MTK-AWB 小结 (二)

MTK -AWB 模块小结 不同光源下图像影像的EQV gain 会有几种组合的形式,例如白点多的情况算法相信statistic gain ,白点少的时候算法相信spatial gain ,还有最后 statistic agin 和spatial gain 的 混合。(这里存在混淆色,不能因为木头色落入A和H的色温框内的PB多,权重多,就说明此场景是底色温场景,这里得优化方案有2种,一个是直接减少A和T的光源占比,一个是使用exclude机制,直接把这些混淆色的白点移除,具体看情况,交界处的框慎重使用。 阅读详情
AI摘要

本文围绕MTK - AWB中喜好色补偿(Preference color compensation)展开。介绍了offset值对T、S、wf光下偏色喜好度的影响,以及new offset和GM offset的计算、ratio的计算、final daylighy offset的计算。还提到调试时可加大offset对应的ratio保留更多喜好色,影响最终awb gain。

3)影响统计gain 的算法还有:Preference  color compensation(喜好色的补偿,这块参数也是经常会被修改,主要是底色温下收白或者更偏暖,高色shade温被收白或者更偏冷)

喜好色补偿Preference  color compensation T&WF&shade

purpose:Preference color is used control WB convergence degree for Tungsten,wf and shade.(用来控制,T WF S 光WB的收敛成度,offset 值越大越收白,越小越色偏)

这一部分前期CCT校准的时候就会算出一组默认值,当然这个offset offse 值用于优化T,S,wf 光下的偏色喜好度. offset 越小越偏色(比如T 和S会越来越黄,shade 越来越蓝),修改这数值的话,主观效果看的非常明显。主要是底色温下暖色调场景是否需要收白一些。

new offset 对应的ratio 值大小也会使图像收白或者更偏喜好色多一些,这里就是ratio 越大保留更多喜好色。

MTK AWB cal 的理解 MTK AWB 调试久了,偶尔也会被人问起awb的算法是什么?自己只知道一个大概没有仔细去研究,所以今天想给自己做一个总结。不同光源(如日光、荧光灯、烛光)的色温差异会导致图像偏色(如偏蓝或偏黄)。MTK AWB通过校准R/G/B通道增益,将白色物体还原为中性灰,使图像色彩接近人眼真实感知MTK采用分块统计机制(如25x25网格),筛选出有效白点区域,并计算其均值与色温曲线的距离,通过加权策略减少误判(如肤色、蓝色物体误识别为白点)。 阅读详情

相关推荐

MTK平台AWB调试实战:偏色根因排查与GVA调参全流程

在摄像头成像系统中,自动白平衡(AWB)是决定色彩还原准确性的关键一环,其核心原理是依据统计窗口内的色温信息,动态调整R/G、B/G增益,使画面中的中性色还原为白色。AWB调试质量直接影响用户在各类光线条件下的拍摄体验,尤其在暖光、低照度与混合光源场景中,偏色、跳变等问题易被感知。然而实际工程中,AWB偏色的根因往往不在算法本身,而与统计窗口配置、光源坐标准确性及AE联动策略密切相关。从灰卡拍摄规范、灯箱光源稳定性到MTK平台GVA工具的参数映射与同步链路,再到冷光环境、肤色还原、记忆色等专项验证,系统化的

weixin_29174385的博客 267

MTK平台AWB调试实战:从ISP链路到DCC标定的完整指南

白平衡(AWB)是相机成像色彩准确性的核心技术,其本质是通过调整RGB通道增益,让不同光源下的中性色还原为真白。在实际工程中,AWB调试不仅依赖算法理解,更需深入ISP处理链路,掌握从RAW域统计信息到增益输出的完整数据流。MTK平台提供了成熟的DCC标定工具链,但参数繁多、文档分散,新手常陷入偏色、切换抖动、预览与拍照不一致等困境。理解R/G-B/G坐标空间的光源判断原理,熟悉灯箱采样、区域划分、阈值门限等标定细节,并结合场景优先级策略处理混光与低照度,是提升调试效率的关键。本文围绕MTK平台AWB调试的

weixin_28273593的博客 299

MTK平台AWB调试实战:从白点检测到偏色问题排查全解析

自动白平衡(AWB)是摄像头成像中决定色彩还原准确性的核心3A技术之一,其原理依托于对图像区域内R/G、B/G统计信息的白点检测与色温估计。在ISP处理链路中,AWB不仅与曝光、降噪、镜头校正等模块深度耦合,还直接影响最终的色彩表现与用户观感。针对MTK平台上的工程调试,开发者普遍面临统计源失真、场景切换跳变、暗光偏绿、模组批次差异等典型问题。本文从基础原理出发,结合Camera Tuning实践,系统梳理了从raw拍摄、统计分析与参数回写,到真实场景回归验证的完整流程,并总结了白点阈值、光源坐标、增益融合

