一、原始的灰度世界算法
灰度世界算法（Gray World)是以灰度世界假設為基礎的,該假設認為對於一幅有着大量色彩變化的圖像, R、 G、 B 三個分量的平均值趨於同一個灰度K。一般有兩種方法來確定該灰度。
（1)直接給定為固定值, 取其各通道最大值的一半,即取為127或128；
（2)令 K = (Raver+Gaver+Baver)/3,其中Raver,Gaver,Baver分別表示紅、 綠、 藍三個通道的平均值。
算法的第二步是分別計算各通道的增益：
Kr=K/Raver;
Kg=K/Gaver;
Kb=K/Baver;
算法第三步為根據Von Kries 對角模型,對於圖像中的每個像素R、G、B，計算其結果值：
Rnew = R * Kr;
Gnew = G * Kg;
Bnew = B * Kb;
對於上式，計算中可能會存在溢出（>255,不會出現小於0的)現象，處理方式有兩種。
a、 直接將像素設置為255，這可能會造成圖像整體偏白。
b、 計算所有Rnew、Gnew、Bnew的最大值，然后利用該最大值將將計算后數據重新線性映射到[0,255]內。實踐證明這種方式將會使圖像整體偏暗，建議采用第一種方案。
一般來說，灰度世界算法的效果還是比較好的呢，並且該算法的執行速度非常之快，目前也存在了不少對該算法進行改進的效果，有時間我在整理一下。
原圖 處理后的圖
二、完美反射算法
當初寫這個代碼的時候的一些參考文獻一下子也找不到了，就從已經寫好的代碼中描述下該算法的過程吧。
原理：完美全反射理論perfect Reflector假設圖像上最亮點就是白點，並以此白點為參考對圖像進行自動白平衡,最亮點定義為R+G+B的最大值,具體編碼步驟如下：
（1）計算每個像素的R\G\B之和，並保存到一臨時內存塊中。
for (Y = 0; Y < Height; Y++)
{
Pointer = bmp.Pointer + Y * Stride;
for (X = 0; X < Width; X++)
{
Sum = (short)(*(Pointer) + *(Pointer + 1) + *(Pointer + 2)); // R+G+B
HistRGB[Sum]++;
*SumP = (short)Sum;
Pointer += 3;
SumP++;
}
}
（2）按R+G+B值的大小計算出其前10%或其他Ratio的白色參考點的的閾值T。
for (Y = 767; Y >= 0; Y--)
{
Sum += HistRGB[Y];
if (Sum > Width * Height * Ratio / 100)
{
Threshold = Y;
break;
}
}
（3）遍歷圖像中的每個點，計算其中R+G+B值大於T的所有點的R\G\B分量的累積和的平均值。
for (Y = 0; Y < Height; Y++)
{
Pointer = bmp.Pointer + Y * Stride;
for (X = 0; X < Width; X++)
{
if (*SumP > Threshold)
{
AvgB += *Pointer;
AvgG += *(Pointer + 1);
AvgR += *(Pointer + 2); // 為獲得增益做准備
Amount++;
}
Pointer += 3;
SumP++;
}
}
AvgB /= Amount;
AvgG /= Amount;
AvgR /= Amount;
（4）對每個點將像素量化到[0,255]之間。
for (Y = 0; Y < Height; Y++)
{
Pointer = bmp.Pointer + Y * Stride;
for (X = 0; X < Width; X++)
{
Blue = *Pointer * MaxValue / AvgB; // 另外一種算法需要先計算不抑制重新計算的RGB的范圍，然后求RGB的最大值，如果最大值大於255，則所有的結果都要除以最大值在乘以255，但實際表明該算法、 不合適；
Green = *(Pointer + 1) * MaxValue / AvgG;
Red = *(Pointer + 2) * MaxValue / AvgR;
if (Red > 255) Red = 255; else if (Red < 0) Red = 0; // 這里需要判斷，因為RGB空間所有的顏色轉換到YCbCr后，並不是填充滿了0-255的范圍的，反轉過去就會存在一些溢出的點。
