📚 课程目录第3章色彩科学基础

3. 色彩科学基础：人眼视觉特性、RGB与XYZ色彩空间、色度图（CIE 1931）简介

做白平衡校正，说白了就是在跟人眼的视觉系统较劲。你想想看，为什么同一张白纸，在暖光灯下我们看着还是白的，但相机拍出来却黄得不行？这就是人眼和传感器之间的差距。这一章，我们就来聊聊这个差距到底在哪，以及怎么用数学工具去弥合它。

3.1 人眼视觉特性：我们到底看到了什么？

人眼不是一台完美的相机。它有很多「作弊」的地方。我刚开始做图像处理时，总以为RGB三通道就是人眼看到的全部，后来才发现，这想法太天真了。

人眼视觉有几个关键特性，跟白平衡直接相关：

色彩恒常性：这是最核心的。大脑会自动补偿光源颜色，让我们觉得物体颜色是「固有」的。白平衡算法，本质上就是在模仿这个机制。
亮度适应：人眼对亮度的感知不是线性的。暗部稍微亮一点，我们感觉变化很大；亮部再亮一点，我们几乎察觉不到。这就是为什么Gamma校正如此重要。
视锥细胞响应：人眼有三种视锥细胞，分别对长波（L，偏红）、中波（M，偏绿）、短波（S，偏蓝）敏感。但它们的响应曲线是重叠的，而且峰值分布并不均匀。

关键点：人眼的色彩恒常性并不完美。在极端光源下（比如深红色暗房），大脑也会「翻车」。这就是为什么自动白平衡算法在某些场景下会失效——它试图模拟一个不完美的系统。

3.2 RGB色彩空间：传感器的原始语言

相机传感器直接输出的就是RGB数据。但这里的RGB，跟你在显示器上看到的RGB，其实不是一回事。

传感器RGB有几个「坑」：

设备相关：不同型号的传感器，甚至同一型号不同批次，对红绿蓝的敏感度都不一样。你在这个相机上拍出的红色，换到另一个相机上可能偏橙。
线性问题：传感器输出的是线性光强信号，但人眼感知是非线性的。直接拿线性RGB去做白平衡，结果往往很「假」。
色域有限：sRGB、Adobe RGB这些标准，只能覆盖人眼可见色的一部分。有些颜色，你根本没法用RGB精确表示。

我在项目中遇到过一个问题：用某款工业相机采集的RGB数据，直接做白平衡后，绿色植物总是偏黄。折腾了两天，最后发现是传感器的绿色通道响应曲线跟标准sRGB不匹配。后来我改用XYZ空间做中间转换，问题就解决了。

3.3 CIE 1931 XYZ色彩空间：一个「标准」的坐标系

既然RGB不靠谱，那总得有个「标准」吧？CIE 1931 XYZ色彩空间就是干这个的。它基于人眼视觉实验数据，定义了一个与设备无关的色彩空间。

XYZ空间有几个特点：

所有可见色都能表示：它的色域覆盖了人眼能看到的全部颜色。
Y代表亮度：这一点很巧妙。X和Z只负责色度信息，Y单独管亮度。做白平衡时，我们通常只调整色度，不动亮度。
线性变换：从线性RGB到XYZ，就是一个3x3矩阵乘法。计算简单，适合硬件实现。

我的习惯：在做自动白平衡时，我通常先把线性RGB转到XYZ空间，在XYZ里做色温校正，再转回RGB。虽然多了一步矩阵运算，但结果稳定得多。尤其是处理混合光源场景时，这个流程几乎成了我的「标准动作」。

3.4 CIE 1931 色度图：一张「地图」

色度图就是把XYZ空间里的颜色，投影到一个二维平面上。横轴是x，纵轴是y，z = 1 - x - y。这张图，就是色彩科学的「世界地图」。

这张图能告诉我们什么？

色域边界：马蹄形曲线就是人眼能看到的全部颜色。曲线上的点是单色光（光谱色），内部是混合色。
白点位置：不同色温的白光，在色度图上有对应的坐标。D65（6500K）大概在(0.3127, 0.3290)附近。白平衡校正，就是把图像的白点「拉」到这个目标位置。
色温轨迹：黑体辐射在不同温度下的颜色变化，在色度图上形成一条曲线，叫普朗克轨迹。大多数自然光源都落在这条线附近。

我曾经调试一个户外监控摄像头的白平衡，发现阴天时画面总是偏蓝。查了半天，发现算法里用的白点坐标是D65，但阴天的实际色温接近7000K，白点位置差了一大截。后来我根据色度图上的色温轨迹，动态调整目标白点，问题就解决了。

避坑指南：色度图上的距离，并不代表人眼感知的颜色差异。两个点挨得很近，人眼可能觉得颜色完全不同；离得很远，人眼反而觉得差不多。这就是「麦克亚当椭圆」现象。做白平衡时，别在色度图上用欧氏距离做聚类，否则结果会很「辣眼睛」。

3.5 从RGB到XYZ的转换

说了这么多，到底怎么转？其实就是一个矩阵乘法。以sRGB到XYZ（D65）为例：

// 线性sRGB to XYZ (D65)
// 假设RGB已经去Gamma校正，是线性值
double[][] matrix = {
    { 0.4124564,  0.3575761,  0.1804375 },
    { 0.2126729,  0.7151522,  0.0721750 },
    { 0.0193339,  0.1191920,  0.9503041 }
};

double X = matrix[0][0] * R + matrix[0][1] * G + matrix[0][2] * B;
double Y = matrix[1][0] * R + matrix[1][1] * G + matrix[1][2] * B;
double Z = matrix[2][0] * R + matrix[2][1] * G + matrix[2][2] * B;

反过来，从XYZ到sRGB，就是求逆矩阵。不同标准（Adobe RGB、DCI-P3）的矩阵系数不一样，用之前一定要确认好。

3.6 知识结构图

下面这张图，把这一章的核心概念串起来了。你可以看到，从人眼到传感器，再到数学空间，最后落到白平衡应用，是一条清晰的链路。

3.7 本章小结

这一章的内容，说白了就是三件事：

人眼会「骗人」，但白平衡算法得学会怎么「骗」回去。
RGB不靠谱，因为它跟设备绑死了。XYZ才是通用的「世界语」。
色度图是地图，白点位置、色温轨迹，都在上面标得清清楚楚。