前面已经做过图片亮度分析和对比度分析，这次继续换一个比较直观的方向：
图片色彩偏移分析。
平时看照片时，我们经常会说：
"这张图有点偏黄。"
"这张图整体偏蓝。"
"这个画面绿色太重了。"
这种感觉其实和 RGB 三个颜色通道的整体分布有关。
所以这次我用华为云码道辅助开发了一个简单的：
OpenCV Image Color Bias Analyzer
上传图片以后，程序会自动统计：
Average Red
Average Green
Average Blue
并根据三个通道的平均值判断：
Red Cast
Green Cast
Blue Cast
Balanced
同时还会生成一个 RGB 柱状图，方便直接观察三个颜色通道的差异。
一、什么是图片"色偏"？
一张正常的彩色图片通常由：
R：Red
G：Green
B：Blue
三个颜色通道组成。
不同区域的 RGB 数值不同，最终组合出整张彩色图片。
如果整张图片中的某一个颜色通道整体明显偏高，就可能让画面呈现出某种颜色倾向。
例如：
R 明显更高
→ 画面可能偏红
G 明显更高
→ 画面可能偏绿
B 明显更高
→ 画面可能偏蓝
所以这次的思路很简单：
直接统计整张图片三个通道的平均值。
二、OpenCV 怎么计算 RGB 平均值？
OpenCV 默认读取图片以后使用的是：
BGR
而不是 RGB。
所以可以先拆分三个通道：
b, g, r = cv2.split(image)
然后分别计算平均值：
avg_r = r.mean()
avg_g = g.mean()
avg_b = b.mean()
最后就能得到整张图片的：
平均红色强度
平均绿色强度
平均蓝色强度
完整流程可以理解成：
上传图片
↓
OpenCV 读取
↓
分离 B / G / R 通道
↓
分别计算平均值
↓
比较三个通道
↓
判断 Color Bias
三、这个工具做了哪些功能？
这次功能依然保持比较简单。
目前支持：
- 上传 JPG / PNG 图片
- 计算 Average Red
- 计算 Average Green
- 计算 Average Blue
- 判断 Red / Green / Blue Cast
- 判断 Balanced
- 显示原图
- 显示 RGB Channel Balance
- 生成 RGB 柱状图
- 支持下载分析图
这样不用看一堆数字，直接通过柱状图也能看到：
哪个颜色通道更高。
四、色偏不能只看"谁最大"
这里有一个比较重要的问题。
假设三个通道分别是：
R = 151
G = 153
B = 150
虽然 G 最大，但三个通道其实非常接近。
如果直接因为：
G > R、B
就判断为：
Green Cast
显然会过于敏感。
所以这次加入了一个简单阈值：
15
只有当某个最大通道，比另外两个通道的平均值至少高出 15 时，才判断为明显色偏。
否则认为：
Balanced
这样可以避免非常小的 RGB 波动也被当成色偏。
五、真实测试结果
这次继续使用之前的狗狗公园图片进行测试。
程序最终得到：
Average Red：
153.87
Average Green：
157.67
Average Blue：
127.11
最终判断：
Green Cast
从数值上看：
Green 的确是三个通道中最高的。
但是仅仅最高还不够，还需要继续检查它是否超过色偏阈值。
六、为什么最后判断为 Green Cast？
先计算另外两个通道：
Red = 153.87
Blue = 127.11
两者平均值大约是：
140.49
然后：
Green = 157.67
两者相差：
157.67 - 140.49 ≈ 17.18
当前设置的色偏阈值是：
15
由于：
17.18 > 15
所以最终判断：
Green Cast
也就是说，这个结果并不是单纯因为：
Green 最大
而是因为它已经比另外两个通道的平均水平高出了足够明显的幅度。
七、为什么这张图会偏绿？
从原图内容来看，这个结果也比较容易解释。
图片中有大量：
草地
树木
绿色植被
