第11篇：色彩平衡与通道混合

Matrix_11

315人浏览 · 2026-05-26 08:00:00

Matrix_11 · 2026-05-26 08:00:00 发布

第11篇：色彩平衡与通道混合

系列导语：本文是"有趣的图像处理"系列第11篇，也是色彩映射章节的最后一篇。前三篇依次讲了点运算（亮度/对比度/Gamma）、HSL 独立调色、曲线与直方图。本篇聚焦两个更精细的工具：色彩平衡（对阴影/中间调/高光分区调色）和通道混合（R/G/B 通道间的线性组合），并延伸到色温调整与自然饱和度（Vibrance）。

[← 第10篇：曲线与直方图——色调重映射的两种方式] | [第12篇：仿射变换与极坐标变换 →] | [系列目录]

导语

前面讲的调色操作都对整张图像一视同仁——每个像素无论亮暗，都使用同一条映射曲线。但摄影师和调色师常常需要更精细的控制：

“只把暗部的蓝色调暖，但不影响高光区域的颜色。”
“把红通道的一部分混入绿通道，模拟某种胶片风格。”

这两种需求分别对应色彩平衡和通道混合。理解它们，你就掌握了专业调色的核心工具。

本文将带你理解：

色彩平衡的分区原理：如何用亮度权重把调色限定在阴影/中间调/高光
通道混合的矩阵本质：任何线性调色都是一次矩阵乘法
色温调整：暖色/冷色的数学模型
自然饱和度（Vibrance）：为什么它比普通饱和度"更聪明"

一、色彩平衡——分区域调色

1.1 为什么要分区？

直接在 RGB 上加减颜色（如 R 通道加 20）会对整张图一致生效，无法区分"让暗部偏暖、高光保持冷调"这类需求。

色彩平衡的核心思路：根据每个像素的亮度值，计算它属于阴影/中间调/高光的权重，然后按权重分配调色量。

1.2 三区权重函数

设像素亮度归一化值 $\in [0,1]$ （通常取 $\times 255)$ ），三个区域的权重：

$w_{\text{shadows}}(l) = \frac{1}{4}(1-l) \cdot \frac{1}{1 + e^{10(l-0.25)}} \cdot 4$

更简洁的实现（Photoshop 风格的分段线性近似）：

$w_s(l) = \max(0,\ 1 - 2l) \qquad \text{（阴影：亮度越低权重越高）}$

$w_m(l) = \max(0,\ 1 - 2|l - 0.5|) \qquad \text{（中间调：亮度在0.5附近权重最高）}$

$w_h(l) = \max(0,\ 2l - 1) \qquad \text{（高光：亮度越高权重越高）}$

三个权重之和不一定为 1，因此这是一个"叠加"操作而非归一化权重。

1.3 完整公式

设阴影/中间调/高光各自的 CMY 偏移量为 $(\Delta r_s, \Delta g_s, \Delta b_s)$ 等，则：

$R_{\text{out}} = \text{clamp}\bigl(R + w_s \cdot \Delta r_s + w_m \cdot \Delta r_m + w_h \cdot \Delta r_h,\ 0,\ 255\bigr)$

G、B 通道同理。

1.4 伪代码

函数 色彩平衡(图像 I, 阴影偏移(Δr_s,Δg_s,Δb_s),
                         中间调偏移(Δr_m,Δg_m,Δb_m),
                         高光偏移(Δr_h,Δg_h,Δb_h)):
    对每个像素 (R, G, B, A):
        # 计算归一化亮度
        l = (R + G + B) / (3 × 255)
        
        # 三区权重（分段线性近似）
        w_s = max(0, 1 - 2×l)
        w_m = max(0, 1 - 2×|l - 0.5|)
        w_h = max(0, 2×l - 1)
        
        # 按权重叠加各区域偏移
        R' = R + w_s×Δr_s + w_m×Δr_m + w_h×Δr_h
        G' = G + w_s×Δg_s + w_m×Δg_m + w_h×Δg_h
        B' = B + w_s×Δb_s + w_m×Δg_m + w_h×Δb_h
        
