显示器最好设为标准模式还是SRGB模式?

■ 原文知识说明

第71页将上一批次对色温的理论介绍落地到 CIE xy 色度图中：把不同色温的黑体辐射器 SPD 对应的色度坐标连成一条曲线，就是普朗克轨迹（Planckian Locus）。这条曲线从图的右下角（低色温，橙红色）向左上角（高色温，蓝白色）延伸，是色度图上最重要的参考曲线之一。

第72页展示了如何从一个真实光源（OLED 灯）的 SPD 出发，推算其相关色温（CCT，Correlated Color Temperature）：①先用 CIE 1931 配色函数把 SPD 映射到 XYZ；②再归一化为 CIE xy 色度坐标；③最后把这个坐标投影到普朗克轨迹上，距离最近的点对应的温度就是 CCT。图示中 OLED 灯源的 CCT 约为 4500K。

第73页来自 B&H Photo 摄影器材网站，展示了摄影领域实际使用的色温参考对照表——这是将抽象的物理概念转化为摄影师日常使用工具的典型示例。

■ 深入理解

注意"色温"和"相关色温"的区别：严格的色温只适用于真正的黑体辐射器（即其 SPD 在普朗克轨迹上）。对于大多数真实光源（如荧光灯、LED），其 SPD 并不在普朗克轨迹上，此时只能说"相关色温"——即色度坐标距哪个黑体温度点最近。

普朗克轨迹旁边还有一条等温线（Isotherms），用于确定最近点时定义"垂直"方向。不同标准（如 CIE 1960 UCS、Robertson 方法）对"最近"的定义略有不同，这也是同一个灯泡在不同仪器上测出 CCT 可能略有差异的原因。

■ 原文知识说明

第74页展示了多种常见人造光源（荧光灯、金属卤化物灯、高压钠灯等）的实测 SPD 曲线（来自 Ponce & Forsyth 教材）。可以看出：荧光灯的 SPD 呈现出离散的尖峰（对应汞蒸气特征谱线），而不是黑体辐射那样的连续平滑曲线；LED 的 SPD 则通常是宽峰叠加，形状因厂商不同差异显著。

第75页展示了照明行业如何在产品广告中使用色温标注（如"2700K 暖白"、"5000K 日光白"）。有趣的是：一个典型 LED 灯泡的实际发热温度只有 60–100°C（333–373K），远远低于其"色温"标注，这说明色温只是一个描述颜色外观的约定数字，并非灯泡的物理温度。

■ 深入理解

荧光灯 SPD 的离散谱线特性会导致严重的同色异谱问题：两种在荧光灯下颜色相同的纺织物，在日光下可能颜色截然不同。这对纺织、印刷等行业影响极大，也是这些行业倾向于使用"D65 标准光源"进行颜色检验的原因。

对相机而言，荧光灯的非连续 SPD 也让白平衡变得更困难——因为此时光源的颜色不能简单地用一个色温数字来描述，相机的白平衡算法必须处理这种"偏离普朗克轨迹"的特殊情况，有时会出现偏绿色的白平衡偏差（"绿漂移"）。

■ 原文知识说明

为了让不同行业、不同场合的颜色测量具有可重复性和可比较性，CIE 定义了一系列标准光源（Standard Illuminants）——这些是代表典型真实光照条件的"合成 SPD"，并非真实存在的物理灯，而是用数学表格定义的标准参考。

第76页列举了主要类型：

·Illuminant A：模拟钨丝白炽灯，约2856K，暖黄色

·Illuminant B：模拟正午阳光，约4874K（现已较少使用）

·Illuminant C：模拟平均日光，约6774K

·Illuminant D 系列：最常用，代表不同色温的自然日光；D50（5000K）常用于印刷/出版；D55（5500K）接近正午日光；D65（6500K）是最广泛使用的标准，也是 sRGB 的参考白点

·Illuminant E：等能量白光，XYZ 三通道完全相等，是理论分析的参考

·Illuminant F 系列：模拟各类荧光灯（F2、F8、F11等）

第77页用 SPD 曲线图直观展示了各标准光源的光谱形状差异。

■ 深入理解

D65 为什么成为最广泛使用的标准？因为它是 1960–70 年代 CIE 研究中测量到的欧洲平均日光的最佳近似，而欧洲的显示器、胶片、印刷产业在当时主导了全球标准的制定。虽然北美和亚洲的自然光照略有不同，但 D65 已经成为全球默认。