这些区域占据了比较大的画面面积。
所以绿色通道整体会比较高。
虽然图片中也有大片蓝天和湖面，但最终：
Average Blue = 127.11
反而低于：
Average Red = 153.87
Average Green = 157.67
因此最终整体统计表现为：
Green Cast
这里也说明：
色偏分析看的是整张图片所有像素的总体结果，
而不是只看某一小块区域。
八、RGB 柱状图能看得更直观
除了数值以外，这次页面还生成了：
RGB Channel Analysis Bar Chart
三个柱子分别代表：
Red
Green
Blue
这次可以很明显地看到：
Green 略高于 Red
而 Blue 明显更低。
对应数值：
R：153.87
G：157.67
B：127.11
用柱状图展示以后，比单纯看数字更加直观。
九、Balanced 是什么意思？
Balanced 并不代表：
三个通道必须完全一样。
真实图片几乎不可能满足：
R = G = B
这里的 Balanced 更准确地说，是：
没有某一个颜色通道明显高于另外两个。
例如：
R = 145
G = 150
B = 142
虽然绿色还是最高，
但差距没有超过设定阈值，
就可以认为整体颜色相对均衡。
十、这种方法有什么实际用途？
虽然这个工具比较简单，但实际还是有一些使用场景。
相机颜色检查
如果相机白平衡异常，有时候会导致整批图片：
偏红
偏蓝
偏绿
可以先通过 RGB 平均值做一个快速检查。
数据集筛选
做计算机视觉数据集时，可以快速发现一些：
颜色明显异常
白平衡不一致
的样本。
图像增强前分析
如果检测到明显 Blue Cast 或 Red Cast，
后面就可以进一步尝试：
White Balance
Color Correction
Channel Gain
等方法进行处理。
图片风格分析
有些图片本身就刻意使用：
暖色调
冷色调
绿色调
也可以通过三个通道平均值辅助观察整体风格。
十一、它不能直接代替白平衡算法
这一点也需要说明。
当前方法只是：
统计整张图片 RGB 三通道平均值。
它并不知道：
图片原本应该是什么颜色。
比如一张纯绿色草地照片：
Green 通道肯定会明显更高。
但这并不意味着相机白平衡出了问题。
因为画面本身就是绿色。
所以这里的：
Green Cast
更准确的含义是：
从整张图像的 RGB 统计结果来看，绿色成分明显更强。
而不是：
"这张照片一定存在错误色偏。"
如果要做真正专业的白平衡检测，还需要：
参考白点
灰卡
色温
场景内容
等更多信息。
十二、为什么这次继续做轻量工具？
最近几篇基本都保持同一个开发节奏：
一个小项目解决一个明确问题。
这次仍然只使用：
Python
OpenCV
FastAPI
原生 HTML / CSS / JavaScript
没有训练模型，也没有复杂系统。
核心算法甚至就是：
通道分离
平均值
简单阈值
但通过一个可视化页面，就能很直观地展示 RGB 三个通道的关系。
总结
这次用华为云码道辅助开发了一个：
OpenCV 图片色彩偏移分析工具。
核心流程：
上传图片
↓
OpenCV 读取
↓
拆分 B / G / R
↓
计算三个通道平均值
↓
比较通道差异
↓
判断 Color Bias
↓
生成 RGB 柱状图
这次真实测试结果：
Average Red：
153.87
Average Green：
157.67
Average Blue：
127.11
Green 相比另外两个通道平均值高出约：
17.18
超过当前设置的：
15
所以最终判断为：
Green Cast
从原图中大量草地和树木区域来看，这个结果也比较符合画面整体颜色特征。
前面几篇分别回答了：
图片有多亮？
图片对比度够不够？
这一篇则回答：
图片整体到底偏什么颜色？
下一篇可以继续做一个同样简单、但效果比较直观的方向：
图片是不是过曝了？用华为云码道开发 OpenCV 过曝区域检测工具
直接统计接近 255 的高亮像素比例，并把过曝区域在原图上标出来。