1. 色彩科学基础：人眼视觉特性、颜色三要素、RGB与XYZ色彩空间转换

各位同学好，欢迎来到《自动白平衡与色彩校正矩阵调优实战》的第一章。

做图像处理这么多年，我越来越觉得，色彩科学不是「背公式」，而是理解「人眼怎么骗」和「相机怎么还原」。说白了，你连人眼怎么看颜色的都不清楚，调出来的白平衡参数大概率是瞎蒙。

这一章，我们就从最底层开始，把色彩科学的三个核心问题讲透：人眼怎么感知颜色？颜色由哪三个要素决定？RGB 和 XYZ 之间到底怎么转？

1.1 人眼视觉特性：我们是怎么「看见」颜色的？

先问一个问题：为什么同一张照片，在手机上看偏蓝，在显示器上看偏黄？

答案其实不在设备，而在人眼。人眼不是一台精密的色度计，而是一个会自适应、会疲劳、会「脑补」的器官。

我在项目中遇到过一件事：一个客户说我们 ISP 的白平衡算法「偏绿」，结果我拿色度计一测，色温完全准确。后来发现是客户办公室的日光灯是绿色的，他眼睛已经适应了那个环境。你看，人眼的色适应能力反而成了「干扰项」。

这里有几个关键特性，做白平衡调优时必须记住：

• 色适应：人眼会自动调整对不同光源的感知。你走进一个暖色灯光的房间，过几分钟就不觉得「黄」了。这就是为什么自动白平衡需要模拟人眼的色适应机制。
• 同时对比：一个灰色方块放在红色背景上，你会觉得它偏青。这是 ISP 色彩校正里最头疼的「色貌」问题。
• 韦伯-费希纳定律：人眼对亮度的感知不是线性的。暗部差 1 个灰度级你都能看出来，亮部差 10 个灰度级你可能都没感觉。这就是为什么 gamma 校正那么重要。

1.2 颜色三要素：色相、饱和度、明度

你想想看，我们描述一个颜色，通常会说「这个红色很正」、「那个蓝色有点灰」。这些描述背后，其实对应着三个物理量：

要素	英文	通俗理解	在图像处理中的意义
色相	Hue	是什么颜色（红、绿、蓝）	白平衡不准时，色相会整体偏移
饱和度	Saturation	颜色浓不浓（鲜艳 vs 灰暗）	色彩校正矩阵主要调整的就是饱和度
明度	Lightness	颜色亮不亮（亮白 vs 暗黑）	gamma 校正和色调映射影响明度

我记得刚入行时，有个老工程师跟我说：「调颜色就是调这三个东西，其他都是花架子。」当时觉得他太，后来做了十年 ISP，发现还真是这么回事。

举个例子：自动白平衡做错了，色相会偏。比如一张本该是白色的墙，拍出来偏蓝，那就是色相整体向蓝色方向偏移了。这时候你调色彩校正矩阵，本质上是把每个像素的 RGB 值重新映射，让色相回到正确的位置。

1.3 RGB 与 XYZ 色彩空间转换

好了，前面讲的是「人怎么感知颜色」。现在要讲「机器怎么表示颜色」。

相机传感器输出的是 RGB 值，但 RGB 有一个致命问题：它依赖于设备。你的屏幕 RGB 和我的屏幕 RGB，显示同一个 (128, 128, 128) 可能完全不一样。这就需要一个「设备无关」的色彩空间——XYZ。

XYZ 色彩空间是 CIE 在 1931 年定义的。它基于人眼视觉实验，用三个假想的原色 X、Y、Z 来表示所有可见光。其中 Y 代表亮度，X 和 Z 代表色度。

转换公式其实不复杂，但要注意矩阵的精度。我直接给代码：

import numpy as np

# sRGB 到 XYZ 的转换矩阵（D65 白点）
rgb_to_xyz = np.array([
    [0.4124564, 0.3575761, 0.1804375],
    [0.2126729, 0.7151522, 0.0721750],
    [0.0193339, 0.1191920, 0.9503041]
])

def srgb_to_xyz(rgb):
    """
    rgb: [R, G, B] 归一化到 [0, 1] 的线性值
    返回: [X, Y, Z]
    """
    # 先做 gamma 解码（sRGB 是 gamma 编码的）
    rgb_linear = np.where(rgb <= 0.04045,
                         rgb / 12.92,
                         ((rgb + 0.055) / 1.055) ** 2.4)
    # 矩阵乘法
    xyz = np.dot(rgb_to_xyz, rgb_linear)
    return xyz

# 反过来：XYZ 到 sRGB
xyz_to_srgb = np.linalg.inv(rgb_to_xyz)

def xyz_to_srgb(xyz):
    """
    xyz: [X, Y, Z]
    返回: [R, G, B] 归一化到 [0, 1] 的线性值
    """
    rgb_linear = np.dot(xyz_to_srgb, xyz)
    # gamma 编码
    rgb = np.where(rgb_linear <= 0.0031308,
                   12.92 * rgb_linear,
                   1.055 * (rgb_linear ** (1/2.4)) - 0.055)
    return np.clip(rgb, 0, 1)

为什么会这样？因为不同色彩空间的色域范围不同。sRGB 覆盖了大约 35% 的 CIE 色域，而 Adobe RGB 覆盖了约 50%。你用 sRGB 的矩阵去解 Adobe RGB 的数据，相当于用一个小尺子去量一个大东西，肯定不准。

下面这张图展示了从人眼感知到色彩空间转换的完整流程：

1.4 本章小结

这一章我们讲了三个核心概念：

1. 人眼视觉特性：色适应、同时对比、韦伯-费希纳定律。这些是白平衡算法设计的「生理学基础」。
2. 颜色三要素：色相、饱和度、明度。调颜色就是调这三个东西，没有第四样。
3. RGB 与 XYZ 转换：从设备相关的 RGB 到设备无关的 XYZ，矩阵乘法 + gamma 校正，代码就那几行，但矩阵选错全盘皆输。