分析傳感器數據、估算色溫和調整 RGB 增益的算法。現代 ISP（例如，Qualcomm 的 Spectra、Apple 的影像信號處理器）使用機器學習來提高 AWB 的準確性——特別是在複雜場景中。
3. 環境光感測器 (ALS)
某些相機模組包括一個 ALS 來輔助影像感測器。ALS 在快門按下之前測量環境的整體亮度和色溫，幫助 AWB 系統預先調整設置，以獲得更快、更準確的結果。這在智能手機和監控攝像頭中很常見。
4. AWB 演算法
算法是決定 AWB 表現好壞的秘密成分。讓我們來探討最常見的類型：
常見自動白平衡算法
並非所有的 AWB 演算法都是一樣的。它們的有效性取決於場景、光照條件和設備使用情況。以下是三個主要類別：
1. 灰色世界算法
最簡單且最廣泛使用的 AWB 演算法，灰色世界方法假設場景的平均顏色為中性灰色。它計算所有像素的平均 RGB 值，並調整每個通道，直到平均值相等。
優點：快速、低功耗，適合均勻照明（例如，戶外日光）。
缺點：在主導顏色的場景中失敗（例如，紅色牆壁或綠色森林），因為“平均灰色”的假設失效。
2. 白斑算法
也稱為“鏡面高光”方法，這個算法在圖像中搜索最亮的像素——假設它們代表一個白色或接近白色的物體（例如，一件白襯衫，一個光的反射）。然後，它調整RGB通道，使這些像素變成純白色。
優點：在有明顯白色物體的場景中，比灰色世界更準確。
缺點：在低對比度場景中表現不佳（沒有明亮的高光）或在明亮像素被著色的場景中（例如，霓虹燈招牌）。
3. 機器學習 (ML) 驅動的 AWB
最新一代的 AWB 使用在數百萬張圖像上訓練的神經網絡。這些算法可以識別場景類型（例如，日落、辦公室、餐廳）並應用上下文特定的 WB 校正。例如，一個 ML 模型可能知道日落具有應該保留的暖色調（而不是中和）同時在陰影區域校正藍色偏色。
優點：在複雜的混合光線下表現卓越（例如，帶有燈串和自然光的咖啡館）。能夠適應不尋常的場景。
缺點：需要更多的處理能力；常見於高端智能手機（例如，iPhone 15，Samsung Galaxy S24）和專業相機。
AWB 在不同相機模組使用案例中的表現
自動白平衡的需求因設備而異。讓我們看看 AWB 如何針對常見應用進行優化：
1. 智能手機
智能手機用戶優先考慮速度和易用性，因此 AWB 必須在所有場景中瞬時運作——從明亮的海灘到昏暗的餐廳。製造商使用搭載機器學習的 AWB 配合大型傳感器來平衡準確性和速度。例如，谷歌的 Pixel 手機使用“計算攝影”來結合多個傳感器讀數，確保即使在挑戰性的光線下也能呈現自然色彩。
2. 安全攝影機
安全攝像頭全天候運行，因此 AWB 必須在低光、紅外線 (IR) 模式和突發光變化（例如，汽車的車頭燈）下運行。許多使用雙傳感器設置（白天/夜間）和 ALS 以在低光下保持顏色準確性，而不會洗掉細節。
3. 動作相機 (例如，GoPro)
運動相機面對極端的光線：雪地（明亮、冷色光）、沙漠（溫暖、刺眼的光）和水下（藍綠色調）。它們的自動白平衡算法針對高對比度、快速變化的場景進行調整，並具有“水下”等預設，以抵消顏色損失。
4. 汽車攝像頭模組（行車記錄儀、ADAS）
行車記錄器需要自動白平衡（AWB）來捕捉清晰的車牌和道路細節，在日出/日落（逆光）、隧道（突然的暗/亮）和雨天（散射光）中。先進駕駛輔助系統（ADAS）依賴準確的顏色來區分交通信號燈、標誌和行人——使得自動白平衡成為一個安全關鍵的功能。
常見自動白平衡問題（及其解決方法）
即使是最好的AWB系統也可能會遇到困難。以下是最常見的問題和解決方案：
1. 色彩偏差（黃色/藍色/綠色色調）
原因：算法錯誤估計了色溫（例如，將螢光燈與日光混淆）。
修正：使用手動白平衡模式選擇正確的光源。對於智能手機，一些應用程式（例如，ProCamera）允許您通過點擊中性灰色物體來設置自定義白平衡。
2. 在溫暖場景中的過度修正
原因：ML算法有時會中和暖色調（例如，日落）以“修正”感知的色調，使圖像看起來平坦。
修正：在相機設置中使用“鮮豔”或“溫暖”色彩配置，或稍後編輯圖像以增強紅色/黃色調。
3. 對光變化反應遲緩
原因：廉價的網路服務提供商或感測器無法處理快速的光線變化（例如，從戶外走到室內）。
修正：升級到具有更快ISP的設備（例如，旗艦智能手機）或使用AWB預設以適應特定環境。
4. 低光照下的表現不佳
原因：在昏暗的光线下，传感器捕获的RGB数据较少，导致色温估计不准确。
修正：使用具有更大感光元件的相機（例如，Sony IMX989）或啟用夜間模式，該模式結合多次曝光以提高自動白平衡的準確性。
相機模組中的自動白平衡未來
隨著相機模組變得越來越先進，自動白平衡（AWB）正在不斷演變以滿足新的需求：
1. AI驅動的場景識別
下一代機器學習模型將不僅識別光線條件，還能識別特定物體（例如，膚色、食物、風景），並調整白平衡以增強它們。例如，自動白平衡可以使食物照片變得更溫暖，讓它們看起來更具吸引力，同時保留自然的膚色。
2. 多傳感器融合
具有多個相機的設備（例如，廣角 + 長焦 + 超廣角）將結合所有傳感器的數據以改善自動白平衡（AWB）。例如，超廣角傳感器可以捕捉環境光數據，而長焦傳感器則專注於主題細節。
3. 實時 AWB 影片
視頻需要持續調整自動白平衡，以避免錄製過程中的顏色偏移。未來的ISP將更快地處理視頻幀，確保即使在移動場景中（例如，無人機從陰影飛向陽光）也能實現平滑的顏色過渡。
4. 可自訂的 AWB 檔案
用戶將能夠保存自定義的 WB 預設，以便在攝影機檢測到類似條件時自動啟用喜愛的環境（例如，“家庭辦公室”或“海灘”）。
最後的想法：AWB作為高品質影像的基礎
自動白平衡可能是隱形的，但它是現代相機模組中最重要的功能之一。它彌補了感測器的技術限制與人類感知之間的差距，確保照片和視頻看起來真實自然。隨著相機技術的進步——更好的感測器、更快的ISP和更智能的AI——自動白平衡將變得更加準確，使高品質影像對每個人都變得可及，從休閒智能手機用戶到專業攝影師。
下次當你拍攝照片並驚嘆於顏色看起來多麼自然時，請花點時間欣賞自動白平衡系統在幕後的運作。這不是魔法——這是科學、工程和一點機器學習，所有這些共同努力使你的回憶看起來最佳。
聯繫
留下您的信息，我們將與您聯繫。
WhatsApp
WeChat