G_gain = 1.0 # 常作为参考通道
R_gain = G_avg / R_avg
B_gain = G_avg / B_avg
Auto White Balance Gain Control（AWB）自动调整图像中红色、绿色、蓝色通道的增益，使图像中灰白区域的颜色看起来为“中性白”或“灰白”，从而矫正因光源色温导致的色偏。
为什么需要 AWB？
不同光源（如阳光、白炽灯、荧光灯）具有不同色温，直接影响图像颜色；
例如，白炽灯下画面偏黄，荧光灯下偏绿；
AWB 自动估算当前场景的光照类型，并给每个颜色通道加上合适的增益，使图像白平衡自然。
AWB 基本流程
统计图像中各通道平均值（或灰度区域）；
估计场景色温或光源偏色；
计算 RGB 增益因子，使图像偏色区域趋于灰白；
应用增益到图像每个通道：
常见算法原理
1. Grey World 假设（经典基础）
假设图像中所有颜色平均后应为灰色（R ≈ G ≈ B）
计算通道均值：
R_avg = np.mean(R)
G_avg = np.mean(G)
B_avg = np.mean(B)计算增益：
G_gain = 1.0 # 常作为参考通道
R_gain = G_avg / R_avg
B_gain = G_avg / B_avg
代码实现：
def AWB(aaf_img):
"""
inputs:
aaf_img = bayer domain image after anti-aliasing noise filter
outputs:
awb_img = bayer domain image after auto white balance
"""
awb_img = np.copy(aaf_img) # create a copy of the bayer image to apply auto white balance
r = awb_img[::2, ::2] # use array splicing to extract r, gr, gb, and b pixels from the full bayer image
gr = awb_img[::2, 1::2]
gb = awb_img[1::2, ::2]
b = awb_img[1::2, 1::2]
r_ave = np.mean(r) # compute averages of r, g, and b channels
g_ave = (np.mean(gr) + np.mean(gb)) / 2
b_ave = np.mean(b)
r_gain = g_ave / r_ave # compute gains for r, g, and b channels
g_gain = g_ave / g_ave
b_gain = g_ave / b_ave
awb_img[::2, ::2] = r * r_gain # apply gains to r, g, and b channels
awb_img[::2, 1::2] = gr * g_gain
awb_img[1::2, ::2] = gb * g_gain
awb_img[1::2, 1::2] = b * b_gain
return awb_img.astype(np.uint16)用 G 通道作为参考通道（基准白），用 G 通道的平均值去除以 R 和 B 通道的平均值，是为了计算出让 R、B 看起来和 G 一样“灰” 需要乘上的校正系数（增益）。
为什么选 G 通道当基准？
G 通道在 Bayer 中占比最大（Gr + Gb 一共占 50%）；
G 通道通常噪声更低、更稳定；
人眼对绿色更敏感，图像质量也更依赖于绿色；
所以大多数 ISP 里都选 G 通道为基准。