在实际相机工程中，D65 白点的重要性体现在：相机 ISP 的色彩空间变换矩阵（Color Space Transform，CST）通常是在 D65 光照条件下标定的，将传感器 raw-RGB 映射到 sRGB 时，默认假设目标观看环境是 D65 白光。如果实际拍摄光源偏离 D65，就需要白平衡步骤先行纠正。

■原文知识说明

第78页引入了白点（White Point）的概念：白点是"理想白色目标"在 CIE XYZ 或 CIE xy 坐标系中的位置，本质上就是当前光照条件下"纯白色反射面"的色度值。

在色适应（白平衡）的语境中，"让白点保持一致"就是白平衡操作的目标：无论当前光源是2700K的暖黄色灯泡还是6500K的冷白日光，处理后照片中的白色物体在 CIE xy 上都应该位于相同的白点坐标。

第79页列出了 CIE 各标准光源对应的 xy 白点坐标，并用色度图直观展示了各白点的位置——从 A（最偏橙红，右下角）到 D65（偏蓝白，接近中心），可以看出不同光源的颜色偏向。

■ 深入理解

白点的选择对色彩工作流影响深远：摄影师使用 Adobe RGB 时，白点同样是 D65；印刷行业使用 D50 作为白点，因为印刷品在较暖的观看环境中使用；有些高端相机允许拍摄者手动设置自定义白点，以适应特殊光源环境。

白点与"颜色外貌"的关系：即使两张图片的像素值完全相同，如果它们被标注了不同的白点（即不同的色彩配置文件），在支持色彩管理的软件中显示出来的颜色也会不同。这就是为什么 Photoshop 等专业软件在打开图片时会询问"嵌入的色彩配置文件是否与工作空间匹配"的原因。

■ 原文知识说明

第80页介绍了色适应最经典的数学实现——Von Kries 变换（由德国生理学家 Johannes von Kries 于1902年提出）。其思想直截了当：既然颜色恒常性是通过"分别缩放三种锥细胞的响应"来实现的，那么数学上只需对 LMS 三通道各自除以该通道在白点下的响应值即可：

L₂ = L₁ / L₁w，M₂ = M₁ / M₁w，S₂ = S₁ / S₁w

其中 L₁w、M₁w、S₁w 是当前光照下"白色"的 LMS 值。这个操作等价于把当前光照的白点"归一化"到等能量白点。

第81页进一步扩展为光源间映射：不只是归一化到等能量白点，而是将图像从光源1的白点适应到光源2的白点，矩阵变为各通道比值 (L₂w/L₁w, M₂w/M₁w, S₂w/S₁w)。这正是相机 ISP 白平衡步骤的数学本质。

第82–83页用真实照片示例展示了效果：同一白色咖啡杯在不同光源下拍摄，经过 Von Kries 变换后，白色部分的颜色趋于一致。

■ 深入理解

Von Kries 变换在实践中并不总是精确——它假设锥细胞响应之间相互独立，没有交叉适应，这是一个理想化假设。真实的人类色适应比这更复杂，涉及视网膜和大脑皮层多个层次的处理。更精确的色适应模型（如 CIECAM02）会在 Von Kries 的基础上增加非线性修正项。

在相机实践中，Von Kries 变换在传感器 raw-RGB 域直接执行，即分别给 R、G、B 通道乘以不同的增益系数（白平衡增益），使得白色物体的三通道输出相等。由于传感器 RGB 和人眼 LMS 并不是同一套坐标系，这种近似会引入一定误差，这也是为什么相机白平衡在混合光源场景下经常不够理想。

■原文知识说明

第84页是一个幽默的过渡幻灯片——"Now we are finally done with color? Almost (really)..."。这里的"Almost (really)"承接前面那个"Almost"，表示颜色理论这一大块终于真正讲完了，即将进入下一章节：从 CIE XYZ 到 sRGB 等实用色彩空间，以及它们在相机流水线中的应用。

