不同色温图像的颜色距离计算：是否需先做白平衡处理？

问题背景 #

手里有一批不同时间、不同光照条件下拍摄的图像，需要计算目标颜色（比如示例图里的船帆黄色）和参考黄色之间的颜色距离，判断哪张图更接近参考色。为模拟色偏场景，用imager包生成了带通道缩放的图像副本：

library(imager)

boats2 <- as.data.frame(boats)

boats2[which(boats2$cc == 1),"value"] <- boats2[which(boats2$cc == 1),"value"] * 1.05
boats2[which(boats2$cc == 2),"value"] <- boats2[which(boats2$cc == 2),"value"] * 0.99
boats2[which(boats2$cc == 3),"value"] <- boats2[which(boats2$cc == 3),"value"] * 0.99

par(mfrow=c(1,2))
plot(boats)
plot(as.cimg(boats2))

初步思路是通过“找图像中RGB最高像素求平均白色，再用这个值做白平衡转换”，但疑问是：仅关注颜色距离的话，是否真的需要白平衡？示例场景下这么做合理吗？有没有更优方案？

核心结论与建议 #

1. 是否需要白平衡，看你的参考色定义 #

• 如果参考黄色是标准光照下的目标色（比如sRGB的纯黄色#FFFF00）：必须做白平衡。因为光照会给整个图像加色偏（比如示例里boats2的红通道被提亮，导致船帆黄色偏红），不修正的话，计算出的颜色距离是带光照干扰的，无法反映目标色和参考色的真实差异。
• 如果参考黄色是某张特定光照下的目标色（比如直接用原始boats图的船帆黄色做参考）：不需要做白平衡。此时你要对比的是不同光照下目标色的相对差异，而非和标准色的差距。

2. 你的初步白平衡方法的局限性 #

你用“找最高RGB像素求平均白色”的方法属于高光白平衡，但有明显缺陷：如果图像里没有真正的纯白/纯灰区域（比如示例boats图的高光可能是天空或船的亮部，不是纯白），这个“平均白色”会自带色偏，反而会修正出错误的颜色。

3. 针对示例场景的更优方案 #

（1）更可靠的白平衡方式

• 中性灰白平衡：如果图像里能找到已知的中性灰区域（比如阴影里的灰色构件、预设的灰卡），以此为基准修正各通道——中性灰在任何光照下RGB值应该相等，用这个区域的平均RGB值调整各通道增益，比高光法准确得多。
• 灰度世界假设：如果没有明确的中性灰区域，假设整个图像的RGB平均值是中性灰，以此修正各通道。这个方法依赖图像颜色分布均匀性，但比单靠高光像素稳定，适合示例这类自然场景图。

（2）用感知均匀的颜色空间计算距离

不要直接在sRGB空间计算颜色距离，因为sRGB的距离和人眼对颜色差异的感知不一致。建议转换成CIELAB或CIELUV空间，这些空间是为匹配人眼感知设计的，计算出的距离更符合实际视觉差异。

（3）示例代码实现

下面是结合灰度世界白平衡+CIELAB颜色距离的代码：

library(imager)
library(colorspace)

# 灰度世界白平衡函数
gray_world_white_balance <- function(img_df) {
  # 计算各通道全局平均值
  avg_r <- mean(img_df[img_df$cc == 1, "value"])
  avg_g <- mean(img_df[img_df$cc == 2, "value"])
  avg_b <- mean(img_df[img_df$cc == 3, "value"])
  # 计算中性灰基准值
  avg_gray <- (avg_r + avg_g + avg_b) / 3
  # 修正各通道，限制值在0-1之间
  img_df[img_df$cc == 1, "value"] <- pmax(pmin(img_df[img_df$cc == 1, "value"] * (avg_gray / avg_r), 1), 0)
  img_df[img_df$cc == 2, "value"] <- pmax(pmin(img_df[img_df$cc == 2, "value"] * (avg_gray / avg_g), 1), 0)
  img_df[img_df$cc == 3, "value"] <- pmax(pmin(img_df[img_df$cc == 3, "value"] * (avg_gray / avg_b), 1), 0)
  return(img_df)
}

# 对boats2应用白平衡
boats2_balanced <- gray_world_white_balance(boats2)

# 提取船帆区域（这里简化为坐标范围，实际可通过图像分割精准提取）
sail_area <- boats$x > 100 & boats$x < 200 & boats$y > 50 & boats$y < 150
sail_original <- boats[sail_area, ]
sail_balanced <- as.cimg(boats2_balanced)[sail_area, ]

# 定义参考黄色（sRGB 纯黄色）
ref_rgb <- c(1, 1, 0)
ref_lab <- convertColor(t(ref_rgb), from = "sRGB", to = "CIELAB")

# 计算原始船帆与参考色的CIELAB距离
sail_original_rgb <- matrix(c(
  sail_original[sail_original$cc == 1, "value"],
  sail_original[sail_original$cc == 2, "value"],
  sail_original[sail_original$cc == 3, "value"]
), ncol = 3)
sail_original_lab <- convertColor(sail_original_rgb, from = "sRGB", to = "CIELAB")
avg_original_lab <- colMeans(sail_original_lab)
dist_original <- sqrt(sum((avg_original_lab - ref_lab)^2))

# 计算白平衡后船帆与参考色的CIELAB距离
sail_balanced_rgb <- matrix(c(
  sail_balanced[sail_balanced$cc == 1, "value"],
  sail_balanced[sail_balanced$cc == 2, "value"],
  sail_balanced[sail_balanced$cc == 3, "value"]
), ncol = 3)
sail_balanced_lab <- convertColor(sail_balanced_rgb, from = "sRGB", to = "CIELAB")
avg_balanced_lab <- colMeans(sail_balanced_lab)
dist_balanced <- sqrt(sum((avg_balanced_lab - ref_lab)^2))

cat("原始图像船帆与参考黄色的距离：", round(dist_original, 2), "\n")
cat("白平衡后图像船帆与参考黄色的距离：", round(dist_balanced, 2), "\n")

内容的提问来源于stack exchange，提问作者ATellB