        输出 = (clamp(R',0,255), clamp(G',0,255), clamp(B',0,255), A)
    
    返回 输出

在这里插入图片描述
左：原图 / 右：色彩平衡（红色+40，蓝色-30）。整体偏暖，红色花朵更加鲜艳，绿色背景带明显黄调。

二、通道混合——矩阵乘法调色

2.1 核心公式

通道混合允许每个输出通道从所有输入通道线性组合：

$\begin{bmatrix} R' \\ G' \\ B' \end{bmatrix} = \begin{bmatrix} a_{rr} & a_{rg} & a_{rb} \\ a_{gr} & a_{gg} & a_{gb} \\ a_{br} & a_{bg} & a_{bb} \end{bmatrix} \begin{bmatrix} R \\ G \\ B \end{bmatrix}$

恒等矩阵（不做任何变化）：

$M_{\text{identity}} = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}$

常用的矩阵操作示例：

效果	矩阵描述
灰度化（NTSC）	$R^{'} = G^{'} = B^{'} = 0.299 R + 0.587 G + 0.114 B$
互换 R/G 通道	$a_{rg}=1,a_{gr}=1$ ，其余对角线为 0
红色增强	$a_{rr}=1.2$ ，其他对角线不变
胶片风格（交叉冲洗）	非对角线有明显非零系数

2.2 线性代数视角

所有线性调色操作（亮度缩放、通道交换、灰度化、色温调整的线性部分）都可以表示为 3×3 矩阵乘法。多个操作的合并也只是矩阵相乘：

$M_{\text{total}} = M_n \cdot M_{n-1} \cdots M_2 \cdot M_1$

这意味着：无论链式叠加多少个线性调色操作，最终都可以合并为一次矩阵乘法执行，效率极高。

2.3 伪代码

函数 通道混合(图像 I, 3×3矩阵 M):
    对每个像素 (R, G, B, A):
        # 矩阵乘法
        R' = M[0,0]×R + M[0,1]×G + M[0,2]×B
        G' = M[1,0]×R + M[1,1]×G + M[1,2]×B
        B' = M[2,0]×R + M[2,1]×G + M[2,2]×B
        
        输出 = (clamp(R',0,255), clamp(G',0,255), clamp(B',0,255), A)
    
    返回 输出

NumPy 向量化实现（对整张图一次完成）：

rgb = 图像[:,:,:3].astype(float32)            # shape: (H, W, 3)
输出 = rgb @ M.T                              # 矩阵乘法，shape 不变
输出 = clamp(输出, 0, 255).astype(uint8)

