1. 引言

在上一节中我们介绍了白平衡算法的原理，并详细实现了基于白色补丁算法的白平衡实现，本文继续就白平衡的其他算法实现进行展开。

闲话少说，我们直接开始吧！

2. Gray-world Algorithm

灰色世界算法（Gray-world Algotithm）假设图像的平均颜色应该是灰色的。它会相应地调整颜色通道以校正颜色映射关系。

代码实现如下：

def gray_world(image):
    """
    Returns a plot comparison of original and corrected/white balanced image 
    using the Gray World algorithm.

    Parameters
    ----------
    image : numpy array
            Image to process using gray world algorithm
    """
    # Apply the Gray World algorithm
    image_grayworld = ((image * (image.mean() / image.mean(axis=(0, 1)))).clip(0, 255).astype(int))

    # Exclude alpha or opacity channel (transparency)
    if image.shape[2] == 4:
        image_grayworld[:, :, 3] = 255

    # Plot the comparison between the original and gray world corrected images
    fig, ax = plt.subplots(1, 2, figsize=(14, 10))
    ax[0].imshow(image)
    ax[0].set_title('Original Image')
    ax[0].axis('off')

    ax[1].imshow(image_grayworld)
    ax[1].set_title('Gray World Corrected Image')
    ax[1].axis('off')

    plt.show()

# Call the function to apply the Gray World algorithm
gray_world(image)

结果如下：
在这里插入图片描述

3. 算法优缺点

我们观察上述例子的可视化结果，可以看出基于灰色世界算法提供了比白色补丁算法更温和的结果。这主要是由于灰色平均颜色的假设，它并没有完美地将问号块转换为黄色，但红色、蓝色、白色、黑色和棕色得到了正确的增强。

针对上述实现，可以总结出该算法的优点归纳如下：

简单且计算高效。
假设图像的平均颜色为灰色，这通常是一般场景的合理性假设。

同时其缺点也可以归纳如下：

可能对大面积存在的单一主色较为敏感，导致颜色平衡算法无法正常工作。
假设图像的平均颜色应该是灰色，这种假设可能并不总是正确的。

4. Ground Truth Algorithm

接着我们来介绍最后一种白平衡常用的算法 – Ground Truth Algorithm，该算法需要图像中已知对象的颜色作为参考色。它根据此参考色来调整颜色通道以更正颜色投射关系。

代码实现如下：

def ground_truth(image, img_patch, mode='mean'):
    """
    Returns a plot comparison of original and corrected/white balanced image 
    using the Ground Truth algorithm.

    Parameters
    ----------
    image : numpy array
            Image to process using ground truth algorithm
    img_patch : numpy array
                Reference image patch
    mode : string, optional
           Calculation mode, either 'mean' or 'max'
    """
    if mode == 'mean':
        image_gt = ((image * (img_patch.mean() / image.mean(axis=(0, 1)))).clip(0, 255).astype(int))
    if mode == 'max':
        image_gt = ((image * 1.0 / img_patch.max(axis=(0, 1))).clip(0, 1))

    # Exclude alpha or opacity channel (transparency)
    if image.shape[2] == 4:
        image_gt[:, :, 3] = 255

    # Plot the comparison between the original and ground truth corrected images
    fig, ax = plt.subplots(1, 2, figsize=(14, 10))
    ax[0].imshow(image)
    ax[0].set_title('Original Image')
    ax[0].axis('off')

    ax[1].imshow(image_gt)
    ax[1].set_title('Ground Truth Corrected Image')
    ax[1].axis('off')

    plt.show()

5. 挑选参考色块

一般来说，考虑到在正常光线下，问号块看起来是这样的：
在这里插入图片描述

接着，我们挑选问号内的任何正方形块的颜色作为该算法的图像补丁（下图红色矩形框）：

from matplotlib.patches import Rectangle
fig, ax = plt.subplots(figsize=(10,10))
ax.set_title('Reference patch in red square')
ax.imshow(image)
ax.add_patch(Rectangle((1800, 800), 50, 50, edgecolor='r', facecolor='none'));

效果如下：
在这里插入图片描述

6. 算法效果

有了上述参考色块，我们可以调用上述实现的ground_truth函数，参考代码如下：

# To visualize the specific reference patch
img_patch = image[3845:3865, 1820:1840]
# Call the function to apply the Ground Truth algorithm
ground_truth(image, img_patch, mode='mean')

得到结果如下：
在这里插入图片描述
使用白色灯光色块作为参考补丁会导致图像看起来过于明亮。这是因为算法试图根据参考补丁的颜色来调整颜色平衡映射关系。如果参考补丁是明亮的源，则算法可能会过度补偿，导致具有褪色颜色的明亮图像，如在上述示例中显而易见的。

7. 其他效果

为了更加充分的展示 Ground Truth Algorithm的效果，这里我们选择鞋子色块作为我们的参考图像补丁，样例代码如下：

# To visualize the specific reference patch
img_patch = image[3845:3865, 1820:1840]
imshow(img_patch);
# Call the function to apply the Ground Truth algorithm
ground_truth(image, img_patch, mode='mean')