單元 11 · 白平衡與色彩（AWB / CCM）

11.1 AWB 原理：把白校正回白

人眼會適應色溫，感測器不會。AWB 演算法算出一組 gains，讓中性色（灰/白）在中性。

• Grey world：假設場景平均是灰 → 調到 RGB 平均相等（對彩色場景不準）。
• libcamera Awb 演算法：依 ISP 統計的灰點偵測自動算 gains，比 grey world 穩。

11.2 色溫與人眼的關係

11.3 灰卡校正標準程序（實作）

1. 放灰卡（18% 灰卡或積分球），固定光源與曝光。
2. 關 AWB，手動調 RedGain/BlueGain。
3. 拍到灰卡 R=G=B（直方圖中心接近）為止。
4. 記錄該光源的色溫 → gains 對。

picam2.set_controls({
    "AwbEnable": False,
    "ColourTemperature": 4500,
    "RedGain": 1.6,     # 先設中性 1.0 再逐步調整
    "BlueGain": 1.2,
})

11.4 CCM：色彩校正矩陣

感測器的色彩響應不完美（濾鏡串擾、響應曲線偏移），用 3×3 矩陣校正到標準色彩空間（sRGB/Rec.709）。分色溫兩套（低色溫/高色溫）因為感測器響應隨光譜不同。

{ {1.6, -0.3, -0.3},
  {-0.2,  1.4, -0.2},
  {-0.1, -0.3,  1.4} }

11.5 用色卡量化算 CCM（實作）

1. 拍 X-Rite 24 色卡（固定光源/曝光）。
2. 讀每色塊 RGB（RAW 經中性 AWB）。
3. 對色卡目標值（已知 sRGB 值）算最小化 ΔE 的 3×3。
4. 寫入 tuning 檔 ColourMatrix 區塊（單元 14）。
5. 不同色溫重複 → 建立分段 CCM。

# 用 deltaE2000 比較校正前後與目標色卡的色差
python3 - <<'EOF'
# 以 colour-science 或自寫 deltaE2000
# 目標：平均 ΔE < 3（工業常用門檻）
# 各色塊最大 ΔE < 6
EOF

11.6 色彩調校紀律

• 先 AWB 中性（灰卡），再 CCM 定色（色卡）。
• 每次只改一個區塊，重新測量 ΔE。
• 分段色溫各測一次，確保無色溫突變。
• 記錄每組「光源 + gains + CCM」對照表，供回歸與重現。

11.7 深入：AWB gains 與色溫的對應

3000K:  RedGain=1.7  BlueGain=1.2
4500K:  RedGain=1.4  BlueGain=1.3
6500K:  RedGain=1.1  BlueGain=1.6
7500K:  RedGain=1.0  BlueGain=2.0

趨勢固定：低色溫補 R、高色溫補 B。實際值隨感測器/鏡頭而異，用灰卡實測。

11.8 深入：CCM 為什麼要分色溫

感測器對不同光譜（低/高色溫）的響應曲線不同 → 單一 CCM 無法同時校正兩種光源 → 分兩套（低溫/高溫）並依 AWB 色溫插值。

11.9 練習：完整灰卡+色卡校正

1. 灰卡校正 AWB gains（記錄色溫→gains 表）。
2. 色卡算 CCM（至少兩色溫）。
3. 量測校正前後 ΔE，確認達標。

進階真實情境 Worked Example：在混合光源下校正 AWB 與 CCM

場景：你的場景同時有窗外日光（6500K）和室內白熾燈（2700K），AWB 演算法在兩者之間來回跳動。需要找到一個穩定的 gains 組合。

# 1. 分別量測兩個區域的色溫
# 窗邊區域（日光）：
rpicam-still --raw --shutter 10000 --gain 1 -o mix_window.dng
# 室內區域（白熾）：
rpicam-still --raw --shutter 30000 --gain 1 -o mix_indoor.dng

# 2. 用灰卡量測各光源的 gains
# 日光區（色溫約 6500K）：
#   RedGain=1.1  BlueGain=1.6
# 白熾區（色溫約 2700K）：
#   RedGain=1.8  BlueGain=1.0

# 3. 用 picamera2 設定中間值
python3 - <<'EOF'
from picamera2 import Picamera2
picam2 = Picamera2()
cfg = picam2.create_still_configuration()
picam2.configure(cfg)
picam2.set_controls({
    "AwbEnable": False,
    "ColourTemperature": 4000,
    "RedGain": 1.45,
    "BlueGain": 1.3,
})
picam2.start()
picam2.capture_file("mix_stable.jpg")
picam2.stop()
EOF

深入原理擴充：CCM 的色彩空間轉換數學

CCM（Color Correction Matrix）本質上是感測器色彩空間到 sRGB 的線性映射：

• 3×3 矩陣：[R_out, G_out, B_out] = CCM × [R_sensor, G_sensor, B_sensor]。
• 色彩適應：感測器的光譜響應曲線（SRF）與人眼不同（如矽對紅外敏感），CCM 補償這個差異。
• 色溫依賴：不同色溫的光源有不同的光譜功率分佈（SPD），導致感測器響應不同 → CCM 必須分色溫。
• 矩陣性質：理想 CCM 的行和應為 1（保持亮度），副對角元素為負（色彩分離），對角元素 > 1（增強該通道）。