■ 深入理解

至此，颜色速成课涵盖了从物理光（SPD）→ 人眼感知（三刺激值 LMS）→ 定量测量（CIE XYZ）→ 色温与光源 → 色适应（Von Kries）的完整链条。接下来要讨论的是这套理论如何被工程化：定义可用于显示器和相机的标准 RGB 色彩空间（以 sRGB 为核心），以及相机内部如何把传感器数据经过一系列步骤变成我们熟悉的 JPEG 图片。

■ 原文知识说明

第85页提出了一个关键问题：虽然 CIE XYZ 是设备无关的理想颜色空间，但工业界几乎不直接用 XYZ——因为 X、Y、Z 并非真实存在的物理原色，在显示器或相机上无法直接实现。实际设备都使用 RGB 原色。

但"RGB"本身是一个不完整的描述。第86页展示了问题所在：不同设备（相机、显示器、打印机）的 RGB 原色（即 R、G、B 三种颜色的 CIE xy 坐标）各不相同，它们在 CIE xy 图上形成的三角形色域大小和位置也各不相同。

第87页用三个不同设备的 RGB 色域三角形说明了核心问题：如果不知道 RGB 原色的定义，RGB 数值是没有意义的。Device 1 的 R=255 G=0 B=0，和 Device 2 的 R=255 G=0 B=0，对应的真实颜色可能完全不同——这对颜色的跨设备准确传递是"巨大的问题"（原文如此强调）。

■ 深入理解

这个问题在印刷行业尤为突出，也正是 ICC 色彩配置文件（ICC Profile）被发明的原因。ICC Profile 记录了设备 RGB 与 CIE XYZ 之间的精确映射关系，使得色彩管理软件可以在不同设备间准确转换颜色。Photoshop 中那个恼人的"嵌入配置文件不匹配"弹窗，就是在提醒你：该图片的 RGB 原色定义与你当前工作空间不同，需要决定如何处理。

对计算机视觉研究者来说，这个问题意味着：把来自不同相机、不同显示器的图片简单堆在一起当成"RGB 数据集"使用，如果没有考虑色彩空间的差异，可能引入系统性偏差——这正是本教程第二部分要专门讨论的"CV 误区"之一。

■ 原文知识说明

1996年，微软和惠普联合定义了sRGB（Standard RGB）——一套全球统一的 RGB 原色和白点定义，从此"RGB 图像"在大多数场景下默认就是 sRGB 图像。

sRGB 的技术参数（第88页）：

·R 原色：CIE xy = (0.64, 0.33)，Y = 0.2126

·G 原色：CIE xy = (0.30, 0.60)，Y = 0.7153

·B 原色：CIE xy = (0.15, 0.06)，Y = 0.0721

·白点：D65（6500K，与欧洲自然日光接近）

白点选择 D65 有深远含义：这意味着 sRGB 图像内置了一个"预设的观看条件"——图像是在 D65 日光下被观看的。当你在手机屏幕上看照片时，手机默认以 D65 作为白点来渲染，这就是你看到的颜色。

第89–90页展示了 CIE XYZ 到 sRGB 的矩阵转换（第90页给出了具体的3×3矩阵数值）以及"sRGB 白点"的概念：从 XYZ 转换到 sRGB 时需要指定白点，转换后得到的是线性 sRGB（Linear sRGB）——像素值与辐射量成线性关系。

但线性 sRGB 还不是最终的 sRGB！第91页告诉我们，最终还需要再加一步Gamma 校正（非线性编码），才能得到我们通常说的"sRGB 图像"。

■深入理解

sRGB 的 Gamma 校正公式（第91页的曲线）效果近似于 1/2.2 次幂，即 output = input^(1/2.2)。这意味着 sRGB 图像中的像素值不是线性的——中等亮度（0.5）被编码为约 0.73 倍的最大值，而不是 0.5。这种"非线性压缩"会对深度学习模型的训练产生影响，如果模型假设输入像素值与亮度成线性关系，而实际输入是 gamma 编码后的 sRGB 图像，则会产生系统性偏差。

sRGB 与 Rec.709（HDTV 标准）使用相同的原色和白点，但 Gamma 曲线略有不同（Rec.709 的线性区更长）。很多视频制作中混淆 sRGB 和 Rec.709 是一个常见错误。

