无论是手机拍照、监控相机还是工业视觉检测，色彩偏差都是最容易被用户察觉的画质问题。明明是白墙，拍出来却泛着蓝光；本该红润的肤色，成像后灰蒙蒙发绿。要解决这类问题，通常要从两个环节入手：一是拍摄端的白平衡，二是传感器数据到显示色彩空间的色彩矩阵转换。这两个环节一个决定整体色调是否准确，另一个决定各种颜色的相对关系是否还原到位，缺一不可。
白平衡为什么能纠正偏色
要理解白平衡，先要理解色温这个概念。光源的色温用开尔文（K）表示，数值越低光越偏暖（偏黄红），数值越高光越偏冷（偏蓝）。白炽灯的色温大约在2800K，正午日光约5500K，阴天可以到7000K以上。人眼有很强的色彩恒常性，无论在什么光源下看白纸，大脑都会自动把它“脑补”成白色。但图像传感器没有这种能力，它只是忠实地记录到达每个像素的光电信号，所以在白炽灯下拍的白纸会整体偏黄，在阴天户外拍的会整体偏蓝。
白平衡的作用，就是估计出当前场景光源的色温，然后对R、G、B三个通道施加不同的增益，把中性色（本应是灰白的区域）拉回灰色。假设估计出的光源偏暖，算法就会降低红色通道增益、提高蓝色通道增益，让画面整体色调恢复正常。这个过程可以简单理解为在RGB三通道上乘一个对角矩阵，R和G的增益比决定了色温校正量。
常见的自动白平衡算法
最经典的是灰世界算法（Gray World）。它的假设是：一幅内容足够丰富的图像，其R、G、B三个通道的平均值应该趋于相等，也就是整体趋近于灰色。算法实现非常简单，分别计算三个通道的均值，然后以绿色通道为基准，用均值比对红蓝通道做增益补偿。
import numpy as np
def gray_world_awb(img):
# img 为 float32 格式，取值范围 0~1
r_mean = img[..., 0].mean()
g_mean = img[..., 1].mean()
b_mean = img[..., 2].mean()
# 以绿通道为参考，计算红蓝通道增益
gain_r = g_mean / (r_mean + 1e-6)
gain_b = g_mean / (b_mean + 1e-6)
img[..., 0] = np.clip(img[..., 0] * gain_r, 0, 1)
img[..., 2] = np.clip(img[..., 2] * gain_b, 0, 1)
return img</code>灰世界算法的优点是计算量极小、实现容易，但局限也很明显：当画面大面积被单一颜色占据时，比如一片草地或一面红墙，算法会误判光源，把绿色或红色当成偏色强行“纠正”，结果反而造成严重失真。
另一种常用思路是完美反射法（White Patch），基于的假设是：场景中总存在高光反射点，这些点的亮度接近光源本身，应当是白色。算法找到图像中最亮的一批像素，把它们当作白点来计算增益。这个方法对存在镜面高光的场景效果不错，但遇到强逆光或画面中本身有高饱和亮色区域时容易出错。工程上更常见的做法是把多种算法的结果做加权融合，再结合人脸检测、色温传感器数据做修正，甚至建立色温-增益查找表，在不同光源环境下用标定数据插值，稳定性比单一算法好得多。
色彩矩阵：从传感器色彩到标准色彩空间
白平衡解决的是整体色调问题，但即使白平衡完全准确，其他颜色仍可能偏色。原因在于，相机传感器的光谱响应曲线和人眼完全不同。传感器上的 Bayer 滤色片对红绿蓝光的透过特性，与CIE标准观察者光谱响应曲线存在明显差异，导致传感器输出的RGB值不是“标准RGB”，比如拍一片纯红色物体，传感器输出的R值可能偏高，G和B也不是零，各种颜色的相对比例都和人眼感知有偏差。
色彩校正矩阵（Color Correction Matrix，简称CCM）就是为了解决这个问题。它用一个3x3矩阵对白平衡后的RGB向量做线性变换，把传感器自己的色彩空间映射到sRGB等标准色彩空间。矩阵的每一个系数都需要通过标定获得：在标准光源下拍摄包含多个色块的色卡（如经典的24色卡），用色度计或分光测色仪测量色卡的真实色度值，再与相机拍到的值建立对应关系，通过最小二乘法拟合出最优矩阵。
import numpy as np
def fit_ccm(sensor_rgb, target_rgb):
# sensor_rgb: 形状 (N, 3)，色卡上 N 个色块的传感器测量值
# target_rgb: 形状 (N, 3)，对应的标准色彩空间目标值
# 求解 sensor_rgb @ M = target_rgb 的最优 M
M, _, _, _ = np.linalg.lstsq(sensor_rgb, target_rgb, rcond=None)
return M
def apply_ccm(img, M):
shape = img.shape
flat = img.reshape(-1, 3)
corrected = flat @ M
return np.clip(corrected, 0, 1).reshape(shape)标定得到的3x3矩阵中，对角线元素一般大于1，非对角元素是负数或小于1的正数，起到交叉补偿的作用。举个例子，若传感器对红色的响应里混入了过多的绿色成分，矩阵中对应R行的G系数就会是负值，把多余的绿色扣回来。实际ISP流程中，CCM通常作用在白平衡之后、伽马校正之前，因为矩阵是在线性域标定的，如果先做了伽马压缩再乘矩阵，结果会严重偏离标定预期，这是新手调色时最常见的错误之一。
工程调校中的取舍与建议
纯数学最优的CCM不一定带来最好的观感。如果只追求色差最小化，把24色卡的误差全部压到最低，画面可能显得平淡、饱和度不足，用户反而觉得“不好看”。因此很多厂商会有意在标定目标之外加入偏好调整，比如轻微提升饱和度、让肤色偏向暖红、让天空更蓝，这些都是在准确与观感之间做平衡。肤色还原尤其关键，人眼对肤色的容忍度远低于对其他颜色，肤色偏绿或偏灰几乎立刻会被察觉，所以不少方案会在CCM之外单独做肤色检测与肤色专用校正。
实际排查色彩偏差问题时，建议按链路顺序逐段验证：先确认光源和AWB是否准确，用灰卡或中性物体检查白平衡；再检查CCM配置是否与当前传感器匹配，别把A型号的矩阵用到B型号上；最后核对伽马、色调映射等后处理环节是否引入了额外偏色。链路中任何一环出错，最终色彩都会崩掉，分段定位比整体盲调效率高得多。掌握白平衡与色彩矩阵这两把钥匙，绝大多数色彩偏差问题都能迎刃而解。