2. RGB色彩空间：从原理到实战
RGB，说白了就是红绿蓝三原色。你想想看，我们眼睛里的视锥细胞，天生就对这三种颜色最敏感。所以计算机用RGB来模拟人眼看世界，其实挺自然的。
我刚开始做图像处理时，总觉得RGB太简单了——不就是三个通道嘛。后来踩了不少坑才明白，RGB背后藏着大学问。今天咱们就把它彻底聊透。
2.1 RGB原理：加法混色
RGB是加法混色。什么意思？你把红绿蓝三种光叠加在一起，越加越亮。三束光全开，就是白色；全关，就是黑色。
核心公式：每个像素由三个分量组成——R（红）、G（绿）、B（蓝）。每个分量通常用8位整数表示，范围0~255。
纯红 = (255, 0, 0) | 纯绿 = (0, 255, 0) | 纯蓝 = (0, 0, 255)
白 = (255, 255, 255) | 黑 = (0, 0, 0)
举个例子。你在屏幕上看到一张照片，每个像素背后其实是三个LED小灯在发光。红色LED亮多少、绿色亮多少、蓝色亮多少，混合起来就是你看到的颜色。
我在项目中遇到过一个问题：用RGB直接做颜色混合，结果总是偏暗。后来才意识到，RGB的线性混合和人眼感知的非线性是两码事。嗯，这个坑后面讲Gamma校正时会细说。
2.2 sRGB标准：互联网的默认语言
sRGB是1996年由微软和惠普联合推出的标准。说白了，它就是给显示器、浏览器、打印机定了个规矩——大家都按这个来，颜色就不会跑偏。
| 属性 | sRGB值 |
|---|---|
| 白点 | D65（6500K） |
| Gamma | ≈2.2（分段函数） |
| 色域覆盖 | 约CIE 1931的35% |
| 主要用途 | 网页、消费级显示器、手机 |
我建议你记住一点：sRGB是目前最通用的色彩空间。你拍的照片、发的朋友圈、看的视频，绝大多数都是sRGB。如果你不确定该用哪个色彩空间，选sRGB基本不会错。
避坑指南：我曾经在项目中直接把Adobe RGB的图片扔到网页上，结果颜色又灰又淡。原因很简单——浏览器默认用sRGB解析，色域不匹配。后来我养成了习惯：所有面向Web的资源，一律先转成sRGB。
2.3 Adobe RGB：摄影师的利器
Adobe RGB是1998年由Adobe公司推出的。它的色域比sRGB大了约50%，尤其在青绿色区域扩展明显。为什么？因为CMYK印刷机能印出更丰富的绿色，Adobe RGB就是为了弥合显示器与印刷品之间的色域差距。
我个人的习惯是：如果最终输出是印刷品，就用Adobe RGB拍摄和编辑。但如果只是发朋友圈、传网站，sRGB就够了。用Adobe RGB做Web图片，反而会因为色域压缩导致颜色失真。
| 对比项 | sRGB | Adobe RGB |
|---|---|---|
| 色域大小 | 较小（≈35% CIE） | 较大（≈50% CIE） |
| 绿色覆盖 | 一般 | 更广 |
| 适用场景 | Web、消费电子 | 印刷、专业摄影 |
| 兼容性 | 极好 | 需专业软件支持 |
2.4 ProPhoto RGB：终极宽色域
ProPhoto RGB是柯达推出的，色域比Adobe RGB还要大得多，甚至覆盖了人眼看不到的颜色。它的Gamma是1.8，白点是D50（5000K）。
说实话，ProPhoto RGB在日常开发中用得不多。它主要出现在专业摄影工作流中——用RAW格式拍摄，在ProPhoto RGB空间里做后期，最后再输出到sRGB或Adobe RGB。
注意：ProPhoto RGB的色域太大了，直接用8位整数存储会出现明显的色阶断层。我建议至少用16位或浮点格式来保存ProPhoto RGB的图片。否则，你看到的渐变会像梯田一样——一阶一阶的。
2.5 RGB应用场景
RGB的应用场景，说白了就是所有需要屏幕显示的地方。我列几个最常见的：
- 显示器/电视：所有LCD、OLED、LED屏幕都用RGB子像素排列
- 数字相机：CMOS传感器上的拜耳阵列就是RGB滤镜
- 图像编辑：Photoshop、GIMP等软件默认工作空间就是RGB
- 视频编码：H.264/H.265虽然用YUV压缩，但解码后最终显示还是RGB
- 游戏引擎：Unity、Unreal的渲染管线全程基于RGB计算
你想想看，从你按下快门到照片显示在屏幕上，中间经历了多少次RGB↔YUV的转换？每一次转换都有精度损失。所以，理解RGB不是纸上谈兵，它直接关系到你的图像质量。
2.6 知识结构图：RGB色彩空间全景
下面这张图帮你理清RGB家族的关系。我建议你把它存下来，以后选色彩空间时拿出来看一眼。
2.7 实战：用Python查看RGB通道
光说不练假把式。我写了一段简单的Python代码，帮你直观感受RGB三个通道各自长什么样。
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
# 加载一张彩色图片（请替换为你的图片路径）
img = Image.open('example.jpg')
img_rgb = np.array(img)
# 分离RGB通道
R = img_rgb[:,:,0]
G = img_rgb[:,:,1]
B = img_rgb[:,:,2]
# 创建全黑背景，只保留对应通道
R_only = np.zeros_like(img_rgb)
R_only[:,:,0] = R
G_only = np.zeros_like(img_rgb)
G_only[:,:,1] = G
B_only = np.zeros_like(img_rgb)
B_only[:,:,2] = B
# 显示结果
plt.figure(figsize=(12, 4))
plt.subplot(1, 4, 1); plt.imshow(img_rgb); plt.title('Original')
plt.subplot(1, 4, 2); plt.imshow(R_only); plt.title('Red Channel')
plt.subplot(1, 4, 3); plt.imshow(G_only); plt.title('Green Channel')
plt.subplot(1, 4, 4); plt.imshow(B_only); plt.title('Blue Channel')
plt.tight_layout()
plt.show()运行这段代码，你会看到：红色通道里，原本红色的区域很亮，蓝色区域很暗。这就是RGB分离的直观感受。我在调试摄像头图像时，经常用这个方法来检查哪个通道出了问题。
小技巧：如果你发现图片偏色，比如整体偏蓝，可以单独查看B通道——如果B通道的亮度明显高于R和G，那就说明白平衡出了问题。我曾经用这个方法，五分钟就定位了一个工业相机颜色失真的bug。
2.8 总结：选对RGB，少走弯路
RGB不是只有一种。sRGB、Adobe RGB、ProPhoto RGB各有各的战场。我的建议很简单：
- 做Web → 死磕sRGB
- 做印刷 → 拥抱Adobe RGB
- 做专业摄影后期 → 考虑ProPhoto RGB（记得用16位）
记住一句话：色彩空间选错了，后面所有的处理都是白费功夫。这个坑我替你踩过了，你就别再踩了。