■ 原文知识说明

为什么 sRGB 要进行 Gamma 校正？不是单纯因为历史原因，而是因为 Gamma 编码有感知上的合理性。

第92页介绍了心理物理学家 Stanley Stevens 在1957年提出的幂次定律（Stevens' Power Law）：人类对各种物理刺激的感知强度，遵循刺激量的幂次关系：S = k · I^a（S 是感知量，I 是物理刺激量）。对于亮度感知，Stevens 发现指数约为 1/3（立方根），即人眼对亮度的感知近似于物理亮度的 1/3 次幂。

第93页将 Stevens 定律与 sRGB Gamma 曲线对比——sRGB 的约 1/2.2 次幂与 Stevens 的 1/3 次幂方向相同（均是亚线性压缩），在工程上是合理的近似，目的是让编码后的像素值分布与人眼感知的均匀程度更接近，从而用有限的比特数（8bit = 256级）存储更多感知上有意义的色调层次。

第94页对比了线性 sRGB 和最终 sRGB 图像的外观差异，第95页还提到了 Stevens 测量疼痛感知（电击实验）的趣味延伸——疼痛感知遵循 I^3.5 的超线性幂次，这与亮度感知的亚线性完全相反。

■ 深入理解

Gamma 校正最初是为了补偿 CRT 显示器的非线性特性而发明的：老式 CRT 显示器的荧光粉发光强度与驱动电压之间是约 2.2 次幂关系，因此发送 0.5 的电压会得到 0.5^2.2 ≈ 0.218 的亮度。对图像做 Gamma 编码（1/2.2）后存储，CRT 解码时恰好抵消，显示出正确的线性亮度。

现代 LCD/OLED 显示器本身是线性设备，但为了与历史兼容，操作系统仍然对显示输出应用约 2.2 的 Gamma 解码（这叫"显示 Gamma"），因此 sRGB 的 1/2.2 编码依然是正确的。

对深度学习研究者而言，一个重要提示：大多数公开图像数据集（ImageNet、COCO 等）都是 sRGB 编码的，像素值经过 Gamma 编码，不是线性亮度。如果算法需要处理线性辐射量，必须先做 Gamma 解码（sRGB 转线性 sRGB）。

■ 原文知识说明

第96页揭示了标准化的历史渊源：sRGB 并非凭空而来，电视广播标准 NTSC 早在1950年代就定义了 RGB 原色和 Gamma 编码（2.2次幂解码）。sRGB 在设计时基本沿用了 NTSC 的 Gamma 逻辑，但用更宽的色域原色替换了 NTSC 偏窄的原色。

第97页强调了一个重要告诫：要知道你的图像在哪个色彩空间！。同样的 RGB 数值在 NTSC 和 sRGB 下对应不同的真实颜色，从 linear-sRGB 到 XYZ 和从 linear-NTSC 到 XYZ 的矩阵是不同的。混淆色彩空间是 CV 研究中的常见错误。

第98–99页展示了以 CIE XYZ 为核心的色彩空间家族树：XYZ是"所有色彩空间的祖父"，sRGB、Adobe RGB、ProPhoto RGB、NTSC、CIE LAB、YUV、YIQ、HSV、HSI 等都由 XYZ 衍生而来。第99页特别警告：要小心，不是所有的"Y"都代表同一个东西！

第100页则谦虚地说明：本教程不会逐一讲解每个色彩空间的数学推导（那需要另一整个教程），但会解释每个色彩空间被引入的动机和用途，帮助读者理解为什么需要它们。

■ 深入理解

为什么有这么多色彩空间？主要原因是不同应用场景的需求不同：sRGB 面向消费显示器，Adobe RGB 面向摄影/印刷（色域更大），YCbCr 面向视频压缩（利用人眼对色度不敏感来节省带宽），CIE LAB 面向颜色差异测量（感知均匀性），HSV/HSI 面向颜色直觉操作（色相/饱和度/亮度分离）。

"不是所有 Y 都相同"这个警告极为重要：CIE XYZ 中的 Y = 感知亮度（基于光度函数，线性）；YCbCr 中的 Y = 亮度（基于 gamma 编码后的 sRGB，非线性）；JPEG 压缩就是在 YCbCr 域进行的，因此 JPEG 图像不是线性的。很多 CV 论文混淆了这几种 Y，导致研究结论出现系统性错误。