在这里插入图片描述

左：原图 / 右：通道混合（R混入30%的G，G混入20%的B，B混入20%的R）。花朵红色偏橙，绿色背景出现青调，整体色调明显偏移。

三、色温调整——暖色与冷色的数学

3.1 什么是色温？

色温（单位 K，开尔文）来自物理学：不同温度的黑体辐射不同颜色的光。低色温（2700K）是暖黄色（蜡烛光），高色温（7000K）是冷蓝色（阴天）。

数字图像中的"色温调整"是对白平衡的模拟：

升高色温（变暖）：增加 R，减少 B
降低色温（变冷）：减少 R，增加 B

3.2 简化线性模型

$R_{\text{out}} = \text{clamp}(R + \Delta T,\ 0,\ 255)$

$B_{\text{out}} = \text{clamp}(B - \Delta T,\ 0,\ 255)$

其中 $\Delta T > 0$ 变暖， $\Delta T < 0$ 变冷。G 通道通常做小幅补偿：

$G_{\text{out}} = \text{clamp}(G + 0.1 \cdot \Delta T,\ 0,\ 255)$

更精确的色温调整需要在 XYZ 色彩空间（设备无关的物理光色空间）中操作，通过色适应变换（Bradford 矩阵）从一个白点转到另一个白点，再转回 RGB。

3.3 伪代码

函数 色温调整(图像 I, 温度偏移 ΔT ∈ [-100, 100]):
    对每个像素 (R, G, B, A):
        R' = clamp(R + ΔT,       0, 255)   # 正值变暖
        G' = clamp(G + 0.1×ΔT,  0, 255)   # 轻微补偿
        B' = clamp(B - ΔT,       0, 255)   # 正值减蓝
        输出 = (R', G', B', A)
    
    返回 输出

左：原图 / 右：色温升高（ΔT=+60，强烈变暖）。花朵红色极度浓郁，绿色背景大幅偏黄，整体呈现强烈暖调。
在这里插入图片描述

四、自然饱和度（Vibrance）——保护已饱和颜色

4.1 普通饱和度的问题

第9篇的饱和度调整对所有像素一视同仁：无论原始饱和度高低，都均等增加。这会导致：

已经高度饱和的颜色（如纯红）进一步增强，产生过饱和（霓虹感）
低饱和度区域（如皮肤）变化明显，但高饱和区域反而过度

4.2 Vibrance 的保护机制

Vibrance（自然饱和度） 是 Adobe Camera Raw 引入的概念，核心思想：

当前饱和度越高，增强幅度越小；饱和度越低，增强幅度越大。

调整量与当前饱和度成反比：

$\Delta S = \text{amount} \times (1 - S_{\text{current}})$

$S_{\text{current}}$ 越接近 1（已很饱和）， $\Delta S$ 越接近 0（几乎不增强）； $S_{\text{current}}$ 接近 0（很灰）， $\Delta S$ 接近 amount（充分增强）。

4.3 伪代码

函数 自然饱和度(图像 I, 调整量 amount ∈ [-1, 1]):
    对每个像素 (R, G, B, A):
        (H, S, V) = RGB_to_HSV(R, G, B)
        
        # 保护机制：饱和度越高，增强越少
        ΔS = amount × (1 - S)
        S_new = clamp(S + ΔS, 0, 1)
        
        (R', G', B') = HSV_to_RGB(H, S_new, V)
        输出 = (R', G', B', A)
    
    返回 输出

与普通饱和度的对比：

普通饱和度（第9篇）： $S_{\text{new}} = S + \Delta S$ （固定增量）
自然饱和度： $S_{\text{new}} = S + \text{amount} \times (1 - S)$ （自适应增量）

数学上，自然饱和度是一个向 S=1 方向的线性插值： $S_{\text{new}} = S + \text{amount} \times (1-S) = (1-\text{amount}) \times S + \text{amount}$

在这里插入图片描述

左：原图 / 右：自然饱和度（amount=0.9）。低饱和度的绿色背景显著变鲜艳，而已高度饱和的红色花朵变化幅度明显较小，体现了自适应增量的保护机制。

五、线性调色的统一框架

5.1 仿射变换：矩阵 + 偏移

所有本篇（以及第8篇）的调色操作都属于仿射变换：

$\begin{bmatrix} R' \\ G' \\ B' \end{bmatrix} = M \begin{bmatrix} R \\ G \\ B \end{bmatrix} + \begin{bmatrix} b_R \\ b_G \\ b_B \end{bmatrix}$

其中 $M$ 是 3×3 矩阵（通道混合部分）， $\mathbf{b}$ 是偏移向量（色彩平衡/色温部分）。

操作	$M$	$\mathbf{b}$
亮度缩放	$b I$	$\mathbf{0}$
对比度	$c I$	$\times 128 \cdot \mathbf{1}$
通道混合	任意 $M$	$\mathbf{0}$
色温调整	$I$	$(\Delta T,\ 0.1\Delta T,\ -\Delta T)^T$
灰度化	NTSC 行向量重复	$\mathbf{0}$