093、AWB的"色温估计困境"——混合光源场景下统计法AWB的本质局限，以及灰点选择与色温曲线的调优上周在调试一款车载前视摄像头时，客户反馈了一个极其刁钻的场景：傍晚高架桥下，左侧是夕阳直射的暖光，右侧是桥墩阴影里透出的冷色天光，车头前方还有一段LED补光灯的惨白区域。我们拿到的log里，AWB统计模块给出的色温估计值是5200K，但实际用色卡比对，画面中真正的中性灰区域应该对应的是3800K和6500K两个截然不同的光源。整个画面偏紫，人脸肤色像得了黄疸，而路牌上的白色文字又泛着蓝边。这就是典型的混合光源下统计法AWB的“色温估计困境”——它试图用一个单点色温值去描述一个根本不存在单一色温的世界。统计法AWB的本质，是假设场景中存在足够多的“灰点”，这些灰点在理想白光下R、G、B三通道响应相等。算法通过统计这些灰点的色度分布，反推出当前光源的色温。这个假设在单一光源、场景中有丰富中性色物体时成立，但一旦进入混合光源，整个逻辑地基就塌了。你统计到的灰点，可能一半来自暖光区的白墙，一半来自冷光区的灰地砖，还有一小撮来自LED补光灯下的反光车牌。这些灰点在不同色温下呈现的色度坐标根本不在同一条普朗克轨迹上，你用最小二乘法强行拟合出来的“等效色温”，就是一个谁都不讨好的中间值。这个值既不能正确还原暖区的白，也不能还原冷区的白，最终画面呈现的就是那种让人抓狂的“两头不靠”的偏色。我在调试中踩过最深的坑，是盲目相信统计模块输出的“灰点置信度”。很多ISP的AWB统计模块会输出每个色温区间的投票数，以及一个总的置信度分数。我一度以为只要置信度分数高，色温估计就可靠。直到有一次在实验室用双光源箱模拟混合场景，发现置信度分数高达0.9，但色温估计值依然偏离真实值2000K以上。