if (Green > 255) Green = 255; else if (Green < 0) Green = 0; // 編譯后應該比三目運算符的效率高
if (Blue > 255) Blue = 255; else if (Blue < 0) Blue = 0;
*Pointer = (byte)Blue;
*(Pointer + 1) = (byte)Green;
*(Pointer + 2) = (byte)Red;
Pointer += 3;
}
}
原圖 Ratio=10% Ratio=2%
從效果上看，該算法應該比灰度世界的效果要好些，但是也還是受到Ratio這個參數的影像。特別是第二個圖片，過高的Ration導致圖片過於泛白。這個問題可以還是最后量化的哪一步引起的，我會抽空再研究一下其他的量化方式，盡量降低Ration的影響。
針對上述的第二步，看到很多matlab和VC的代碼，有很多人居然先用快速排序對累加后的數據進行排序，然后再取其10%的最大值，對圖像的數據進行排序，可能就是再快速的排序都快不起來吧，看到這，也許全國人民都笑了。
三、動態閾值算法
參考論文：A Novel Automatic White Balance Method For Digital Still Cameras
同經典的一些算法相同，算法分為兩個步驟：白點檢測和白點調整。
白點檢測：
（1）為了增強算法的魯棒性，原文將圖像分成12部分，其中寬高比為4：3，關於這一點，我認為不合理，對圖像不是通用的，后文再說。
（2）計算每個區域的Cb\Cr分量的平均值Mb/Mr。
（3）按下式計算每個區域的Cb\Cr分量的絕對差的累積值Db/Dr：
上式中N為每個區域的像素數。
（4）如果Db/Dr的值偏小，則我們忽略這一塊，因為這表明這一塊的顏色分布比較均勻，而這樣的局部對於白平衡不好。這個偏小的准則我們稍微再談。
（5）統計對於除了符合第四條的的其他區域的Mb/Mr/Db/Dr的平均值作為整幅圖像的Mb/Mr/Db/Dr值。
關於這一條，原文的話是：The final Mb、Mr、Db、Dr are obtained by taking the average of those regions that pass this additional step。
我在實際中做的時候就是分別對每塊進行的，似乎效果也還不錯。
（6）按下述規則初步確定哪些點是屬於白色參考點：
（7）對於初步判斷已經屬於白色參考點的像素，按大小取其亮度值為前10%的位最終確定的白色參考點。
白點調整：
（1）計算白色參考點亮度值的平均值Raver,Gaver,Baver,（各通道分開計算)。
（2）按照以下各式計算每個通道的增益：
式中，Ymax就是YCbCr顏色空間中Y分量的在整幅圖像中的最大值。
（3）按照以下各式計算最終每個通道的顏色值：
其中R/G/B為在原始的顏色空間中的值，注意這里要進行溢出檢測的。
簡單的談下白點檢測的分塊操作吧，原文把圖像分成4*3的12快，這樣做事針對於我們很多數碼照片是這個比例的，如果通用，我覺得應該用每個塊的大小來控制，比如每塊為 100*100個像素。
這個算法的效果如下：
原圖 塊大小50*50 塊大小100*100
上三圖表明：1、該算法效果非常好；2、對塊大小不太敏感，因此非常適合於自動化操作。
關於RGB到YCbCr的快速轉換，可以參考：顏色空間系列3: RGB和YCbCr顏色空間的轉換及優化算法
由於在上述鏈接的文章中，YCbCr顏色空間已經被轉換到[0,255]，因此白色檢測部分的第（6）條中的sign函數就不需要了。
同樣，提供個編譯好的文件給有興趣研究該算法的朋友看看效果：
http://files.cnblogs.com/Imageshop/AutoWhiteBalance.zip
后記：
針對動態閾值法，很多朋友反映如果YCbCr的值量化在0到255之間的話會出現所有的像素都會被式（6）初步判斷為白色參考點。這樣前期的工作就失去了意義，算法就變成了類似於完美反射算法那了，稍微有點不同的地方就是兩者選擇兩點的准則有所不同。雖然這樣做的最終結果還算不錯，但確實和論文的本意像違背了，后面經過實踐，如果把YCbCr的值量化在-127到128之間，式6中的Sgn同樣適用，則初步判斷為白點的數會大量的減少，對於同一個圖片，同一個參數兩個算法的最終的效果比較如下：
更新后的下載鏈接依舊如下，以增加了修正后的功能。
***************************作者： laviewpbt 時間： 2013.4.20 聯系QQ: 33184777 轉載請保留本行信息*************************