如何用Python为延时摄影图片集实现统一白平衡？

针对不同天气（晴天、雾霾、雨天）导致的曝光/白平衡差异，不能依赖固定参数，必须用自动白平衡算法针对单张图片计算适配参数，以下是可落地的实现方案：

核心思路 #

采用两种主流自动白平衡算法，适配不同场景：

1. 灰度世界法：假设场景中所有颜色的平均值为中性灰色，适合色彩分布均匀的自然风光；
2. 白点校正法：取图像中最亮的n%像素作为"白点"，将其映射为纯白，适合存在明显高光区域（如天空）的场景。

结合自动曝光校正，进一步提升画面流畅度。

代码实现（基于OpenCV） #

1. 灰度世界法白平衡 #

import cv2
import numpy as np
import os

def gray_world_white_balance(img):
    img_float = img.astype(np.float32) / 255.0
    # 计算RGB三通道均值
    mean_r = np.mean(img_float[:, :, 2])
    mean_g = np.mean(img_float[:, :, 1])
    mean_b = np.mean(img_float[:, :, 0])
    # 以绿色通道为基准计算增益
    gain_r = mean_g / mean_r if mean_r != 0 else 1.0
    gain_b = mean_g / mean_b if mean_b != 0 else 1.0
    # 应用增益并裁剪到有效范围
    img_float[:, :, 2] *= gain_r
    img_float[:, :, 0] *= gain_b
    img_float = np.clip(img_float, 0, 1)
    return (img_float * 255).astype(np.uint8)

def batch_process_images(input_dir, output_dir, process_func):
    os.makedirs(output_dir, exist_ok=True)
    for filename in os.listdir(input_dir):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
            img_path = os.path.join(input_dir, filename)
            img = cv2.imread(img_path)
            if img is None:
                print(f"跳过无法读取的图片: {filename}")
                continue
            corrected_img = process_func(img)
            cv2.imwrite(os.path.join(output_dir, filename), corrected_img)
            print(f"已处理: {filename}")

# 使用示例
input_folder = "你的输入图片文件夹路径"
output_folder = "你的输出图片文件夹路径"
batch_process_images(input_folder, output_folder, gray_world_white_balance)

2. 白点校正法白平衡（更适合你的示例场景） #

def white_point_white_balance(img, percentile=1):
    img_float = img.astype(np.float32) / 255.0
    b, g, r = cv2.split(img_float)
    
    # 获取通道高百分位值作为白点
    def get_white_point(channel):
        flat = channel.flatten()
        flat.sort()
        return flat[-int(len(flat)*percentile/100)] if len(flat) > 0 else 1.0
    
    wp_b, wp_g, wp_r = get_white_point(b), get_white_point(g), get_white_point(r)
    # 计算增益将白点映射为纯白
    gain_r = 1.0 / wp_r if wp_r != 0 else 1.0
    gain_g = 1.0 / wp_g if wp_g != 0 else 1.0
    gain_b = 1.0 / wp_b if wp_b != 0 else 1.0
    
    r *= gain_r
    g *= gain_g
    b *= gain_b
    corrected = cv2.merge((b, g, r))
    corrected = np.clip(corrected, 0, 1)
    return (corrected * 255).astype(np.uint8)

# 替换process_func即可批量使用
batch_process_images(input_folder, output_folder, white_point_white_balance)

3. 结合曝光校正的完整流程 #

如果曝光差异过大，可在白平衡后添加自适应曝光调整：

def adjust_exposure(img):
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    h, s, v = cv2.split(hsv)
    # 自适应直方图均衡化（CLAHE）调整亮度通道
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    v_clahe = clahe.apply(v)
    return cv2.cvtColor(cv2.merge((h, s, v_clahe)), cv2.COLOR_HSV2BGR)

# 组合白平衡+曝光校正
def full_correction(img):
    corrected_wb = white_point_white_balance(img)
    return adjust_exposure(corrected_wb)

# 批量处理
batch_process_images(input_folder, output_folder, full_correction)

注意事项 #

• 先拿几张示例图测试两种白平衡算法，选择效果最优的（你的示例图含天空，白点校正法大概率更合适）；
• 若场景存在大面积单色区域（如纯色墙面），灰度世界法可能失效，此时优先使用白点校正法；
• 批量处理前备份原始图片，避免不可逆修改；
• 可根据实际效果调整percentile（白点校正）或clipLimit（曝光校正）的参数值。

内容的提问来源于stack exchange，提问作者coderAI