參考點每個光源都具有不同的光譜能量分布，每個感測器都具有不同的光譜敏感度。
參考點指的是不同感測器在不同光源下測得的灰色 r/g 和 b/g 比率。
awb 可基於這些參考點建立乙個灰色區，從而對給定場景中的統計資料進行篩選。
灰色區用於排除來自非灰色物體的統計資料。
參考點和兩個相鄰參考點之間的線用作計算統計資料距離的錨點。
awb 處理會收集灰色統計資料，用於估算 awb 增益。
awb 處理通過求取 r/g-b/g 空間中灰色統計資料位置的平均值來估計光源，此估計基於灰度世界假設。
因此，在給定輸入統計資料中選擇真實的灰色統計資料至關重要。
在多變的環境下，灰色統計資料的平均值會遭到灰色區中的非灰色統計資料干擾。
因此，估計結果的精確性依賴於準確地選擇灰色統計資料和移除非灰色統計資料。
通過為不同統計資料分配不同權重來優化統計資料的選擇和移除，以便經過加權的統計資料平均值可以更好地估計光源。
灰世界假設
灰度世界演算法以灰度世界假設為基礎，該假設認為：對於一幅有著大量色彩變化的影象， 三個分量的平均值趨於同一灰度值 。
從物理意義上講，灰色世界法假設自然界景物對於光線的平均反射的均值在總體上是個定值，這個定值近似地為「灰色」。
顏色平衡演算法將這一假設強制應用於待處理影象，可以從影象中消除環境光的影響，獲得原始場景影象。
這種演算法簡單快速，但是當影象場景顏色並不豐富時，尤其出現大塊單色物體時，該演算法常會失效。
如最亮灰度值的一半，八位顯示的話即為128
權重給定統計資料的權重是統計資料的一種概率，代表給定統計資料是灰色統計資料的可能性。
這一概念基於以下觀察結果得到：即在不同光源條件下，部分統計資料極有可能是灰色統計資料，而其他統計資料不太可能是灰色統計資料。
光源權重向量模組會計算不同 cct 和照明條件(即，亮度(lux 級)不同)下加權統計資料的平均值。
如上面的室外場景所示，真正的灰色統計資料極可能位於高 cct 區域(例如≥5000k)，而不是低 cct 區域(例如 ≤4000k)。
因此在室外場景中，為高 cct 區域(而不是低 cct 區域)的統計資料分配更高的權重。
按照預期，室內場景的權重分配與此相反。高cct 區域分配更低的權重，低 cct 區域分配更高的權重。
awb 處理會收集灰色統計資料，用於估算 awb 增益。
灰色統計資料能夠真實地指示統計資料是否處於灰色區(根據經驗基於參考點和參考線定義的區域)。
因此，在給定輸入統計資料中選擇真實的灰色統計資料至關重要。
給定統計資料的距離權重是統計資料的一種概率，代表給定統計資料是灰色統計資料的可能性。
這一概念基於以下觀察結果得到：
部分統計資料由於其與參考點和參考線之間的相對距離極有可能是灰色統計資料。
與參考點之間的距離表示統計資料是灰色統計資料的概率。
awb 基於距離分配權重，並通過距離權重本身定義灰色區，從而建立了一種靈活的灰色區。
權重為零 (0) 的距離代表灰色區的邊界。
使用距離權重分配可以將灰色區向外延伸，形成具有極低距離權重 ( ≤0.01) 的緩衝區。
當統計資料在逐幀模式下在灰色區邊界跳變時，緩衝灰色區會使連續幀的 awb 決策盡量保持一致。
如果將灰色區域內的非灰色統計資料按灰色統計資料處理，將嚴重影響最終 awb 決策精度。
例如，如果室內照明條件下(如 tl84 螢光燈照明)黃色物體的統計資料在灰色區域內，則最終 awb 決策會使最終影象偏藍
mlcawb 誤導性顏色 (mlc) 處理刪除 awb 決策估計中的 mlc 統計資料。
這通過識別並刪除灰色區域內指定區域的統計資料來完成。每個指定區域定義乙個 mlc 區域。
mlc 區域中的統計資料不視為灰色統計資料，即使這些資料在灰色區域內。
誤導性顏色區除錯需要定義檢測區域和誤導性顏色區。
檢測區域定義灰色區域中非灰色資料較為常見的區域。每個檢測區域分配到乙個組。
mlc 過程統計每個檢測區域組中的統計資料數量，並將收集到的資訊與指定的 lux 指數範圍結合使用，從而觸發與檢測區域/組對應的 mlc 區域
自定義參考點
每個光源都具有不同的光譜能量分布，每個感測器都具有不同的光譜敏感度。
參考點指的是不同感測器在不同光源下測得的灰色 r/g 和 b/g 比率。
awb 可基於這些參考點建立乙個灰色區，從而對給定場景中的統計資料進行篩選。
由於可能存在與通常由參考點模組處理的光源不同的光源，因此自定義參考點模組允許為不同的光源新增自定義參考點。
參考點模組和距離權重向量模組設定有效區域並計算各屬性的權重。
自定義參考點模組新增其他有效區域，例如圖中圓圈所示的區域。
如果存在自定義參考點，則通過合併距離權重模組和自定義參考點模組的權重來計算最終距離權重。
人工智慧 大資料 雲計算 資料探勘與機器學習概述
一 人工智慧 大資料 雲計算 二 資料探勘與機器學習 資料探勘和機器學習的區別和聯絡，周志華有一篇很好的論述 機器學習和資料探勘 可以幫助大家理解。資料探勘受到很多學科領域的影響，其中資料庫 機器學習 統計學無疑影響最大。簡言之，對資料探勘而言，資料庫提供資料管理技術，機器學習和統計學提供資料分析技...
D盤引數錯誤，要怎麼尋回資料
磁碟打不開引數錯誤，是因為這個i盤的檔案系統內部結構損壞導致的。要恢復裡面的資料就必須要注意，這個盤不能格式化，否則資料會進一步損壞。具體的恢復方法看正文 工具 軟體 auroradatarecovery 步驟2 程式執行後，直接雙擊需要恢復的分割槽 步驟3 軟體找到檔案後，會放到與要恢復盤捲標名相...
大資料中位數怎麼運算 計算大資料的中位數
題目 在乙個大檔案中有10g個整數，亂序排列，要求找出中位數 記憶體有2g限制，不能一次全部加裝 請寫出演算法設計思路。中位數的定義 對於乙個排序好的序列，如果資料有奇數個的話，中位數就取中間的乙個 如果有偶數個的話，中位數一般取中間兩個數的平均值。解題 思路一 堆排序 轉換為求前5g大的元素 堆排...