■ 原文知识说明

第101–103页介绍了CIE LAB（L*a*b*）色彩空间——这是专为"感知均匀性"而设计的色彩空间。动机来自 MacAdam 椭圆实验（1942年）：实验发现 CIE xy 图上不同区域相同几何距离对应的感知颜色差异相差十倍以上，说明 xy 图是感知不均匀的。CIE LAB 通过对 XYZ 做非线性变换（近似立方根，体现 Stevens 定律），让空间中相同的欧式距离对应大致相同的感知颜色差异。

CIE LAB 的三个分量：L*（0–100，感知亮度），a*（绿←→红方向），b*（蓝←→黄方向）。

第104页介绍了Y'UV、Y'IQ、Y'CbCr系列色彩空间——它们的共同特点是将亮度（Y'）与色度（UV/IQ/CbCr）分离。注意：这里的 Y' 是"亮度"（Luma），定义在gamma 编码后的 sRGB/NTSC 上，而不是真正的线性感知亮度（Luminance）。这与 CIE XYZ 中的 Y（真正的感知亮度）完全不同。

第105页介绍了CIE 2000 Delta E（ΔE₀₀）——基于 CIE LAB 的颜色误差度量指标。ΔE ≤ 2 通常被认为是"标准观察者无法区分的颜色差异"，ΔE > 5则肉眼可明显察觉。这个指标在工业色彩管理（汽车喷漆、纺织品）和相机色彩准确性评测中广泛使用。

■深入理解

CIE LAB 的局限性：虽然它比CIE xy 均匀得多，但仍然不是完全感知均匀的（其误差在某些区域可达2倍）。更精确的感知均匀色彩空间包括 CIE LUV、CIECAM02 等，但计算更复杂，使用也更小众。

Y'CbCr 中的色度分量（Cb、Cr）利用了人眼对色度分辨率低于亮度的特点：JPEG 压缩通常将 Y' 以全分辨率保存，而 Cb、Cr 进行 2:1 下采样（即 4:2:0 格式），这样可以在几乎不影响感知质量的前提下大幅减少数据量。这就是为什么 JPEG 格式在保存人像时，亮度细节（头发纹理等）比颜色细节（皮肤色调渐变等）保留得更好。

■ 原文知识说明

第106页是一个幽默的"颁发毕业证书"页：恭喜你完成了颜色速成课！这标志着 Part 1 颜色理论部分的正式结束。

第107页抛出了一个新问题：有了 sRGB 标准色彩空间，流程应该是：相机 → sRGB 图像 → 通过 ICC Profile 转到显示器 ICC Profile → 正确显示。但问题是，相机并不直接输出 sRGB——相机首先产生的是 raw-RGB，还需要经过整个 ISP 流水线才能到达 sRGB。

第108页是教程日程的再次回顾，标志着即将进入 Part 1 的最后一个大节：相机成像流水线（Camera Imaging Pipeline）概述。

■ 深入理解

这个过渡页面的意义在于：它把前半段的颜色理论（物理→感知→数学量化→色彩空间）和后半段的相机工程（传感器→ISP步骤→输出图像）连接起来。颜色理论是理解 ISP 的为什么，而 ISP 流水线是颜色理论的工程实现。没有颜色理论基础，就无法真正理解每个 ISP 步骤的目的；没有 ISP 知识，就无法理解一张 JPEG 图片与物理世界的距离。

📄 版权声明与致谢

本系列文章基于ICCV 2019 Tutorial: "Understanding Color & the In-Camera Image Processing Pipeline for Computer Vision"的内容进行中文解读与扩展。

原作者：Dr. Michael S. Brown（约克大学 / York University，加拿大研究主席教授）

教程来源：ICCV 2019（International Conference on Computer Vision，国际计算机视觉大会）

本系列：

·对原教程内容进行了中文翻译与知识扩充

·加入了基于个人工程经验的深入理解

·所有幻灯片截图版权归原作者所有，本系列仅作学习交流使用

如需引用原教程，请访问 ICCV 2019 官方资料或联系 Dr. Michael S. Brown 研究团队。

如有任何版权问题，请通过公众号后台联系，我们将第一时间处理。

欢迎关注微信公众号“逐像素学ISP”，阅读最新发表的系列文章。

欢迎后台私信聊技术咨询/合作。