143、洞察驱动的实战标题——AWB的"色温估计困境"——混合光源场景下统计法AWB的本质局限，以及如何用色温似然分布做多峰估计上周在产线上调一台双目机器人的RGB相机，客户反馈说在傍晚的商场走廊里，画面偏紫得厉害。我第一反应是查标定文件，结果发现色温标定范围是2500K到7500K，走廊里头顶是4000K的荧光灯管，尽头落地窗透进来6500K的日光，中间还夹着几盏3000K的暖色射灯。这种场景，统计法AWB基本就是瞎猜。统计法AWB的根子在于它假设场景里有一个"主导光源"。灰度世界法假设RGB均值趋于中性灰，白点法假设场景里存在足够亮的白色参考面。这两个假设在单一光源下勉强成立，一旦场景里同时存在两个或三个色温差异超过1500K的光源，统计结果就会落在几个真实光源的加权平均附近——这个加权平均色温在物理上根本不存在，拍出来的白平衡就是那种说不清道不明的脏紫色。我见过不少工程师在这个问题上死磕统计特征。有人把灰度世界法改成加权灰度世界，给图像中心区域更高权重；有人用边缘检测筛掉彩色区域再统计白点；还有人搞自适应阈值，动态调整白点筛选的上下限。这些方法在单一光源下确实能提升精度，但混合光源场景里，它们全都败在同一个地方——统计量是单峰的，而真实场景的光源分布是多峰的。打个比方，统计法AWB就像让你闭着眼听一个房间里三个人同时说话，然后让你判断"这个房间的平均音调是多少"。这个平均音调毫无意义，你真正需要的是识别出三个人的声音分别是什么。色温估计也是同理，我们需要的不只是一个色温值，而是一组可能的色温候选，以及每个候选的可信度。我去年在车载项目上试过一种思路，把AWB从"估计一个值"改成"估计一个分布"。具体做法是：对图像做分块，每