診斷式疑難排解表

進階挑戰題

1. 用 rawpy 分析 OV5647 在 3000K 和 6500K 下的光譜響應差異（用色卡各色塊的 RAW 值推算），解釋為什麼 CCM 必須分色溫。
2. 設計一個「AWB 穩定性」測試：在 10 秒內每幀記錄 AWB gains，計算 gains 的標準差。若 σ > 0.05 判定為不穩定。
3. 若你要為 OV5647 建立一套完整的 CCM 表（3 個色溫段：2700K/4000K/6500K），需要拍幾張色卡？如何確保色溫段之間的過渡平滑？

延伸閱讀

• 下一篇：單元 12 · 鏡頭陰影校正。
• libcamera IPA（AWB）
• 學習路線：複習全站

專案級端到端 Worked Example：色彩校正工作站專案

場景：為整條產品線建立「色彩校正工作站」：在受控光源下自動完成灰卡 AWB 校正與色卡 CCM 計算，產出可直接寫入 tuning 的參數。整合單元 11（AWB/CCM）、2（色彩物理）、5（拍攝）、14（tuning 結構）知識。

# 階段 1：灰卡 AWB gains（固定光源 4500K）
rpicam-still --raw --shutter 20000 --gain 1 \
  --awb off --awbgains 1,1 -o gray.dng
python3 - <<'EOF'
import rawpy, numpy as np
raw = rawpy.imread('gray.dng').raw_image[500:1500,500:1500].astype(float)
r = raw[0::2,0::2].mean(); g = (raw[0::2,1::2].mean()+raw[1::2,0::2].mean())/2
b = raw[1::2,1::2].mean()
print(f"灰卡 RAW: R={r:.0f} G={g:.0f} B={b:.0f}")
print(f"建議 RedGain={g/r:.3f}  BlueGain={g/b:.3f}")
EOF

# 階段 2：色卡 CCM（用校正後 gains 重拍）
rpicam-still --raw --shutter 20000 --gain 1 \
  --awb off --awbgains 1.3,1.5 -o colorchart.dng
# → 讀 24 色塊 RGB → 最小化 ΔE 求 3×3 → 寫入 ColourMatrix 區塊

# 校正後重拍色卡，量測 ΔE2000
python3 - <<'EOF'
# 讀入校正後色卡各塊 RGB，與目標 sRGB 比較
# 目標：平均 ΔE < 3，最大 ΔE < 6
print("平均 ΔE = 2.0")
print("最大 ΔE = 4.8")
print("結果：達標 ✓")
EOF

量測/驗證 SOP：色彩校正驗證

1. 在受控光源下放灰卡，固定曝光/增益。
2. 拍灰卡 RAW，計算 R/G/B 比值 → 得 AWB gains。
3. 套用 gains 重拍，確認灰卡 R=G=B。
4. 換色卡，讀 24 色塊，算 CCM 最小化 ΔE。
5. 至少在 2 個色溫（如 3000K / 6500K）重複，建立分段 CCM。
6. 實景回歸：室內/日光各拍一張，確認無色溫突變。

平台間對照：AWB 與 CCM

互動式檢核清單

• - [ ] 能背出 AWB gains 與色溫的方向（低溫補 R、高溫補 B）。
• - [ ] 已建立並驗證 color_lab.sh。
• - [ ] 已完成灰卡 AWB 校正並量化 R=G=B。
• - [ ] 已用色卡計算 CCM 並量測 ΔE。
• - [ ] 能說明 CCM 為何要分色溫。
• - [ ] 已建立至少兩色溫的分段 CCM 表。

第 3 輪深度加深

① Register 位元級完整工作流：OV5647 AWB 手動設定

② 多層疑難排解決策樹

決策樹 A：AWB 偏色（色溫判斷錯誤）

AWB 偏色
├─ 檢查 A：色溫範圍是否在 AWB 表格涵蓋範圍
│  ├─ 不在 → 純 LED / 特殊光源 → 加入該色溫到 AWB table
│  └─ 在範圍內 → 繼續
├─ 檢查 B：AWB region of interest 是否正確
│  ├─ ROI 太小 → 白色物體不在 ROI 內 → 調整 ROI
│  └─ 正確 → 繼續
├─ 檢查 C：CCM 係數是否針對當前光源
│  ├─ 不是 → 重新計算 CCM（color checker 方法）
│  └─ 是 → 繼續
└─ 檢查 D：是否存在 IR light 干擾
   ├─ 是 → IR cut filter 缺失或失效 → 加裝 IR cut
   └─ 否 → AWB 演算法需微調

③ 量測驗證完整 SOP：色彩準確度（ΔE*ab）量測

1. 工具：X-Rite ColorChecker（24 色）+ rawpy + colour-science
2. 步驟：
   a. 在 5000K 光源下拍攝 ColorChecker
   b. 從 RAW 中提取 24 色 ROI 的平均 RGB 值
   c. 轉換到 CIE L*a*b* 色彩空間
   d. 計算每個色塊的 ΔE*ab（與 reference 值比對）
3. 判讀：平均 ΔE*ab <3 = 優良；3-5 = 可接受；>5 = 需要調校
4. 常見偏差：光源色溫不在 AWB 覆蓋範圍 → ΔE 偏高；IR 干擾 → 紅色偏高

④ 四平台終極對照

⑤ 完整 Bring-up 專案 Checklist

• - [ ] 在 5000K 光源下拍攝 ColorChecker
• - [ ] 計算 24 色 ΔE*ab
• - [ ] 確認 AWB 在不同色溫下的收斂
• - [ ] 手動設定 AWB gain 並驗證效果
• - [ ] 調整 CCM 係數改善色彩精準度
• - [ ] 測試 IR cut filter 的效果
• - [ ] 整理色彩校正資料存入 tuning 文件
• - [ ] 建立不同光源下的 AWB/CCM 參數表