weixin_31815843的博客 303

MTK8188平台

MTK8188平台

sylgYooZi的博客 2641

从Sensor到屏幕:深入MTK/高通平台,拆解Camera 3A(AE/AWB/AF)算法调试与日志分析

本文深入探讨了MTK/高通平台下Camera 3A算法(AE/AWB/AF)的调试与日志分析技术。通过解析算法原理、参数配置及平台差异,提供了一套完整的3A问题诊断与优化方法论,帮助工程师提升移动设备在复杂光线场景下的拍摄性能。

weixin_26789847的博客 516

MTK AWB 色温曲线的猜想

MTK 白平衡坐标系的猜想

大熊 2273

MTK AWB 色温曲线的进一步猜想

平均距离来判断是否对该色温下白平衡进行全部收白处理,还是保留一些光源的本身的颜色。比如占据图像一大半左右的纯色背景,纵坐标值相对横坐标的距离应该会比较大,大于一般场景下的正常白点分布。反之,位于Plank_curve下方位置的点具有偏洋红色的倾向。此时拟合各个色温下的白点,拟合曲线大致是以X= 0.85)平行于横轴的一条直线。对原始坐标系中的点取对数后的Log坐标系空间。此时拟合各个色温下的白点,拟合曲线大致呈现的是一条直线。,可以认为是各种色温下白点分布所呈现的走向。的算法利用某个色温点的偏离。

大熊 727

AWB 模块接口与调试工具实操:Log/Chart/分析流程详解

自动白平衡(AWB)调试是移动影像系统调色链条中的核心环节,调试人员不仅需要掌握其算法行为,还需熟练使用平台提供的调试接口与工具链完成日志分析、色温稳定性验证与增益判断等工作。本文以高通与 MTK 平台为基础,从 AWB 模块数据结构、调试 Log 抓取流程、分析 Chart 解读方法入手,系统讲解如何在工程实战中基于图像数据追踪白平衡行为,实现精准调优。文章结合真实平台接口输出结构与调试流程,覆盖全链路的工具使用经验与典型误判排查方法。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 1384

AWB 数据表训练策略与跨模组复用方法

AWB(自动白平衡)系统的性能在极大程度上依赖色温与增益之间的映射关系。为了适配不同 Sensor 特性与拍摄环境,AWB 通常依赖“色温表(CT Table)”与“增益查找表(Gain LUT)”进行前期训练与调优。本篇文章将结合实际工程案例,系统讲解 AWB 数据表的采集、训练与拟合过程,深入解析如何在多个模组之间进行跨 Sensor 的通用复用,确保主副摄像头、前后摄像头之间的色彩一致性。重点聚焦高通与 MTK 平台下的实际调试方法、表项设计细节与复用策略,以提升跨模组色彩一致性与调试效率。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 991

MTK‑AWB PreGain1 白点校准详解

摘要:本文系统阐述了摄像头模组的白平衡校准原理与实践方法。核心指出物理传感器在D65光源下RGB量子效率存在固有差异,真实白点坐标(log₂(R/G),log₂(B/G))不可能为(0,0)。通过建立对数色温坐标系,以黄金样板模组的实测白点为基准,推导出PreGain1增益计算公式,将普通模组的原生白点平移至目标位置。文中给出具体数值案例演示校准过程,强调增益调整的坐标平移方向逻辑,并说明该方法能统一D65白点基准但无法完全消除模组间所有差异。完整流程包含从传感器校准到ISP处理的12个严格层级,为白平衡调

大熊 206

AWB(白平衡)调试实战:色温偏移与光源建模

自动白平衡(AWB)是影响图像色彩准确性与主观观感体验的核心算法之一。对于移动设备的多摄系统而言,如何在复杂照明环境下保持肤色自然、白色物体还原精准,并确保多模组间的一致性,是调试中的关键挑战。本文基于多个旗舰影像平台(高通Snapdragon、MTK Dimensity等)的真实项目实践,从AWB核心参数体系、主流建模方法、实测偏色现象分析,到调试工具链应用与多光源环境的建模策略,系统分享了AWB调试的流程、难点与工程经验,帮助图像工程师建立跨平台的AWB调优能力。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 2824

HAL 中的 AE/AWB/AF 数据传递与统计回环机制全解析

本篇聚焦于 Android Camera HAL 层中 AE(自动曝光)、AWB(自动白平衡)、AF(自动对焦)三个关键算法模块的数据传递与统计信息回环机制。文章详细解析了 HAL 与 ISP 之间如何交换统计结果、构建下一帧请求的参数输入,并基于高通、MTK 等平台的实际实现路径提供可复现的工程案例,帮助读者掌握 3A 算法链路中的核心数据闭环与调试逻辑。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 1385

