色彩科学基础：人眼视觉特性、色彩空间与白平衡

做AI ISP这几年，我越来越觉得色彩科学是根。你想想看，传感器采集的是RAW数据，但最终用户看到的是照片。中间这层转换，全靠色彩科学撑着。如果基础不牢，后面做HDR融合、色彩重建，很容易跑偏。

这一章，我们聊聊人眼怎么看颜色、几个核心色彩空间怎么用，以及白平衡到底在平衡什么。嗯，都是基本功，但也是我踩坑最多的地方。

人眼视觉特性：我们为什么需要色彩空间？

人眼不是完美的传感器。它有三个关键特性，直接决定了我们怎么设计色彩处理流程。

• 三色视锥细胞：人眼视网膜上有三种视锥细胞，分别对长波（L，红）、中波（M，绿）、短波（S，蓝）敏感。这就是三色刺激理论的生理基础。
• 亮度与色度分离感知：人眼对亮度变化比对色度变化更敏感。所以视频压缩里YUV比RGB更高效，ISP里做降噪也要先保亮度。
• 色适应：人眼会自动调整对不同光源的感知。同一张白纸，在日光灯下和烛光下，你看着都是白的。但传感器不会，它需要白平衡算法来模拟这个能力。

RGB色彩空间：最直接，也最不通用

RGB是最直观的色彩空间。每个像素用R、G、B三个分量表示，范围0-255（8bit）或0-1023（10bit）。

但有个坑：RGB是设备相关的。同一组RGB值，在不同显示器上颜色完全不同。我在项目中遇到过，算法在实验室显示器上调好了，拿到客户那边偏色严重。后来才意识到，是sRGB和DCI-P3的色域差异导致的。

RGB变体	色域	典型应用
sRGB	较小，覆盖约35% CIE色域	网页、普通显示器
Adobe RGB	较大，覆盖约50% CIE色域	专业摄影、印刷
DCI-P3	介于sRGB和Adobe RGB之间	数字影院、高端手机
BT.2020	超大，覆盖约75% CIE色域	HDR、8K视频

XYZ色彩空间：色彩科学的“通用语”

XYZ是CIE在1931年定义的色彩空间。它基于人眼三色刺激实验，是设备无关的。说白了，RGB是方言，XYZ是普通话。

XYZ的Y分量直接对应亮度，X和Z对应色度。这个特性让它在色彩匹配和色域转换中特别好用。

// sRGB到XYZ的转换矩阵（D65白点）
// 注意：输入RGB需要先做gamma校正
float[3][3] sRGB_to_XYZ = {
  {0.4124564, 0.3575761, 0.1804375},
  {0.2126729, 0.7151522, 0.0721750},
  {0.0193339, 0.1191920, 0.9503041}
};

Lab色彩空间：感知均匀的“人眼友好”空间

Lab的设计目标是让数值差异和人眼感知差异成正比。L是亮度，a和b是色度坐标。a从绿到红，b从蓝到黄。

为什么需要Lab？因为RGB和XYZ都不是感知均匀的。举个例子，在RGB空间里，[100, 0, 0]和[110, 0, 0]的差异，人眼几乎看不出来；但[0, 100, 0]和[0, 110, 0]的差异，人眼能明显感觉到。Lab解决了这个问题。

• L分量：0-100，对应从黑到白
• a分量：负值偏绿，正值偏红
• b分量：负值偏蓝，正值偏黄

我在做色彩增强算法时，习惯在Lab空间里操作。只调整a和b分量，不动L，可以避免引入亮度噪声。这个技巧在低光场景下特别管用。

HSV色彩空间：调色师的“直觉空间”

HSV把颜色分解成色相（Hue）、饱和度（Saturation）、明度（Value）。H用角度表示，0°是红，120°是绿，240°是蓝。

这个空间的好处是直观。你想让画面更鲜艳？调S。你想让整体偏暖？调H。不需要像RGB那样三个分量一起猜。

// RGB到HSV的转换（简化版）
// 输入RGB归一化到[0,1]
float max_val = max(R, max(G, B));
float min_val = min(R, min(G, B));
float delta = max_val - min_val;

// 计算H
if (delta == 0) H = 0;
else if (max_val == R) H = 60 * fmod((G - B) / delta, 6);
else if (max_val == G) H = 60 * ((B - R) / delta + 2);
else H = 60 * ((R - G) / delta + 4);

// 计算S
S = (max_val == 0) ? 0 : delta / max_val;

// V就是max_val
V = max_val;

色彩温度与白平衡：让传感器学会“色适应”

色温用开尔文（K）表示。低色温偏暖（烛光约1800K），高色温偏冷（阴天约6500K）。标准日光大约是5500K。

白平衡的目标是：不管光源是什么，让白色物体在图像里看起来是白的。这需要估计当前光源的色温，然后做反向补偿。

常用的白平衡方法有三种：

1. 灰度世界法：假设场景中所有颜色的平均值是灰色。计算R、G、B通道的平均值，然后调整增益使三者相等。
2. 完美反射法：假设场景中最亮的像素是白色。找到这些像素，用它们的RGB值来估计光源。
3. 色温曲线法：预先标定不同色温下的R/G和B/G比值，形成一条曲线。实时计算当前图像的R/G和B/G，查曲线得到色温。

本章知识体系

下面这张图总结了色彩科学的核心脉络，从人眼感知到算法实现，每一步都有对应的色彩空间和工具。

这张图把三个核心模块串起来了。左边是人眼特性，中间是色彩空间，右边是白平衡算法。每个模块之间都有明确的映射关系。做ISP算法时，我经常回头看看这张图，提醒自己不要偏离物理基础。