Llenlleawg我一直觉得，做图像这行久了，会养成一种职业病：别人看颜色靠感觉，我们看颜色靠数值。设计师说“这个蓝不够高级”，我的第一反应是打开取色器看RGB通道分布；客户说“照片拍出来发灰”，我脑子里先过一遍白平衡和Gamma曲线；现场反馈“检测系统颜色误判”，我下意识会追问光源色温和相机色彩空间。颜色这东西，在外行眼里是审美玄学，在图像工程师手底下，是一条从物理光谱到像素值、再到算法特征的完整链路。
这篇文章就聊聊图像工程师是怎么理解色彩与视觉的。它不是玄学，而是可测量、可计算、可调试的工程对象。我会从色彩科学基础讲到颜色传感器，再聊图像复原、视觉SLAM、大模型这些进阶方向里颜色扮演的角色，最后结合日常工具链给出一些实操经验。适合刚转图像算法的工程师、做工业视觉检测的现场人员，也想帮正在学视觉SLAM或图像处理的学生建立一套完整的颜色认知框架。
1. 颜色的主观是错觉，工程师眼里的颜色全是可计算量
1.1 颜色不是物体的属性，而是“光线-物体-观察者”三者的函数
很多人以为颜色是物体自带的性质，比如“苹果是红色的”。严格说，苹果本身没有颜色，它只是反射了一部分光谱。当一束光打到苹果表面，果皮吸收了大部分短波和中波能量，把长波能量反射出来，这些反射光进入人眼，经过感光细胞和大脑的解码，才产生了“红色”的知觉。
这就引出一个关键结论：颜色是“光源光谱、物体反射率、观察者光谱响应”三个变量的函数。光源换掉，颜色就变；观察者换掉，颜色也变。这也是为什么工业现场明明指示灯是同一颗红色LED，不同人拍出来却效果各异——相机传感器响应、白平衡策略、色彩编码全都参与了颜色生成。
在工程上，我们不需要哲学式地讨论“颜色的本质”，只需要把它定量化。CIE 1931色彩空间干的事，就是把“人眼的平均响应”变成一张查找表：任意一束光谱功率分布，通过XYZ三刺激值加权积分，就得到一个唯一的坐标。这个坐标不依赖主观描述，可以在色度图上被精确标定。所以当我说“这块区域的色度坐标是x=0.45、y=0.41”时，它比“这是橙色”严谨得多。
这类知识的价值，不只体现在学术论文里。我在做工业色差检测时，判定标准就写在“Lab色差值Delta E小于2”这类量化指标上，而不是“看起来差不多”。如果你正在做检测类项目，建议早点把颜色度量的思路建立起来，不然客户一句“颜色不对”而你只能凭肉眼调参，那才是真的玄学。
1.2 Gamma：像素值128并不等于50%亮度
再往深一层，像素值本身也不等于物理亮度。CRT时代的显示器和后来的各类屏幕，为了在有限的8bit精度里更好地利用人眼对暗部更敏感的特性，对亮度信号做了一次非线性编码，这个编码曲线就是Gamma。
sRGB标准里的Gamma大约是2.2。也就是说，某个像素值128存储的，并不是最大亮度的一半，而是约21.4%的线性亮度。反过来，当图像处理算法直接在sRGB像素值域里做加减乘除，结果往往不符合物理直觉。
举个非常实际的例子：给图像做高斯模糊。如果在sRGB空间对像素值直接做邻域平均，暗部区域会明显“变亮”，亮部区域会“变暗”，整体的饱和度还会偏移。正确做法是先把sRGB像素值通过de-gamma变换还原成线性光强，在线性空间里做模糊，最后再编码回sRGB。这个细节在图像融合、HDR合成、降噪、超分低层特征处理里都会遇到，处理和不处理的视觉差异，你放一张黄昏天空的照片对比一下就知道，差别大到离谱。
所以我的建议是：任何涉及像素运算的算法模块，先问自己一句，当前数据处在什么颜色空间、是否线性的。如果项目里还没有色彩管线图，赶紧补一张，把“采集→去马赛克→白平衡→Gamma编码→算法处理→输出显示”每一段标清楚，它能帮你避免八成说不清道不明的颜色bug。
1.3 白平衡：给颜色恒常性做一个工程近似
人眼有个特牛的能力叫颜色恒常性：一张白纸在日光下是白的，在烛光下你依然觉得它是白的，因为大脑会基于场景光源做自动补偿。相机没有这个本事，它只忠实记录光谱能量分布。在钨丝灯下拍照，整张图会偏黄；在阴天户外，偏蓝。这些偏差全部来自光源色温变化。
工程师解决这个问题的方法是白平衡。灰世界假设是其中一种：如果一张图里所有颜色的平均值是灰的，那么R、G、B三通道的均值应当相等，不相等就说明有光源偏色，用增益系数补偿回去。工业相机通常还支持自定义白平衡，拿标准灰卡放在目标位置采一帧，让相机记住“这个场景里什么才是白”。
白平衡这件事必须排在视觉算法前面，因为它直接决定后续颜色特征提取的阈值是否可靠。我在一个印刷品检测项目里遇到过：同样的墨色判定算法，上午OK下午NG，查到最后是车间窗户透进来的自然光随时间变化，导致白平衡漂移。后来在相机前加了偏振片、固定了光源色温，问题彻底消失。这个经验蛮多同事都踩过，颜色相关项目，环境光照控制永远优先于算法调参。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 设备端如何“看见”颜色：传感器、色彩空间与光源选型
2.1 颜色传感器是把颜色变成电路信号的工业级方案
除了相机，工业上还有一种更直