离线路径规划服务Graphhopper

离线路径规划服务Graphhopper 本文主要探索使用Graphhopper搭建离线路径规划服务,需要掌握一定的JAVA基础环境配置的知识 文章目录离线路径规划服务Graphhopper前言一、Graphhopper是什么?二、使用步骤1.下载Graphhopper2.从OpenStreetMap下载路图数据3.安装Graphhopper所需环境4.修改配置5.启动Graphhopper总结 前言 在外网环境中可以使用百度、高德等第三方的sdk用以实现路径规划的功能,由于项目的需要,在离线环境中需要使

Sysdark的博客 7567

保姆级教程:在RK3576上配置USB网卡从零到外网访问(附udev规则详解)

本文提供了在RK3576开发板上配置USB网卡的完整教程,涵盖从内核驱动、udev规则到网络路由的全流程。重点讲解了如何利用USB Gadget功能实现高速网络连接,并构建稳定的算力集群,确保多设备间通信及外网访问。

grass的博客 463

openEuler 22.03 安装及配置Gitlab容器

在 openEuler 22.03 上安装及配置Gitlab容器

轻步玉阶 3324

告别轮询!手把手教你用S32K3的FlexCAN Enhanced FIFO+DMA实现高效CAN FD数据接收

本文详细介绍了如何利用S32K3芯片的FlexCAN Enhanced FIFO与DMA组合方案,实现高效CAN FD数据接收,彻底告别传统轮询和中断模式。通过深度缓冲、智能过滤和DMA联动技术,该方案在5Mbps高负载场景下将CPU占用率从42%降至3%以下,显著提升系统实时性和吞吐量。

weixin_30906185的博客 505

AI驱动视频剪辑自动化:cutcli命令行工具重塑工作流

视频剪辑自动化是提升内容生产效率的关键技术,其核心原理在于通过程序化指令替代手动操作,将创意执行过程代码化。这项技术的价值在于能够将创作者从重复性劳动中解放,实现批量化、标准化的视频内容生产,尤其适用于社交媒体运营、产品宣传等高频产出场景。通过封装专业软件(如剪映/CapCut)的底层草稿格式,自动化工具在保证工业级渲染质量的同时,提供了可编辑的中间态,为AI智能体(Agent)与生产工具的结合提供了清晰接口。本文以cutcli为例,深入探讨了如何通过命令行工具和AI助手,构建从自然语言指令到可编辑视频草稿

weixin_27210125的博客 1078

15、分布式查询处理详解

本博文深入探讨了分布式环境下的查询处理与优化技术。从查询处理的基本概念出发,分析了在分布式系统中执行查询所面临的额外挑战,并通过实例比较了不同的执行策略。文章详细介绍了查询优化的组成要素,包括搜索空间、成本模型和搜索策略,同时涵盖了查询处理的多个层次以及数据本地化的核心方法。此外,还讨论了连接排序优化、分布式成本模型以及多种查询优化方法,如静态优化、动态优化和混合优化。最后,提出了自适应查询处理的概念,旨在提高分布式查询的灵活性和效率。通过综合应用这些技术,可以有效提升分布式数据库的查询性能,降低通信和计算

gan8painter的博客 75

YOLOv11改进 | 网络结构代码逐行解析(一) | 项目目录构造分析

Hello,大家好这次给大家带来的不是改进,是整个YOLOv11项目的分析整个系列大概会更新5-7篇左右的文章从项目的目录到每一个功能代码的都会进行详细的讲解,下面开始进行YOLOv11逐行解析的第一篇——项目目录构造分析开头之前顺便给大家推荐一下我的专栏,本专栏更新上百余篇YOLOv11改进机制手把手教你添加到网络结构中,同时针对拿到模型不知道如何修改,不知道如何发表论文的读者进行针对性的文章介绍,本专栏质量分平均分96分,内容质量完全有所保证。

Snu77的博客 1万+

【异常】Claude Code CLI工具 模型加载异常 /init报错排查与完整解决方案 There‘s an issue with the selected model (glm-5). It

此类跨厂商模型配置报错,核心诱因是API生态的兼容性不匹配。优先使用工具原生支持的模型体系,可快速解决90%以上的同类报错;若需跨厂商使用目标模型,需完成API端点、鉴权密钥、模型ID的全链路适配,确保全流程配置合规,即可完成异常修复。

奶爸的编程之路,也就一周冷个三天 3711

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: MTK -AWB 模块小结
下一篇: MTK AWB cal 的理解
爱吃发酵馒头
博客等级 码龄7年 38粉丝 11原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址